SureChEMBL 2026 版发布：专利文献化学与生物医学注释开放数据库完成重构
SureChEMBL in 2026: an open database of chemical and biomedical annotations from the patent literature
SureChEMBL 发布 2026 版重大重构，在原有专利化学信息自动抽取的基础上新增基因、蛋白、疾病和机制等生物医学注释，把专利化学与生物语境关联起来。新版采用现代架构，重新设计了抽取、化学注册、检索和数据交付流程，并用统一标准化流程对历史语料做了大规模重处理。数据库目前收录 1.22 亿件专利、4400 万份带化学注释的文档、3100 万个化学结构和 100 万条生物医学实体注释，可通过网站、API 和 Bulk Data 下载获取。作者指出专利文献体量大、语言与格式异构、化学结构常不可机读，是规模化分析的主要障碍。
来源：Nucleic Acids Research · doi.org
数据库重构后新增基因、蛋白、疾病与机制注释，把专利化学信息与生物语境连起来，做药物发现数据挖掘的读者可据此判断是否迁移。
专利文献是药物发现领域科学与技术信息的重要来源，常常在科学文献发表之前就公开了化学结构、生物靶点、治疗适应症和构效关系。然而，专利文件难以大规模分析，原因在于其体量庞大、法律与技术语言复杂、格式异构，并且化学结构常以非机器可读的形式表示。自2015年以来，SureChEMBL一直提供从专利文件中自动提取的化学信息的开放获取。在此，我们介绍SureChEMBL资源的一次重大重新设计。更新后的平台基于现代架构构建，包括重新设计的提取、化学注册、检索和数据交付工作流，并通过统一标准化流程对历史语料进行大规模重新处理。SureChEMBL还引入了针对基因、蛋白质、疾病和机制的自动生成的生物医学注释，将专利化学与生物学背景关联起来。该资源目前包含1.22亿件专利、4400万份化学注释文档、3100万个化学结构和100万条生物医学实体注释，可通过 https://www.surechembl.org/、API 和可下载的 Bulk Data 访问。