本数据集为小分子成分与靶点的定量调控关系数据集，系统收录了多种生物活性成分（包括脂质、次级代谢产物、小分子天然产物等）与关键靶点之间的调控关联信息。数据通过标准化定量分析流程构建，记录了不同成分对靶点的调控方向（如上调 / 下调）及调控置信度，可清晰反映成分与靶点之间的调控作用模式及其可信度，为后续的机制研究、药物开发及功能验证提供了结构化、可溯源的基础数据支撑。

本方法基于PubMed文献摘要，通过自然语言处理量化蛋白质与调控关键词的关联置信度（0~100分）。首先，使用SciSpacy模型识别摘要中的蛋白质实体，并对照预置的蛋白质列表进行精确名称标准化；对每个句子，匹配预定义的上调或下调关键词（如“upregulate”“inhibit”）并取其最高权重作为调控强度，同时通过依存句法验证蛋白质与动词的主谓或动宾关系以排除虚假共现，再根据句子在摘要中的位置（结论区权重最高、背景区较低）以及蛋白质名称是否在列表中（精确命中给予奖励）进行加权，形成单条证据的强度值（0~1）与方向。然后，将同一蛋白质的所有证据汇总：统计证据总量与总强度，引入贝叶斯后验概率以平滑小样本影响；证据数量越多则给予数量奖励但收益递减；计算上调与下调总强度的比值作为方向纯度，纯度越高（方向一致）或证据数量充足时置信度越高。最终综合后验概率、数量奖励和纯度调节因子得到百分制置信度，并划分为高至低五个等级，同时输出调控属性（上调/下调）及双向调控标记。整个过程不依赖蛋白质三维结构或深度学习，完全基于文献文本证据的统计推断。

1.药物研发与靶点筛选：可用于快速筛选具有靶点调控活性的天然产物或小分子化合物，为先导化合物发现、作用靶点验证及药物作用机制解析提供数据支撑，助力创新药物的早期研发。 2.疾病机制研究：支撑疾病相关通路的调控网络分析，通过分析成分对关键靶点的调控模式，揭示疾病发生发展的潜在分子机制，为疾病治疗新策略的探索提供方向。 3.功能食品与活性成分开发：为功能性食品、天然活性成分的功效评价提供靶点水平的数据依据，助力具有特定健康功能的活性成分筛选与产品开发。 4.生物信息学分析与模型构建：可作为训练集构建成分 - 靶点调控预测模型，为大规模虚拟筛选、作用网络预测及多组学关联分析提供高质量的定量数据资源。

成分的命名 (lyso)-N-acylphosphatidylethanolamine lipase 1,2-dihydroxy-3-keto-5-methylthiopentene dioxygenase 1,4-alpha-glucan-branching enzyme 1,5-anhydro-D-fructose reductase 1-acyl-sn-glycerol-3-phosphate acyltransferase alpha 1-acyl-sn-glycerol-3-phosphate acyltransferase delta 1-acyl-sn-glycerol-3-phosphate acyltransferase epsilon (+)-2-Carene 0 0 0 0 0 0 0 (+)-3-hydroxylauric acid 0 0 0 0 0 0 0 (+)-4-carene 0 0 0 0 0 0 0 (+)-Afzelechin -20.3 0 0 0 0 0 0 附件下载

本数据集包含一张数据表，表名为“成分-靶点关联表”。该表为二维矩阵结构，行对应成分，列对应靶点，单元格数值为成分与靶点之间的关联置信度得分。表内包含三个字段：字段一为“成分名称”，字符串类型，作为联合主键之一，用于唯一标识化学成分，样例数据如Histidine、Quercetin、Resveratrol等；字段二为“靶点名称”，同为字符串类型及联合主键，用于标识生物靶点标准名称，样例数据如DRD2、SLC6A4、COX2、TYR等；字段三为“关联置信度”，浮点数值类型，用于存储成分与靶点之间的调控关系强度与方向，正值表示上调（激活/促进），负值表示下调（抑制/阻断），取值范围为-100至+100，样例数据如+85、-62、+31等。