Checking ChEMBL for Structured SAR Data

检查 ChEMBL 中是否有结构化 SAR 数据

概述

ChEMBL 是一个经过人工整理的数据库，收录了约 99,000 篇药物化学论文及提取、标准化后的生物活性数据。如果一篇论文已收录在 ChEMBL 中，你就可以直接访问结构化数据，无需解析 PDF。

核心原则： 检查药物化学论文时，优先查看 ChEMBL。经过整理的数据比从表格中解析的数据更可靠。

适用场景

以下情况适用此技能：

• 论文介绍药物化学 / 药物发现
• 摘要提及化合物系列、SAR 或活性数据
• 论文包含 IC50、MIC、Ki、EC50 或其他生物活性测量值
• 尝试从表格 / 图中提取数据之前
• 论文在相关性评估中的得分 ≥ 7

不适用场景：

• 非药物化学论文（细胞生物学、基因组学等）
• 不含活性测量值的论文
• 不含原始数据的综述
• 非常新的论文（< 6 个月，可能尚未整理）

ChEMBL API 基础知识

基础 URL： https://www.ebi.ac.uk/chembl/api/data/

无需身份验证

重要：只能通过 DOI 查询 ChEMBL，不能通过 PMID 查询

• API 会在结果中返回 PMID，但不接受将其作为查询参数
• 查询时始终使用 DOI：?doi=10.1234/example
• 即使论文已收录在 ChEMBL 中，使用 PMID 查询也会返回 0 条结果

分两步操作：

1. 检查论文是否（通过 DOI）收录在 ChEMBL 中
2. 如果已收录，获取生物活性数据

第 1 步：检查论文是否收录在 ChEMBL 中

通过 DOI 查询（唯一可用的方法）：

curl -s "https://www.ebi.ac.uk/chembl/api/data/document.json?doi=DOI"

⚠️ 重要：必须使用 DOI，而非 PMID

# ✅ CORRECT - Use DOI
doi="10.1021/jm401507s"
curl -s "https://www.ebi.ac.uk/chembl/api/data/document.json?doi=$doi"

# ❌ WRONG - PMID won't work (will return 0 results)
pmid="24446688"
curl -s "https://www.ebi.ac.uk/chembl/api/data/document.json?pubmed_id=$pmid"  # Does NOT work!

如果你只有 PMID： 先从 PubMed 获取 DOI，再使用该 DOI 查询 ChEMBL。

响应结构：

{
  "documents": [
    {
      "document_chembl_id": "CHEMBL3120156",
      "doi": "10.1021/jm401507s",
      "title": "Discovery and development of simeprevir (TMC435), a HCV NS3/4A protease inhibitor.",
      "abstract": "Hepatitis C virus is a blood-borne infection...",
      "pubmed_id": 24446688,
      "journal": "J Med Chem",
      "year": 2014,
      "doc_type": "PUBLICATION"
    }
  ],
  "page_meta": {
    "total_count": 1
  }
}

关键字段：

• document_chembl_id - 用它获取活性数据
• doc_type - "PUBLICATION"（来自文献）或 "DATASET"（已提交的数据集）
• pubmed_id - 响应中会包含 PMID，但不能用它查询 ChEMBL
• 如果 total_count = 0，则论文未收录在 ChEMBL 中

解析响应：

response=$(curl -s "https://www.ebi.ac.uk/chembl/api/data/document.json?doi=$doi")

if [ $(echo "$response" | jq -r '.page_meta.total_count') -gt 0 ]; then
  chembl_id=$(echo "$response" | jq -r '.documents[0].document_chembl_id')
  echo "✓ Found in ChEMBL: $chembl_id"
else
  echo "✗ Not in ChEMBL"
fi

第 2 步：获取活性数据条目数

查询活性数据端点：

curl -s "https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id=CHEMBL3120156&limit=1"

提取总条目数：

activity_url="https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id=$chembl_id&limit=1"
activity_count=$(curl -s "$activity_url" | jq -r '.page_meta.total_count')

echo "→ $activity_count bioactivity data points"

第 3 步：向用户报告并更新摘要

立即报告：

📄 [15/127] Screening: "Discovery and development of simeprevir"
   Abstract score: 9 → Fetching full text...
   ✓ ChEMBL: CHEMBL3120156 (101 activity data points)
   → IC50 data for HCV NS3 protease inhibitors available

添加到 SUMMARY.md：

### [Discovery and development of simeprevir (TMC435), a HCV NS3/4A protease inhibitor](https://doi.org/10.1021/jm401507s) (Score: 9)

**DOI:** [10.1021/jm401507s](https://doi.org/10.1021/jm401507s)
**PMID:** [24446688](https://pubmed.ncbi.nlm.nih.gov/24446688/)
**ChEMBL:** [CHEMBL3120156](https://www.ebi.ac.uk/chembl/document_report_card/CHEMBL3120156/) (101 data points)

**Key Findings:**
- IC50 data for HCV NS3/4A protease inhibitors (from ChEMBL)
- Lead compound simeprevir (TMC435) approved for HCV treatment
- Structures and full activity data: [ChEMBL API](https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id=CHEMBL3120156)

**ChEMBL Activity Summary:**
- IC50 values for HCV NS3/4A protease
- PK parameters (AUC, Cmax, clearance)
- DMPK assays (metabolic stability, permeability)

始终注明 ChEMBL 状态：

• 如果找到：添加 ChEMBL ID 链接和数据点数量
• 如果未找到：注明“未收录在 ChEMBL 中”（这仍然是有价值的信息）

第 4 步：更新跟踪文件

添加到 papers-reviewed.json：

{
  "10.1021/jm401507s": {
    "pmid": "24446688",
    "status": "relevant",
    "score": 9,
    "chembl_id": "CHEMBL3120156",
    "chembl_activities": 101,
    "has_structured_data": true
  }
}

可选：提取结构化数据

对于 ChEMBL 数据丰富（>20 条活性数据）的论文，可考虑提取：

# Get all IC50 data
curl -s "https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id=CHEMBL3120156&standard_type=IC50&limit=100" > chembl_data.json

# Summary statistics
jq '[.activities[] | .standard_value | tonumber] | "Min: \(min), Max: \(max), Count: \(length)"' chembl_data.json

向用户报告：

📊 ChEMBL data extracted:
   - IC50 values for HCV NS3/4A protease
   - All structures downloaded
   - Data saved to: chembl_CHEMBL3120156_ic50.json

与其他技能集成

在 evaluating-paper-relevance 工作流中：

1. 完成摘要筛选后（得分 ≥7）
2. 深入阅读全文之前
3. 使用此技能检查 ChEMBL
4. 如果找到：
   • 在 SUMMARY.md 中注明 ChEMBL ID
   • 提取活性数据（比解析 PDF 更快）
   • 仍需获取全文，以了解方法、讨论和上下文
5. 如果未找到：
   • 按常规方式评估 PDF
   • 如有需要，手动解析表格

工作流集成点：

Stage 2: Deep Dive
├─ 1. Fetch Full Text (PMC → DOI → Unpaywall)
├─ 1.5. Check ChEMBL ← ADD THIS STEP
│   ├─ Query by DOI
│   ├─ If found: note ChEMBL ID + activity count
│   └─ Report to user
├─ 2. Scan for Relevant Content
└─ 3. Extract Findings

ChEMBL 中常见的活性类型

类型	描述	单位
IC50	半数抑制浓度	nM、µM
MIC	最低抑菌浓度	µg/mL、nM
Ki	抑制常数	nM、µM
EC50	半数有效浓度	nM、µM
Kd	解离常数	nM、µM
Potency	一般效力测量值	各种

按活性类型筛选：

curl "https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id=ID&standard_type=MIC"

ChEMBL 覆盖范围

约 99,000 篇文献（截至 2025 年）

覆盖较好：

• 药物化学论文
• 涉及化合物系列的构效关系（SAR）研究
• 先导化合物优化项目
• 主要期刊上的论文（J Med Chem、Bioorg Med Chem、Eur J Med Chem 等）

覆盖较差：

• 非常新的论文（整理工作滞后 6–12 个月）
• 无法提取结构或活性数据的论文
• 非药物研发研究
• 纯机制研究

典型命中率：

• 药物化学论文约为 30–40%
• 聚焦 SAR 的期刊命中率更高

ChEMBL 数据的优势

与 PDF 表格解析相比：

• ✓ 结构已提取（SMILES 格式）
• ✓ 单位已标准化（所有 IC50 均以 nM 为单位）
• ✓ 数值经过验证和整理
• ✓ 机器可读的 JSON
• ✓ 没有 OCR 错误
• ✓ 与测定方案关联
• ✓ 可查询（按活性范围、靶点等筛选）

仍需使用 PDF 的情况：

• 完整的实验步骤
• 合成路线
• ChEMBL 中没有收录的论文
• 非常新的论文
• 背景和解读

进度报告

重要：对每篇相关论文都要报告 ChEMBL 检查结果

工作流报告示例：

📄 [15/50] Screening: "Novel MmpL3 inhibitors..."
   Abstract score: 8 → Checking ChEMBL...
   ✓ ChEMBL: CHEMBL3456789 (34 data points)
   → Fetching full text...
   → Added to SUMMARY.md with ChEMBL link

对于未收录在 ChEMBL 中的论文：

📄 [16/50] Screening: "Another paper..."
   Abstract score: 9 → Checking ChEMBL...
   ✗ Not in ChEMBL (likely too recent or review paper)
   → Fetching full text via Unpaywall...

辅助脚本模式

对于包含多篇药物化学论文的研究任务：

创建 check_chembl.py：

#!/usr/bin/env python3
import requests
import json
import sys

def check_chembl(doi):
    """Check if DOI is in ChEMBL and return summary

    IMPORTANT: Must use DOI, not PMID. ChEMBL API does not accept PMID queries.
    """

    # Query document (ONLY works with DOI)
    doc_url = f"https://www.ebi.ac.uk/chembl/api/data/document.json?doi={doi}"
    try:
        doc_response = requests.get(doc_url, timeout=10).json()
    except:
        return None

    # Check if found
    if doc_response.get('page_meta', {}).get('total_count', 0) == 0:
        return {'in_chembl': False}

    doc = doc_response['documents'][0]
    chembl_id = doc['document_chembl_id']

    # Get activity count
    act_url = f"https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id={chembl_id}&limit=1"
    try:
        act_response = requests.get(act_url, timeout=10).json()
        activity_count = act_response.get('page_meta', {}).get('total_count', 0)
    except:
        activity_count = 0

    return {
        'in_chembl': True,
        'chembl_id': chembl_id,
        'activity_count': activity_count,
        'doc_type': doc.get('doc_type'),
        'title': doc.get('title')
    }

if __name__ == "__main__":
    doi = sys.argv[1]
    result = check_chembl(doi)

    if result and result['in_chembl']:
        print(f"✓ {result['chembl_id']} ({result['activity_count']} activities)")
    else:
        print("✗ Not in ChEMBL")

用法：

python3 check_chembl.py "10.1021/jm401507s"
# Output: ✓ CHEMBL3120156 (101 activities)

常见错误

使用 PMID 查询： 使用 PMID 而不是 DOI → 始终返回 0 条结果，ChEMBL 只接受 DOI 查询
跳过 ChEMBL 检查： 不检查药物化学论文 → 错过已提取的结构化数据
检查非药物化学论文： 检查基因组学／细胞生物学论文 → 浪费时间，这些论文不会收录在 ChEMBL 中
不报告状态： 静默进行 ChEMBL 检查 → 用户无法了解进展
未添加到 SUMMARY.md： 忘记添加 ChEMBL ID → 用户之后更难访问数据
只使用 ChEMBL： 论文在 ChEMBL 中时未获取全文 → 缺少背景、方法和讨论
ChEMBL 中已有数据却仍解析 PDF： 结构化数据可用时仍手动提取表格 → 浪费时间并引入错误

快速参考

任务	命令
检查 DOI 是否在 ChEMBL 中	curl "https://www.ebi.ac.uk/chembl/api/data/document.json?doi=DOI"
获取活性数据数量	curl "https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id=ID&limit=1"
获取所有活性数据	curl "https://www.ebi.ac.uk/chembl/api/data/activity.json?document_chembl_id=ID&limit=1000"
按活性类型筛选	curl "...activity.json?document_chembl_id=ID&standard_type=MIC"
ChEMBL 论文页面	https://www.ebi.ac.uk/chembl/document_report_card/CHEMBL_ID/

权限

添加到 .claude/settings.local.json.template：

"Bash(curl*https://www.ebi.ac.uk/chembl/api/data/*)",
"WebFetch(domain:www.ebi.ac.uk)"

成功标准

满足以下条件即表示 ChEMBL 检查成功：

• 已检查每篇药物化学论文（得分 ≥7）
• 立即向用户报告 ChEMBL 状态
• 将 ChEMBL ID 添加到 SUMMARY.md（如果找到）
• 在摘要中注明活性数据数量
• 更新 papers-reviewed.json 中的 ChEMBL 状态

后续步骤

检查 ChEMBL 后：

• 如果找到：考虑为高度相关的论文（≥9）提取结构化数据
• 继续评估全文，以了解背景
• 对于未收录在 ChEMBL 中的论文：按常规流程解析 PDF／表格
• 将所有发现更新到 SUMMARY.md

资源

• 完整文档： 参见 docs/CHEMBL_INTEGRATION.md
• ChEMBL API 文档： https://chembl.gitbook.io/chembl-interface-documentation/
• ChEMBL 界面： https://www.ebi.ac.uk/chembl/