SureChEMBL

内容与规模

SureChEMBL 从专利全文中自动抽取化学结构，2014 年迁入 EMBL-EBI 运营。旧口径（2015）约 1,700 万化合物、1,400 万专利文档；当前总量未查到 ⚠️ [1]。2025 年改为仅发布双周批量文件，并启动 AI 注释，把标注扩展到靶点、蛋白和基因 [1][2][3]。

格式与 license

以批量下载文件形式发布；许可条款未核。

哪些模型拿它训练或评测

未核到把 SureChEMBL 作为公开基础模型训练底座的实例。它的价值在专利前沿的化学空间，与文献策展的 ChEMBL 互补；BindingDB 也借助专利策展增长。

已知偏差与泄漏

自动抽取的结构有识别错误和噪声；专利中的化合物常为 Markush 通式或预期化合物，并非都有实测活性；专利披露滞后于实际研发。与 ChEMBL/PubChem 之间存在记录重叠，合并时需去重。

来源

1. https://chembl.gitbook.io/surechembl/downloads (2026-10-15)
2. https://macinchem.org/2025/05/04/surechembl-update/ (2026-10-15)
3. https://www.embl.org/news/science/ai-annotations-increase-patent-data-in-surechembl/ (2026-10-15)