1. 数据输入与运行版本

检索对象为结构标准化并按完整 InChIKey 去重后的16,890个抗淀粉样候选分子。输入文件为 [anti_amyloid_compounds_standardized.csv](/Users/ymtang/Documents/纤维抑制与细胞毒性/anti_amyloid_search/data/standardized/anti_amyloid_compounds_standardized.csv)，SHA-256为：

bd712f5aa7cf854ea7127096c1f3c6788261aa80349a77decaeb7908732dc191

本次检索使用：

• 检索脚本：search_cytotoxicity.py，版本0.2.0
• 当前脚本SHA-256：45fbaaff8a60105a4565f106dbc215b133e52fad3ad70e0ffa1d8cb6b3c399df
• 分类配置：[cytotoxicity_config.yaml](/Users/ymtang/Documents/纤维抑制与细胞毒性/anti_amyloid_search/cytotoxicity_config.yaml)，版本3
• 配置SHA-256：f137cdf0b3f8b09a7c46432619f8d78fefc1daae891b4b9b8f82b1a2425f79d9
• 检索时间：2026-07-20 03:54:46–05:43:36 UTC，即北京时间11:54:46–13:43:36
• 总运行时间：1小时48分50秒
• 运行状态：complete，无来源级错误

2. 检索数据库与搜索算法

2.1 ChEMBL

首先检索本地ChEMBL 37 SQLite数据库，数据库文件约28 GB。候选分子的standard_compound_key与ChEMBL compound_structures.standard_inchi_key进行完整InChIKey精确匹配，不使用名称或相似性匹配。

仅提取：

standard_value非空
且standard_type包含“50”，或为TGI/GR50

共15,573个候选分子在ChEMBL中获得完整InChIKey结构匹配，1,317个未匹配。经细胞毒性语境分类后，2,733个分子具有A级或B级ChEMBL证据；190个仅有C级生长抑制证据。

2.2 PubChem BioAssay回退

采用missing-or-weak回退策略。以下分子进入PubChem：

• ChEMBL没有纳入记录：13,967个；
• ChEMBL最佳证据仅为C级：190个。

因此共有14,157个分子进入联网回退。

PubChem查询流程为：

1. 以完整InChIKey查询PubChem CID，批量大小50；
2. 以CID查询PUG REST BioAssay assay summary，批量大小5；
3. 对含无BioAssay数据CID而返回404的批次拆分为单CID；
4. 使用CID的RegistryID交叉引用获取DTXSID，批量大小20。

请求速率限制为4次/秒。运行中发生3,530次实际HTTP尝试，其中37次为重试；1,824次请求直接命中本地缓存。

BioAssay获取结果：

2.3 ToxCast/invitrodb

通过PubChem RegistryID将CID映射到DTXSID，再连接EPA invitrodb v4.3 cytotoxicity-burst汇总文件。当前缓存文件SHA-256为：

3bc444f658c80e4ac9a1189f083c0120365b504e10d0aa4e0f07feda294c08dd

该文件内部记录的生成时间为2025-06-02。ToxCast记录只有在满足以下条件时纳入：

cytotoxicity median存在
且命中数 ≥ max(2, ceil(ntested × 0.05))

最终14个分子具有合格的ToxCast cytotoxicity-burst记录；643个分子获得DTXSID但没有满足阈值的定量burst证据。ToxCast值是跨多个burst assay的化合物级汇总，不是特定细胞系的CC₅₀。

3. 细胞毒性证据分类规则

所有端点先标准化，再结合assay description、细胞信息、BAO格式和实验类型分类。

以下记录在阳性分类前优先排除：

• 靶蛋白、受体或酶抑制IC₅₀；
• 无细胞或生化体系；
• 病原体、细菌、真菌或寄生虫生长抑制；
• 抑制凋亡、细胞保护或存活救援；
• 毒素结合、摄取或内化；
• 整体动物/胚胎毒性；
• 0小时暴露；
• 比值、选择性指数或治疗指数。

病原体名称出现在宿主细胞CC₅₀对照实验中时，不自动排除该CC₅₀。

4. 浓度和关系符处理

所有可转换浓度统一为value_uM：

nM → value / 1000
mM → value × 1000
M  → value × 1,000,000
pM → value / 1,000,000
µg/mL或mg/L → value × 1000 / molecular_weight

无法转换的记录进入排除表。关系符被原样保留：

• =：实际报告值；
• ~：近似值；PubChem assay summary因不提供明确关系符统一标记为~；
• <或<=：真实端点低于报告值；
• >或>=：在测试上限仍未达到50%效应，标记为not_reached_at_test_limit。

因此，CC50 > 40 µM不能解释为“CC₅₀等于40 µM”，而表示在40 µM以内未达到50%细胞毒性。

5. 去重规则

纳入记录按以下组合进行同来源去重：

source
source_record_id
standard_compound_key
endpoint_normalized
standard_value

跨ChEMBL和PubChem的潜在重复记录生成cross_source_duplicate_key，但不自动合并。因此39,139表示数据库记录数，并不等于39,139个相互独立的实验或论文。

6. 检索结果

最终获得39,139条纳入记录，覆盖6,372个候选分子；10,518个分子没有获得符合当前规则的定量细胞毒性证据。

按数据库来源

按证据类型

在化合物层面：

IC₅₀结果

共有16,726条标准化IC₅₀记录，涉及1,105个分子：

• 12,323条属于B级细胞存活/毒性证据；
• 4,403条属于C级生长抑制证据；
• 14,698条关系符为=；
• 239条为近似值~；
• 1,596条为>或>=右删失记录；
• 102条为<或<=；
• 91条缺失关系符。

因此，IC₅₀不能整体等同于直接细胞毒性；必须同时使用toxicity_scope、relation和实验语境判断。

完整纳入记录位于 [cytotoxicity_records.csv](/Users/ymtang/Documents/纤维抑制与细胞毒性/anti_amyloid_search/data/cytotoxicity/cytotoxicity_records.csv)。

cytotoxicity_records.csv

7. 排除记录与质量控制

共保留587,629条排除记录用于审计。主要排除原因包括：

排除记录保存在 [excluded_cytotoxicity_records.csv](/Users/ymtang/Documents/纤维抑制与细胞毒性/anti_amyloid_search/data/cytotoxicity/excluded_cytotoxicity_records.csv)，用于检查自动分类是否存在误判，不应直接作为阳性毒性数据。

8. 输出文件及复现用途

核心输出SHA-256为：

cytotoxicity_records.csv
cdf1f26ae86a830fafc8f7f63cccfdc900d61705875fb9ec7a2f6c6f4eeb233e

excluded_cytotoxicity_records.csv
d1ef2b103208aca339ffd89ff0d0fe04dc81e33a6e8265b4ad6674c96b2d5edd

cytotoxicity_compounds.csv
735e5692eef47774a15017bd7555aa1e751ef0aa26b1530ffab06218f1ecf2db

cytotoxicity_coverage.csv
5599c82e6ef0dbf11855ca789355438d53ca7ff2d21bb2bc82ce5413af6e3e5b

9. 复现命令与限制

原始全量搜索命令为：

/opt/anaconda3/bin/python3 search_cytotoxicity.py 
  --sources all 
  --fallback-policy missing-or-weak 
  --progress-interval 15

使用当前缓存重建相同来源快照时应使用：

/opt/anaconda3/bin/python3 search_cytotoxicity.py 
  --sources all 
  --fallback-policy missing-or-weak 
  --offline 
  --progress-interval 15

需要注意：

• PubChem是动态数据库；未来重新联网检索不保证逐行相同，必须保留当前cache/。
• 离线重跑可重建相同来源记录集合，但retrieved_at_utc和运行时间会更新，因此新CSV不一定与当前文件逐字节相同。
• 当前manifest记录了ChEMBL 37路径，但没有记录28 GB ChEMBL数据库文件的SHA-256；严格归档时应补充数据库校验值。
• noncancer_or_unspecified包含“未明确报告细胞类型”的实验，不能全部解释为正常细胞。
• neural_relevance=true也可能包含神经母细胞瘤等肿瘤来源细胞。
• PubChem的~关系符、缺失暴露时间、极端浓度及跨数据库重复记录仍需人工核查后才能用于最终毒性结论。