📢 読者の皆様へ ※ 現在日本語を勉強中のため、AIツールの補助を受けて作成しています。 (目前日文學習中，內文經 AI 輔助完成。)
◆ 課題：A549細胞のデータが「全滅」する謎
A549抗がん活性モデルの訓練データを構築するため、ChEMBL APIから天然化合物のIC50データを抽出していた際、フィルタリング条件を適用するとA549のデータが「0件」になってしまう問題に直面しました。
💡 【中文摘要】 在為 A549 抗癌模型建立訓練集時，發現套用 API 預設的品質篩選條件後，A549 的數據竟然全部被刷掉（變成 0 筆）。
◆ 原因究明：ドメイン知識による仕様解読
原因を調査した結果、ChEMBLの仕様における重要なロジックを発見しました：
- 通常の品質基準である
confidence_score >= 4は「単一タンパク質標的（Single Protein）」に適用されるもの。 - A549のような「細胞株（Cell-line target）」は、システム上デフォルトで
confidence_score = 1（Non-molecular target）に分類されていた。
つまり、一般的な品質フィルターをそのまま適用すると、細胞レベルの活性データが構造的にすべて除外されてしまう状態でした。
💡 【中文摘要】 經過深入排查發現：
- 一般品質門檻
confidence_score >= 4是針對「單一蛋白標靶」。- A549 等「細胞株」在 ChEMBL 底層預設即被歸類為
confidence_score = 1。 若直接硬套標準篩選，會導致所有細胞層級資料全被誤殺。
◆ 解決策とデータパイプラインの構築
領域知識に基づき、フィルタリングロジックを再設計しました：
- パラメータの最適化：
confidence_score = 1を許容し、代わりにassay_type = 'F'（Functional Assay）で試驗品質を担保。 - クレンジングの自動化：約10万件の天然化合物データベースと、3.8万件の活性データを照合。単位（nM）の標準化や重複・異常値の除外を自動処理。
- 成果：無駄なデータを除外し、4,926件の高品質なA549-IC50訓練データセットの自動抽出に成功しました。
💡 【中文摘要】 解決方案與數據 Pipeline：
- 放寬為
confidence_score = 1，改用assay_type = 'F'保障實驗真實性。- 將 9.8 萬筆天然物資料庫與 3.8 萬筆活性資料進行自動化交集與清洗（單位標準化、排查異常標記）。
- 最終成功萃取出 4,926 筆高品質的 A549-IC50 訓練集。
◆ 学んだこと
データ分析において「自動化スクリプト」を書くこと以上に、「データが生まれる生物学的背景（Domain Knowledge）を理解してパラメータを調整すること」の極めて重要な意義を実感しました！
💡 【中文摘要】 這段經驗讓我體會到：做生醫數據分析，寫程式只是工具，理解數據背後的生物學意義與資料庫底層邏輯才是抓出 Bug、產出高品質數據集的關鍵！
