综述：化学信息学中的数据 curation（数据整理与筛选）：重要性及实施方法

《Journal of Cheminformatics》：Data curation in cheminformatics: importance and implementation

化学信息学中数据整理至关重要，需同时处理结构标准化（如盐处理、异构体校正）和实验条件规范化（如检测方法、报告标准），以提升QSAR模型等计算的准确性和可重复性。

　　

摘要

数据管理是化学信息学和计算药物发现中一个基础但常常被忽视的方面。如今，大量的公共和私有数据库提供了大量的化学结构、物理化学性质、吸收、分布、代谢、排泄和毒性（ADMET）以及生物活性数据。然而，这些资源中存在结构不一致性、注释错误以及实验条件多样性，这些都可能限制模型的性能和可重复性。这篇叙述性综述总结了为什么以及如何在将数据用于化学信息学工作流程之前对其进行管理。我们将化学数据管理分为两个互补的支柱：结构管理和实验条件管理。在结构管理方面，我们回顾了现有的标准化和定量结构-活性关系（QSAR）准备就绪的工作流程，包括处理盐类和混合物、父子结构关系、芳香化反应、异构体处理、立体化学验证以及带有冲突解决的重复检测方法。在实验条件管理方面，我们总结了检测方案、测量方法和报告实践在物理化学性质、ADMET终点以及生物活性数据中引入的显著不确定性和偏差，并概述了从文献和公共数据库中构建考虑实验条件的数据集的实际策略。通过多个案例研究，我们展示了经过管理的结构-条件对比原始未过滤的数据集能够产生更准确、更稳健、更具可重复性的模型。我们没有引入新的预测方法或进行正式的统计元分析，而是提供了关于化学信息学数据管理的当前最佳实践、工具和决策点的结构化叙述性综合。这篇综述为构建可靠的化学信息学模型所需的结构管理和实验条件管理提供了实用的、基于证据的指导。

科学贡献：本文没有引入新的算法，而是提供了关于化学信息学中数据管理的实践导向、结构化的综合概述。我们（i）提出了一个双支柱框架，将结构管理和实验条件管理视为化学信息学工作流程中同等重要的组成部分；（ii）将分散的最佳实践整合为具体的工作流程、检查表和决策图，用于构建“QSAR准备就绪”且考虑实验条件的数据集；（iii）通过具体案例研究证明了严格的数据管理能够显著提高预测性能和可重复性。我们还指出了数据管理在扩展和自动化方面面临的挑战和研究方向，包括使用工作流技术和大型语言模型，以及为实验条件元数据建立社区标准。

图形摘要

数据管理是化学信息学和计算药物发现中一个基础但常常被忽视的方面。如今，大量的公共和私有数据库提供了大量的化学结构、物理化学性质、吸收、分布、代谢、排泄和毒性（ADMET）以及生物活性数据。然而，这些资源中存在结构不一致性、注释错误以及实验条件多样性，这些都可能限制模型的性能和可重复性。这篇叙述性综述总结了为什么以及如何在将数据用于化学信息学工作流程之前对其进行管理。我们将化学数据管理分为两个互补的支柱：结构管理和实验条件管理。在结构管理方面，我们回顾了现有的标准化和定量结构-活性关系（QSAR）准备就绪的工作流程，包括处理盐类和混合物、父子结构关系、芳香化反应、异构体处理、立体化学验证以及带有冲突解决的重复检测方法。在实验条件管理方面，我们总结了检测方案、测量方法和报告实践在物理化学性质、ADMET终点以及生物活性数据中引入的显著不确定性和偏差，并概述了从文献和公共数据库中构建考虑实验条件的数据集的实际策略。通过多个案例研究，我们展示了经过管理的结构-条件对比原始未过滤的数据集能够产生更准确、更稳健、更具可重复性的模型。我们没有引入新的预测方法或进行正式的统计元分析，而是提供了关于化学信息学数据管理的当前最佳实践、工具和决策点的结构化叙述性综合。这篇综述为构建可靠的化学信息学模型所需的结构管理和实验条件管理提供了实用的、基于证据的指导。

科学贡献：本文没有引入新的算法，而是提供了关于化学信息学中数据管理的实践导向、结构化的综合概述。我们（i）提出了一个双支柱框架，将结构管理和实验条件管理视为化学信息学工作流程中同等重要的组成部分；（ii）将分散的最佳实践整合为具体的工作流程、检查表和决策图，用于构建“QSAR准备就绪”且考虑实验条件的数据集；（iii）通过具体案例研究证明了严格的数据管理能够显著提高预测性能和可重复性。我们还指出了数据管理在扩展和自动化方面面临的挑战和研究方向，包括使用工作流技术和大型语言模型，以及为实验条件元数据建立社区标准。

图形摘要