chembl-target-sar

该数据集是基于ChEMBL Release 37构建的向量化、聚合的结构-活性关系（SAR）矩阵，旨在将目标-配体对与其主要生物活性值和分类边界关联起来。数据集中包含3,022,174对独特的靶标-配体对，其中活性测量值（active_measured）有2,618,182条，非活性（inactive）有379,604条，截尾高活性（active_censored）有24,388条。主要端点选择层次为：Kd > Ki > IC50 > EC50 > AC50，每个对选取最高置信度的端点。活性分类规则：active_measured为精确测量值；inactive表示结构关系大于10 µM（pChemBL <= 5.0）；active_censored表示结构关系小于1 nM（pChemBL >= 8.0）。数据集包含丰富的字段：目标ChEMBL ID、标准化InChIKey、标准InChIKey、规范SMILES、分子ChEMBL ID、主要端点类型、活性分类、pChemBL统计量（均值、中位数、标准差、最小值、最大值、上下截尾边界）、测量次数、目标类型、单蛋白标志、目标注释（生物体、UniProt登录号、首选名称）以及计算分子描述符（分子量、logP、氢键供体/受体数量、极性表面积、QED）。该数据集适用于药物发现中的SAR分析、活性预测模型训练、目标-配体关系挖掘等任务。This dataset is a vectorized and aggregated structure-activity relationship (SAR) matrix built from ChEMBL Release 37, designed to associate target-ligand pairs with their primary bioactivity values and classification boundaries. It contains 3,022,174 unique target-ligand pairs, including 2,618,182 active_measured, 379,604 inactive, and 24,388 active_censored entries. The primary endpoint selection hierarchy is Kd > Ki > IC50 > EC50 > AC50, with the highest confidence endpoint chosen for each pair. Activity classification rules: active_measured indicates precise measured values; inactive indicates structural relationships >10 µM (pChemBL <= 5.0); active_censored indicates structural relationships <1 nM (pChemBL >= 8.0). The dataset includes rich fields: target ChEMBL ID, standardized InChIKey, standard InChIKey, canonical SMILES, molecule ChEMBL ID, primary endpoint type, activity classification, pChemBL statistics (mean, median, standard deviation, min, max, upper/lower censoring boundaries), measurement count, target type, single protein flag, target annotations (organism, UniProt accession, preferred name), and computed molecular descriptors (molecular weight, logP, H-bond donors/acceptors, polar surface area, QED). This dataset is suitable for SAR analysis in drug discovery, activity prediction model training, and target-ligand relationship mining.

原始信息汇总

数据集概述

基本信息

• 数据集名称：Aggregated ChEMBL Target-SAR Matrix
• 数据集版本：基于 ChEMBL Release 37
• 规模：包含 3,022,174 个独特的靶点-配体对

数据来源与构建规则

• 来源：ChEMBL 数据库第 37 版
• 主端点选择层级：Kd > Ki > IC50 > EC50 > AC50，每个靶点-配体对选择置信度最高的端点

活性分类统计

活性类别	数量
active_measured（精确测量）	2,618,182
inactive（> 10 µM，pChemBL ≤ 5.0）	379,604
active_censored（< 1 nM，pChemBL ≥ 8.0）	24,388

主要端点分布

主要端点	数量
IC50	1,254,639
Potency	883,939
Ki	456,365
EC50	146,413
AC50	145,722
Kd	134,648
ED50	411
XC50	37

单蛋白靶点

• 具有至少一个置信度-9（confidence-9）测量的配对：2,217,209（占 73.4%）
• 筛选单蛋白靶点应使用 target_type == SINGLE PROTEIN 字段，而非 is_single_protein（后者表示配对层面的检测置信度）

列结构说明

• 标识字段：target_chembl_id、molecule_chembl_id、inchikey、standard_inchikey、canonical_smiles
• 活性字段：primary_endpoint、activity_class
• pChemBL 统计字段：pchembl_mean、pchembl_median、pchembl_std、pchembl_min、pchembl_max、pchembl_lower_bound、pchembl_upper_bound
• 检测数量：n_measurements（uint32）
• 靶点注释字段：target_type、is_single_protein、target_organism、uniprot_accession、target_pref_name
• 分子描述符字段：mw_freebase、alogp、hba、hbd、psa、qed

搜集汇总

数据集介绍

构建方式

该数据集基于ChEMBL第37版释放数据，通过严格的端点选择层级（Kd > Ki > IC50 > EC50 > AC50）对靶标-配体对进行聚合，构建了向量化的结构-活性关系（SAR）矩阵。每一对靶标-配体均选取置信度最高的主端点，并依据pChemBL值划分活性类别：精确测量值归为active_measured，pChemBL大于10 µM（≤5.0）归为inactive，小于1 nM（≥8.0）归为active_censored。聚合过程计算了pChemBL的均值、中位数、标准差及范围，并记录了测量次数和分子描述符，最终形成包含3,022,174个独特靶标-配体对的数据集。

特点

数据集囊括了超过300万对靶标-配体相互作用，其中73.4%的配对具有高置信度（confidence-9）的测量数据，确保了生物活性数据的可靠性。活性类别分布均衡，包括2,618,182个精确活性测量、379,604个非活性标注及24,388个高活性截尾数据。主端点类型丰富，以IC50和Potency为主，覆盖多种药理学终点。此外，数据集提供了靶标类型、UniProt accession和分子描述符等丰富注释，便于多维度分析。

使用方法

使用时，研究者可直接加载HuggingFace上的数据集，利用列如target_chembl_id、inchikey和molecule_chembl_id进行靶标或配体筛选，通过activity_class和pchembl_mean等字段进行活性分类和定量分析。建议根据target_type字段筛选单一蛋白靶标，以获得更准确的靶标-配体关系。适用于SAR建模、虚拟筛选、活性预测等任务，可结合分子描述符进行QSAR研究，或基于pchembl分布进行数据挖掘和机器学习模型训练。

背景与挑战

背景概述

化学基因组学领域长期受困于生物活性数据分散、异质及量纲不一等瓶颈，如何整合海量靶点-配体相互作用数据以构建高质量的结构-活性关系（SAR）矩阵，成为计算药物设计的关键前提。该数据集由lovingscience团队基于ChEMBL Release 37（2023年发布）构建，核心研究问题在于通过统一的端点层级（Kd、Ki、IC50等）和活性分类标准，将逾302万对靶点-配体对聚合为标准化SAR矩阵，为机器学习模型提供直接可用的训练语料。其影响力体现在：一方面以73.4%的置信度-9单蛋白测量对强化了靶点选择性分析的基础；另一方面通过pChemBL值及分子描述符的完备字段，支持从活性预测到ADMET建模的多场景应用，已成为药物发现领域对接公共数据库与深度学习的桥梁性资源。

当前挑战

该数据集所解决的领域问题在于生物活性数据的‘端到端可用性’：原始ChEMBL数据中测量类型混杂、活性值量纲不一，且存在‘>10 µM’或‘<1 nM’的区间删失数据，直接建模易引入偏差，数据集的活性分类体系（active_measured、inactive、active_censored）有效缓解了此问题。构建过程中面临的挑战包括：端点选择需平衡测量精度与数量，采用Kd>Ki>IC50>EC50>AC50的优先级规则确保了高置信度端点的优先，但可能导致部分低优先级端点信息丢失；删失数据的边界值（pChemBL>=8.0或<=5.0）设定需审慎，以免误分；此外，聚合过程中多测量值的统计量（均值、中位数、标准差）计算需处理离群值，且靶点注释字段（如is_single_protein）的语义歧义要求严格区分测量级置信度与靶点类型，这些数据治理细节共同构成了构建高质量SAR矩阵的核心挑战。

常用场景

经典使用场景

在计算药物发现与化学信息学领域，构效关系（SAR）分析是连接分子结构与生物活性的核心桥梁。该数据集以ChEMBL第37版为数据源，构建了一个包含逾三百万靶点-配体对的矢量化SAR矩阵，为经典机器学习模型（如随机森林、支持向量机）和现代图神经网络提供了大规模、标准化的训练与测试基准。研究者可直接利用其提供的pChemBL均值与活性分类标签，开展基于靶点的活性预测、分子性质回归等任务，从而快速验证算法在药物化学数据上的泛化能力。

实际应用

在实际的药物研发管线中，该数据集可用于虚拟筛选的初筛阶段，快速识别具有潜在活性的先导化合物。制药企业和科研机构可基于其分子描述符与活性信息，构建高精度的预测模型，用于评估化合物库的成药性、预测脱靶效应以及优化先导化合物的活性。其大规模覆盖特性亦支撑了基于配体的靶点预测与药物重定位研究，为加速新药研发进程提供了数据驱动的决策支持。

衍生相关工作

该数据集的构建模式与内容直接启发了多项经典后续工作。例如，基于其精确的活性边界定义，研究者发展了专门处理删失数据的生存分析模型，以及利用靶点-配体矩阵进行多任务深度学习的框架。此外，其统一的数据聚合规则被后续的数据集（如联合其他生物活性数据库）所采纳，推动了标准化基准数据集（如MoleculeNet中的某些任务）的完善，并催生了一系列关于活性悬崖预测、分子表征学习的前沿研究。