PubChem

内容与规模

PubChem 由 NCBI / NLM 于 2004 年启动，聚合 >1000 个数据源。E-utilities 实测（2026-10-15）：化合物 124,717,116，物质 349,884,578，生测 1,886,628；NAR 2025 口径含 2.95 亿条 bioactivities [1][2]。

格式与 license

聚合型数据库，以美国政府作品为主，各来源条款不一，多数可用但需逐源核查。

哪些模型拿它训练或评测

Boltz-2 的亲和力二元标签来自 PubChem HTS 等，连续值则来自 ChEMBL 与 BindingDB，所用版本为 PubChem 1.8.1 [3]。MoLFormer 以 PubChem（约 1.11 亿）加 ZINC-22 一类库构成约 11 亿 SMILES 预训练语料。

已知偏差与泄漏

聚合与自动处理导致量大噪声高，同一化合物跨来源重复；HTS 数据命中率低、假阳性多，标签质量不一。使用时需按来源和 assay 类型过滤，并注意不同版本的化合物计数口径。

来源

1. https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi (E-utilities 实测 2026-10-15)
2. https://doi.org/10.1093/nar/gkae1059 (2026-10-15)
3. https://www.github.com/jwohlwend/boltz (2026-10-15)