BindingDB：蛋白-配体结合数据怎么用

BindingDB 是专注蛋白-小分子结合亲和力的公开数据库。相比 ChEMBL 覆盖各类生物活性，BindingDB 更聚焦于可测量的结合常数（Ki、Kd、IC50、EC50），并且特别注重与结构数据的关联——很多条目能直接对应到 PDB 结构，这是它做结构-活性联合建模时的独特价值。

规模与特点

内容	量级
结合数据点	约 300 万条
化合物	约 120 万个
蛋白靶点	约 9,500 个
可关联 PDB 结构的条目	数万条

数据来自文献人工提取、专利，以及从 ChEMBL、PubChem 等库整合。与 ChEMBL 有相当大的重叠——两者一起用时必须去重，否则会造成数据泄漏。

获取方式

# 全量下载（TSV，压缩后约几百 MB）
wget https://www.bindingdb.org/bind/downloads/BindingDB_All_202X.tsv.zip

# 按 UniProt ID 取子集
curl "https://bindingdb.org/axis2/services/BDBService/getLigandsByUniprots?\
uniprot=P00533&code=0&response=application/json"

import pandas as pd

cols = ["Ligand SMILES", "Target Name Assigned by Curator or DataSource",
        "UniProt (SwissProt) Primary ID of Target Chain",
        "Ki (nM)", "IC50 (nM)", "Kd (nM)", "EC50 (nM)",
        "PDB ID(s) of Target Chain", "Curation/DataSource",
        "Temperature (C)", "pH"]
df = pd.read_csv("BindingDB_All.tsv", sep="\t", usecols=cols,
                 low_memory=False, on_bad_lines="skip")

建模前的清洗

• 处理不等号：数值列里带 >、< 前缀的是删失数据（如 >10000），读进来是字符串。必须显式处理：

  def parse_affinity(v):
      if pd.isna(v):
          return None, None
      s = str(v).strip()
      if s.startswith(">") or s.startswith("<"):
          return float(s[1:]), s[0]      # 值 + 关系，删失数据单独标记
      return float(s), "="

• 不要混用 Ki / Kd / IC50：Ki 和 Kd 是热力学结合常数，IC50 依赖测定条件（底物浓度、酶浓度）。把三者当同一个量训练是常见错误。要么分开建模，要么只用其中一种。
• 换算成 p 值：统一转成 pKi = −log10(Ki[M])，让分布更接近正态，也便于跨数量级比较。
• 与 ChEMBL 去重：两库重叠严重。合并时按「标准化 SMILES + UniProt ID」去重，否则同一条数据可能同时落在训练集和测试集。
• 记录实验条件：温度和 pH 列虽然常缺失，但有值时应保留——不同条件下的结合常数不完全可比。

它的独特价值：结构-活性配对

BindingDB 的 PDB ID(s) 列让你能直接构建「复合物结构 + 实测亲和力」的配对数据集，这正是训练打分函数和结合亲和力预测模型所需要的。

# 筛出有 PDB 关联且有精确 Kd 的条目
mask = df["PDB ID(s) of Target Chain"].notna() & df["Kd (nM)"].notna()
structural = df[mask].copy()
print(f"可用于结构-活性建模的条目：{len(structural)}")

不过要注意，PDB 关联是按靶点链给的，不保证那个 PDB 结构里就结合着这个配体。要构建严格的复合物-亲和力数据集，PDBbind（见 238《PDBbind》）更直接。

许可

BindingDB 数据可免费下载用于学术研究；商业使用前应核对当前的使用条款。它整合了多个来源的数据，不同来源可能带有各自的许可要求。

延伸资源

• 对照数据源：226《ChEMBL》、227《PubChem》、238《PDBbind》；
• DTI 建模：178《DeepPurpose》、246《TDC DTI Group》；
• 结构数据：236《PDB》、237《RCSB PDB》。