Module 01 — EGFR 活性与分子身份：一个可靠的研究起点

数据：TeachOpenCADD T001（Volkamer Lab，固定提交 4efdbd36723b5d07960142e15df393d7c6df2ba1） 靶点：人 EGFR（UniProt P00533，ChEMBL CHEMBL203，基因 EGFR） 生成时间：2026-09-11T16:37:42Z（复核修正后重生成）　脚本：scripts/01_curate_egfr_activity_identity.py 本版说明：已按 CADD skill 的 public-data 方法说明逐项复核来源推断、化学身份表述、教程编号与图注，修正处见第 11 节。

一句话结论

我们建立了一个 5568 个带 EGFR IC50 测量记录的分子 的研究起点：活性值、结构身份、描述符都经过核对并保存成可复用表。 两件事必须分清：

• 已观察到的事实：把 T001 文档化的整理规则套在这份原始快照上，重建不出冻结教学队列（分子集与数值都对不齐）。
• 尚未证明的原因：因此不能断定两者是"不同的下载/版本"——本模块没有元数据能指认历史成因。

而"有 IC50 记录"不等于"已确证是 EGFR 抑制剂"：本队列的 pIC50 覆盖 1.60–11.52，弱的那些（IC50 到 25 mM）本就说明并非每个成员都是有效抑制剂。

1. 输入说明了什么：一行活性到底代表什么

TeachOpenCADD T001 的数据包里有两类文件，角色不同：

原始快照本身已是筛选后的结果：7178 条记录全部满足 target=CHEMBL203、type=IC50、relation== '='、assay_type='B'。因此 T001 的这几个"过滤器"在这份快照里没有再删除任何一行。

真正被单位条件删掉的是 65 条非 nM 记录，构成为：58 条 µg/mL + 6 条 /µM + 1 条单位缺失（standard_units 为 NaN）。

一个关键但易被忽略的语义：IC50 是依赖实验条件的量。这份快照来自 745 个不同实验，描述里包含野生型 EGFR、L858R 突变、L858R/T790M 双突变、以及 A431 细胞等完全不同的条件。而冻结教学队列把 assay_chembl_id 丢掉了。所以冻结队列里的 IC50 是"某一次实验条件下的一个数"，不同分子的数值不可当作同一条件下的可比测量。

原始快照里没有任何 >、< 这类删失关系（relation 全为 =），因此本数据不存在需要保留的删失边界。

2. 关键选择 A：从 IC50 得到 pIC50

把 nM 的 IC50 转成对数尺度：

pIC50 = 9 − log10(IC50 / nM)

对数尺度让"1 个单位 = 10 倍"：pIC50 相差 1，活性相差 10 倍。5568 个分子的 IC50 从 0.003 nM 到 25 000 000 nM，跨越 9.92 个数量级——这正是必须用对数的原因。

教程编号更正：本报告保留的 pIC50 ≥ 6.3 阈值，其来源是下游 T007/T027 的分类基准，不是 T001（T001 只做 ChEMBL 查询与整理）。它对应 IC50 ≤ 501 nM，是一个来源定义的标签口径，不是通用生物学分界。按它对本次队列做平衡：≥6.3 有 3256 个（58.5%），<6.3 有 2312 个（41.5%）。

3. 关键选择 B：两条分支，以及"能排除什么、不能证明什么"

按 T001 文档化的规则，我从原始快照重建了一条"整理分支"：

7178 条原始记录
 → 7178  (type=IC50)
 → 7178  (relation '=')
 → 7178  (assay_type B)
 → 7113  (standard_units = nM)          ← 唯一一次真正的剔除（65 条非 nM）
 → 7113  (standard_value 数值非空)       ← 无剔除
 → 5451  (每分子取源顺序第一条)

把重建分支与冻结队列按分子 ID 对齐：

3.1 我们对那 133 个"数值不同"的分子做了什么检验

方法说明要求："在原始记录里找不到该值"只能排除"选了那一条记录"，不能排除 median / mean 这类可能落在观测值之间的聚合——必须逐一实测。 因此我直接检验了被点名的记录级规则（结果见 data/aggregation_rule_tests.csv）：

另有一个更强的结构性事实：133 个里有 122 个分子在原始文件中只有 1 条记录。对它们而言，任何"从记录里挑选或聚合"的规则都只能得到那一个值，所以这些差异从定义上就不可能由文件内规则产生。

3.2 结论（严格区分事实与成因）

• 已确立（测量层面）：文档化的重建不能复现冻结文件——124 个分子在这份快照里根本没有，且 132/133 个共享分子的数值差异无法用被测的记录级规则解释（唯一例外 CHEMBL3608429：冻结 7 nM、重建 178 nM，两者都能在该分子的 4 条记录里找到）。
• 未确立（成因层面）：不能据此推断两者是"不同的数据下载 / 不同版本 / 父子关系"。可能的成因包括不同版本、不同查询条件、后处理修正、或尚未测试的其它聚合口径，本模块无法唯一指认。

因此处理方式是：保留冻结队列作为主交付表（教学基准与标签在它身上），把重建分支单独保存并标注，并把实测差异与未决成因分开记录。

4. 关键选择 C：分子身份怎么定义，以及"没有 @ 不等于没有手性"

身份核对用 InChIKey（分子身份的国际标准哈希），而不是字符串比较 SMILES：

• 5568 个分子 → 5568 个唯一完整 InChIKey：队列内没有完全重复的身份。

• 只有 5458 个唯一连通性块（InChIKey 前 14 位）：有 110 行与别人共享连通性，构成 94 个小组、共 204 行。典型例子是连通性相同的 4 个立体异构体（CHEMBL517123 / CHEMBL466412 / CHEMBL466175 / CHEMBL466615，块同为 YEIAMNOHYKXSFB），它们的完整 InChIKey 各不相同，是被分别测量的不同立体化学状态，下游建模时要意识到这种"近重复"。

  措辞更正：connectivity_block 只表示连通性相同，不是"骨架"（Murcko scaffold），也不是去盐母体——后两者都需要额外的、明示的变换。共享一种表示也不等于实验重复。

• 167 个多片段分子与 4 个净电荷非零的分子：SMILES 未被去盐或中性化，保留了原始化学状态。

  措辞更正：多片段可能是盐，也可能是其它非连通组分；只数片段并不能判定它是盐。同样，is_charged 统计的是净形式电荷非零的分子，不等于"含带电原子的分子"。

关于手性，必须小心一个常见误判：SMILES 里没有 @ 不等于这个分子没有手性（它可能本来就无手性中心）。

• 759 个分子有已明确指定的四面体手性中心；
• 526 个分子含有有潜在手性但构型未指定的中心（这是不确定性来源，不是"没有手性"）。

5. 公开数据库核对：查了什么、什么时候查的

5.1 复用的历史缓存（不必重新请求）

public-query-cache/PROVENANCE.json 记录：查询时间 2026-09-11T15:33:30Z – 15:37:02Z（UTC），76 个 HTTP 请求全部 200，来源为 UniProt REST、ChEMBL REST、PubChem PUG REST。样本是"pIC50 最高的 8 个 + 最低的 8 个 + 随机 12 个（seed 42）+ 吉非替尼/厄洛替尼"去重后的 30 个分子——它不是全队列的随机抽检。

把这些历史观测与本地 RDKit 计算逐条对账（属于"复核旧观测"，不是新的在线验证）：

5.2 一次性小样本在线复核（当前状态）

为确认"缓存放今天是否仍成立"，做了一次小样本在线复核：2026-09-11T16:20:57Z – 16:22:10Z（UTC），24 个请求全部 200。

• 靶点 P00533 / CHEMBL203：1/1 一致
• 10 个分子的 ChEMBL 与 PubChem InChIKey vs 本地：10/10 一致
• 相似性重查：返回的 10 个 CID、名称与顺序与缓存完全相同

合计 12/12 一致。这只说明受检样本的观测与查询可复用，不能外推为整个队列已通过审计。

5.3 相似性观测怎么读（这里最容易过度解读）

gefitinib（CHEMBL939，CID 123631）的 top10 命中中，有 5 个在冻结队列里（厄洛替尼、拉帕替尼、凡德他尼、吉非替尼、博舒替尼），5 个不在（阿夫唑嗪、哌唑嗪、多沙唑嗪、特拉唑嗪、曲美沙特）。

已修正的错误表述：此前的报告写过"这 5 个靶点不同、环系也不同"。环系核对（data/pubchem_similarity_crosscheck.csv）显示这是错的：

• 10 个命中里有 9 个含喹唑啉双环——包括那 5 个"队列外"的命中。它们出现在相似性结果里，正是因为与 gefitinib 共享这个环系。
• 唯一的例外是博舒替尼：它在队列内，却不含喹唑啉（属于喹啉类）。

由此得到本节真正想教的结论，且只陈述被证据支持的部分：

1. 共享片段 ≠ 共享靶点：5 个队列外命中与 gefitinib 共享喹唑啉，但在这张 EGFR 表里没有它们的记录；而队列内的博舒替尼反而不含喹唑啉。
2. "不在队列里"不等于"不作用于 EGFR"：队列归属只反映这份表里有没有它的 IC50 记录，不能用来判断它有没有 EGFR 活性或临床适应症。因此本报告不主张这 5 个化合物的具体靶点类别（本次尝试用公开来源核对它们药理分类未返回有效内容，故不作为结论采用）。
3. 两个阈值不可互换：图上横轴是本地重算的 Morgan(r=2) Tanimoto，而 PubChem 的 Threshold=75 用的是 PubChem 自己的指纹——两者不是同一个量，所以 75 这条线不能画在 Morgan 轴上。

6. 组图解读

四张图按"问题 → 证据"组织，每张图旁边都有同名 .csv 存放画图背后的真实数据。

图 1｜队列概览：活性长什么样

• A pIC50 分布（中位数 6.70，范围 1.60–11.52），红线标出 6.3；B log10(IC50) 分布，明确写出跨越 9.92 个数量级；C 分类标签的类别平衡（3256 / 2312）。
• 局限：A/B 只描述本队列；C 的 6.3 是 T007/T027 下游口径，不是普遍活性分界。

图 2｜两条分支的重建与对账

• A 重建分支的整理漏斗（7178 → 7113 → 5451）；B 交集：5444 共有，124 仅冻结、7 仅重建；C 共有分子里 5311 数值一致、133 不同。
• 局限（已收紧）：本图只说明文档化重建不能复现冻结文件。它不证明两者是不同下载/版本——历史成因未定，且 C 面板的 133 个差异中，有 122 个分子在原始文件里只有 1 条记录、其余经直接检验也未被 first/last/min/max/median/mean/gmean/log-median 解释。

图 3｜化学空间与身份/表示标志

• A 分子量分布（主峰约 300–500 Da）；B 分子量 vs cLogP（颜色 = pIC50，虚线在 cLogP=5）；C 表示标志柱（多片段 167、净电荷非零 4、已指定立体 759、潜在未指定立体 526、共享连通性 204）。
• 局限：cLogP/TPSA/MW 均为计算值；B 的 cLogP=5 只是常见启发式参考线，不是活性分界；C 的多片段计数不能判定盐，且五个标志互不排斥（相加大于分子数，不是构成占比）。

图 4｜公开身份核对与相似性观测

• A 缓存身份核对：30/30 完整 InChIKey 一致；B gefitinib 相似命中 top10（绿 = 在 EGFR 队列内），条长是本地 Morgan Tanimoto，并标注 9/10 含喹唑啉环（博舒替尼为喹啉类）；C 当前在线复核 12/12 一致。
• 局限：A 只覆盖受检的 30 个分子；B 的横轴与 PubChem 阈值不是同一指纹；绿色只编码"在队列内"，不代表化学类别或相似度高低。

7. 局限清单（务必随数据一起传递）

1. 活性不可跨实验直接比较：数据来自 745 个实验，冻结队列又丢弃了实验 ID 与描述；pIC50 只能作为"某次测量"的记录。
2. 两条分支关系未定：重建不能复现冻结队列是已测事实；但"不同下载/版本"是未证成因。124 / 7 个分子只存在于单一分支，133 个共享分子数值不同且 132 个无法用被测记录级规则解释。不要把两条分支结果混在一张表里统计。
3. 有记录 ≠ 已验证抑制剂：进入队列只表示"该表里有它的 EGFR IC50 记录"，不证明其活性、选择性或成药性。
4. 手性不完整：526 个分子存在潜在但未指定的手性中心，会影响基于 3D 的后续步骤。
5. 表示未标准化：保留了 167 个多片段分子与 4 个净电荷非零分子，未做去盐/中性化/互变异构枚举；多片段不必然是盐。
6. 公开核对是范围结论：缓存 76 次 + 在线 24 次请求都在样本上成立，不等于全队列审计；且"队列外"只说明该表无记录，不说明无活性。
7. 相似性命中 ≠ 同一靶点：环系核对显示 9/10 命中共享喹唑啉，但队列内外的划分与环系并不一一对应（博舒替尼即反例）。

8. 保存了什么，怎么复用

module-01/
├─ REPORT.md                      ← 本文
├─ data/
│   ├─ egfr_activity_curated.csv          ← 主交付表（5568 分子 + 身份 + 描述符 + 标签）
│   ├─ egfr_activity_reconstructed_from_raw.csv  ← 重建分支（单独标注）
│   ├─ cohort_reconciliation.csv          ← 两分支逐分子对账
│   ├─ reconciliation_mismatch_diagnosis.csv  ← 133 个数值不同的逐分子诊断
│   ├─ aggregation_rule_tests.csv         ← 被点名的记录级规则逐一实测结果
│   ├─ pubchem_identity_crosscheck.csv    ← 30 条身份核对
│   ├─ pubchem_similarity_crosscheck.csv  ← gefitinib 相似性核对（含环系核对列）
│   ├─ raw_assay_source_mix.csv           ← 原始快照的实验来源结构
│   ├─ curation_funnel_reconstructed.csv  ← 整理漏斗
│   ├─ input_inventory.csv                ← 输入 SHA256 清单
│   ├─ live_identity_check.csv            ← 在线复核结果
│   └─ dictionary.md                      ← 数据字典
├─ figures/                       ← 4 张组图 PNG + 每张同名 sidecar CSV
├─ report/
│   ├─ summary.json               ← 机器可读汇总
│   └─ api_verification_log.csv   ← 在线请求日志（URL/状态/耗时/时间）
└─ scripts/
    └─ 01_curate_egfr_activity_identity.py   ← 可复用脚本

复现（可离线；--live-check 才联网）：

python scripts/01_curate_egfr_activity_identity.py \
    --input-root <data/cadd-tutorial-inputs> \
    --out        <module-01>

9. 下一步可以做什么

• 建模主表就用 egfr_activity_curated.csv：smiles/canonical_smiles 供描述符与指纹，pIC50 供回归，activity_class_pIC50_ge_6.3 供分类（阈值来源是 T007/T027）。
• 建模前先处理"近重复"：94 个连通性小组（尤其立体异构体）若不做分组切分，会高估模型泛化能力。
• 需要实验条件时回到重建分支：它保留了 assay_chembl_id / assay_description，可做"同一实验内"子集或条件分层。
• 结构侧：结构复合物材料来自 T008（PDB 查询）及相关章节（此前误写为 T013；T013 是 PubChem 查询，见方法说明）。本模块不涉及结构分析。

10. 溯源与许可

• TeachOpenCADD：Volkamer Lab 及章节作者，CC BY 4.0。
• ChEMBL 数据保留 CC BY-SA 3.0 条款与来源标识；PubChem 数据来源见 NCBI 政策。课程材料的许可不替代底层数据条款。

11. 本次复核修正记录

按 public-data 方法说明复核后，修正如下：