SureChEMBL：专利化学结构数据如何使用

SureChEMBL（EMBL-EBI）用文本挖掘和图像识别技术，从专利文献中自动抽取化学结构，并建立可检索的数据库。药物化学的大量结构信息首先出现在专利而非论文中，这个库让「专利里的化学空间」变得可以程序化分析。

规模与覆盖

内容	量级
抽取的化合物	逾 2,000 万个
专利文献	数百万篇
专利局	USPTO、EPO、WIPO、JPO 等
更新频率	持续更新，通常滞后专利公开数天到数周

结构是怎么抽出来的

• 化学命名识别（NER）：从正文中识别 IUPAC 名称等化学实体，再转成结构。
• 图像识别（OSRA 类技术）：从专利附图中识别化学结构式。
• 标注位置：记录结构出现在标题、摘要、权利要求还是说明书——这个位置信息很关键，出现在权利要求中的结构通常是核心保护对象。

抽取是自动的，因此有错误率。图像识别对复杂结构、手写体、低质量扫描件容易出错；马库什结构（通式）通常只能抽出具体例示化合物，无法完整表达通式覆盖的范围。这是它作为专利工具最重要的局限。

检索方式

# 网页界面支持结构检索、子结构检索、相似性检索、关键词组合

# 数据下载（EBI FTP）
wget -r ftp://ftp.ebi.ac.uk/pub/databases/chembl/SureChEMBL/data/

# 也可通过 ChEMBL 的接口关联查询
# SureChEMBL ID 形如 SCHEMBL1234567

# 典型分析：某骨架在专利中的时间趋势
import pandas as pd

# 从下载的数据中筛出含目标骨架的化合物及其专利信息
hits = search_substructure(scaffold_smarts="c1ccc2[nH]ccc2c1")
df = pd.DataFrame(hits)

# 按年份和申请人统计，看竞争态势
trend = df.groupby([df["pub_date"].dt.year, "applicant"]).size()
print(trend.unstack().fillna(0).tail(10))

实际用途

• 竞品化学空间追踪：搜自家骨架，看有哪些公司在同一化学空间布局、时间线如何。这是最主要的用途。
• 新颖性初步自查：设计出一个新分子后，先搜一遍是否已被专利例示。注意这只是初筛，不能替代正式的专利检索。
• 骨架跃迁的灵感来源：看同一靶点的专利里出现过哪些不同骨架，理解可行的化学空间。
• 补充训练数据：专利中的化合物往往比论文更接近真实的药物化学优化路径，可作为生成模型或活性模型的补充数据（但活性数据通常不在其中）。
• 技术趋势分析：结合申请人、时间、靶点，分析某个领域的研发热度变化。

作为专利工具的能力边界

这一点必须讲清楚，避免误用：

• 不能替代专业专利检索：马库什通式的覆盖范围、权利要求的法律解释、同族专利、法律状态——这些 SureChEMBL 都不处理。任何涉及自由实施（FTO）或专利性判断的结论，必须由专利律师用专业数据库（如 CAS SciFinder、Derwent）完成。
• 召回率不完整：自动抽取会漏掉一部分结构，「搜不到」不等于「没有被专利覆盖」。
• 不含活性数据：专利中的活性数据通常以表格或范围形式给出，SureChEMBL 不做结构化抽取。
• 准确性需抽检：重要结论前应回查原始专利文本确认。

延伸资源

• 关联数据库：226《ChEMBL》、227《PubChem》；
• 骨架与化学空间概念见「分子表示」模块；
• 专利与决策见「决策与监管」模块。