【研报】医药行业数据驱动创新系列：AI助力新药研发破局数据要素定位竞争格局-210616（20页）.pdf

1、 AI+制药行业发展核心催化剂：开源数据+算法迭代数据：文献数据结构化+开放助力发展，临床数据稀缺定位竞争格局AI 的发展是建立在对海量数据的学习和理解的基础之上，AI 要在新药研发领域发挥巨大作用，首先需要解决相关数据来源问题。AI 新药行业的主要数据源分为三大类：医疗文献数据、药物化学数据、临床试验数据。生物医药文献数据库 PubMed：其中适用于靶点发现环节的医疗文献数据，最权威的数据库是 PubMed。PubMed 是一个免费的搜寻引擎，提供生物医学方面的论文搜寻以及摘要的数据库。它的数据库来源为 MEDLINE。其核心主题为医学，但亦包括其他与医学相关的领域，像是护理学或者其他健康学

2、科，同时也提供对于相关生物医学资讯上相当全面的资源，像是生化学与细胞生物学。据不完全统计，PubMed 包含 3000 万篇中、英双语的学术论文，领域覆盖生物、医学、药学等。从数据的可得性角度看，PubMed 提供了友好的文献检索入口，和结构化的搜索结果展示，但是 PubMed 是摘要数据库，其本身并不提供文献全文服务。对于需要使用 NLP技术对文章进行全文抽取后进行分析的 AI 制药方面应用，显然是远远不够的。不过PunMed 提供两种方式获得文献全文。一是 PubMed 详细信息页面的 Full text links 获取文章全文。二是通过 PubMed 提供的 PMC Full text

3、，这类文章可以直接到 PMC 中去阅读网页版的全文，不过只有部分文献提供此方式获取全文。药物化学数据库 ChEMBL 和 PubChem：其中适用于化合物合成环节的药物化学数据方面，权威的数据库主要有 ChEMBL 和 PubChem。ChEMBL 是一个大型的、开放访问的药物发现数据库，旨在收集药物研究和开发过程中的药物化学数据和知识。有关小分子及其生物活性的信息来自几种核心药物化学期刊的全文文章，并与已批准的药物和临床开发候选药物的数据(如作用机制和治疗适应症)相结合。收录约 200 万化合物，1.3 万余靶点，且完全开放。从数据的可得性的角度看，该数据库支持网页端下载和通过 Python 调用 API 的方式进行获取，提供了多种数据交互方式，获取方式十分友好。且该数据的结构化程度很好，所有相关标签都在独立字段中标注。