01 · 手上的公开数据，够不够开始这项研究？
做 CADD，先弄清数据从哪里来、每个数值代表什么。本节整理人 EGFR（一种参与细胞生长信号的蛋白）的活性记录，核对分子身份，为后续分析准备有来源、可复查的数据。
发什么提示词
新建对话，选择 CADD Workflow Runner。
发送：
研究 EGFR（UniProt P00533，ChEMBL CHEMBL203）的公开活性。请自行从 ChEMBL 获取记录，并用 PubChem 核对分子身份。整理去重后的数据表，画出活性和分子性质分布，说明数据量、字段和质量问题，并给出下一步可直接使用的输出。请在会话中完成检索、计算和作图，注明数据来源与查询时间。
结果出来后，可以追问：
图 1 里 133 个 IC50 不一致的分子，会影响后面哪一步？
读懂结果
ChEMBL 提供活性与实验记录，PubChem 帮助核对分子身份。靶点编号为 UniProt P00533、ChEMBL CHEMBL203。
| 输入 | 本次使用的内容 | 用途 |
|---|---|---|
| ChEMBL27 下载快照 | 7,178 行活性记录，包含分子、实验、测量与单位字段 | 重建原方法的整理过程，保留实验来源。 |
| 原教程小分子表 | 5,568 个小分子及 SMILES、IC50、pIC50 | 保留与后续原教程比较的共同基准。 |
| 带日期的公开查询缓存 | 30 个身份观测、10 个 gefitinib（吉非替尼，已上市的 EGFR 抑制剂）相似性命中及请求日志 | 核对受检分子的身份，理解跨库连接与相似性。 |
1. 两份分子表对得上吗？
图 1｜A：记录整理与去重；B：两份表各有哪些分子；C：共有分子的 IC50 对账。B、C 都按分子计数。
- 这张图看什么： A 是记录整理与去重，B 看两份表各有哪些分子，C 对账共有分子的 IC50；B、C 都按分子计数。
- 看到什么： 从原始快照的 7,178 行中保留 7,113 条 nM 记录，按源顺序每个分子取首行，得到 5,451 个分子。原教程保存的表有 5,568 个分子，两者共有 5,444 个，其中 133 个 IC50 不同；另有 124 个仅在原教程分子表、7 个仅在重建表。这说明重建表没有完全复现原教程表。两份表分别保存，后续采用哪份都注明来源。
补充说明
不一致的原因仍需查询历史与实验记录，不能直接归因于某次测量或软件版本。2. 活性数值和实验条件怎么看？
图 2｜A、B 从两个对数方向观察同一批分子的活性；C 为后续分类练习准备标签。
- 这张图看什么： A、B 从两个对数方向观察同一批分子的活性，C 为后续分类练习准备标签。IC50 是在特定实验中将测定活性抑制一半所需的浓度，越小通常表示效力越强；nM 是纳摩尔/升；
pIC50 = 9 − log10(IC50/nM)：1,000、100、10 nM 分别对应 6、7、8，pIC50 增加 1，IC50 降低十倍。 - 看到什么： 原教程分子表的 pIC50 中位数约 6.70、范围 1.60–11.52；按教学规则 pIC50 ≥ 6.3，得到 3,256 个阳性、2,312 个阴性。原始快照涉及 745 个 assay ID。
补充说明
这个界线不是临床药效标准。原教程表未保留实验字段，不能默认所有值来自可直接比较的条件；同一分子的多次记录也不自动等于同条件重复。3. 结构能解析，就表示完整了吗？
图 3｜A、B 描述这批分子的计算性质；C 提醒后续分析注意化学表示。C 的类别可能重叠，不能相加当作“有问题的分子总数”；多片段不自动等于盐，电荷计数指总形式电荷非零。
- 这张图看什么： A、B 描述这批分子的计算性质，C 提醒后续分析注意化学表示。SMILES 是分子结构的文字写法，InChIKey 是常用于跨库核对结构的编码。
- 看到什么： 5,568 个 SMILES 均可解析，完整 InChIKey 也各不相同。检查发现 167 个多片段分子、4 个总形式电荷非零的分子；759 个分子有已指定的四面体手性中心，526 个分子有潜在但未指定构型的中心。另有 94 组、共 204 行共享 InChIKey 连接层。
补充说明
可解析、编码各不相同，仍不等于完成了实验身份鉴定。这里数的是分子，不是手性中心总数，各类可能重叠；连接层关注原子连接，不等于 Murcko 骨架（保留环系及连接环系的链），不能据此合并不同的立体异构体。4. 跨库核对能外推到所有分子吗？
图 4｜A 为缓存中 30 个分子的身份核对；B 是 gefitinib 相似性检索的 10 个命中，颜色表示能否连接到当前队列；C 为追加在线复核的 12 项。各面板分母不同。
- 这张图看什么： A 是缓存中 30 个分子的身份核对，B 是 gefitinib 相似性检索的 10 个命中（颜色表示能否连接到当前队列），C 是追加在线复核的 12 项；各面板分母不同。
- 看到什么： 本地重算的 InChIKey 与 PubChem 缓存中的 30 个受检分子全部一致；查询日期为 2026-09-11，同日追加核对的 12 项也一致，范围见图 C。以吉非替尼（gefitinib）检索的 10 个命中中，5 个能连回当前 EGFR 队列；图 B 的条长是本地 Morgan 指纹的 Tanimoto 相似度。
补充说明
核对结论只覆盖受检样本：30 个受检分子全部一致，不能外推到全部 5,568 个。条长不能与 PubChem 检索阈值 75 混用。未收录不等于无活性，结构相似也不保证作用于同一靶点。下一步
后续分子分析以原教程的 5,568 个分子为参考；结构分析与筛选另用各节注明的数据。继续第二节：一个分子，怎么变成能分析的数字、字符串和图？，比较分子性质、结构警示、指纹和共同子结构。去之前可以先发一句追问，把数据起点定下来：
两份分子表有 133 个 IC50 不一致，下一步分析该用哪一份、为什么？
下载第一节结果包，解压后先打开 readable-report.html。
| 想检查什么 | 打开哪个文件 |
|---|---|
| 下一步使用的 5,568 个分子 | data/egfr_activity_curated.csv |
| 从原始记录独立重建的分支 | data/egfr_activity_reconstructed_from_raw.csv |
| 两份表的差异 | data/cohort_reconciliation.csv |
| 每列代表什么 | data/dictionary.md |
| 计算怎样执行 | scripts/01_curate_egfr_activity_identity.py |
原始教学内容：原教程 T001、原教程 T011、原教程 T013。
返回指南首页。