Datos externos
Procedencia, licencias y advertencias de los datos descargados
Los datos autoritativos del proyecto son los de
profesora/, entregados por la Dra. Martínez el 2026-09-25 con sus diccionarios de columnas. Lo que sigue son las descargas que hicimos antes, que quedan como referencia de procedencia y como fuente del único conjunto que ella no incluyó: la validación externa. Su archivo de permeabilidad ya trae la regresión unida a la clasificación. Qué contiene cada archivo y qué defectos tiene: contenido de los datos.
Descargados el 2026-09-24 con python src/data_prep/download_data.py. Ese script fija el commit de origen y reporta los SHA-256, así que la descarga es reproducible.
Los archivos ligeros están versionados en el repo. Los pesados están en .gitignore y se traen con --extended.
B3DB — permeabilidad de la barrera hematoencefálica (etapa 1)
Fuente: github.com/theochem/B3DB, commit 75dab1cc607bb7a03f3de5c576cffd223e767844 (2025-09-10). Licencia de los datos: CC0 (dominio público). Por eso se pueden versionar aquí. Cita: (Meng et al., 2021) en docs/referencias/bibliografia.bib.
| Archivo | Filas | Contenido |
|---|---|---|
B3DB_classification.tsv |
7,807 | Conjunto principal con etiquetas BBB+/BBB− |
B3DB_classification_external.tsv |
175 | Compuestos agregados en agosto de 2025 |
B3DB_regression.tsv |
1,058 | Subconjunto con logBB numérico |
B3DB_classification_extended.tsv.gz |
7,807 | Igual que el principal, más descriptores mordred precalculados (68 MB) |
B3DB_regression_extended.tsv.gz |
1,058 | Igual, con descriptores (8.7 MB) |
Composición verificada del conjunto principal
Los conteos se midieron sobre el archivo descargado, no se tomaron del paper:
- 4,956 BBB+ (63.5%) contra 2,851 BBB− (36.5%).
- 1,058 compuestos con logBB numérico.
- Cero SMILES faltantes.
- Columnas:
NO., compound_name, IUPAC_name, SMILES, CID, logBB, BBB+/BBB-, Inchi, threshold, reference, group, comments.
Las categorías A–D (columna group) no son una escala de confiabilidad y no se usan para filtrar. El grupo D, por ejemplo, tiene más referencias que el C, no etiquetas contradictorias, y quedarse con A+B baja la clase BBB− del 36.5% al 27.0%. La evidencia está en el contenido de los datos.
Aclaración sobre el conteo: 7,807 contra 7,982
El README de B3DB dice que el conjunto tiene 7,982 compuestos, mientras que el archivo principal tiene 7,807. No es una discrepancia de versión. Los 175 compuestos agregados en agosto de 2025 (171 BBB+ y 4 BBB−) están en un archivo aparte, B3DB_classification_external.tsv, y no se fusionaron al principal. 7,807 + 175 = 7,982.
Cuidado al concatenar: hay 11 compuestos que aparecen en ambos archivos (coincidencia exacta por InChI). Si se unen sin deduplicar, quedan 11 duplicados. El archivo externo tiene las mismas columnas que el principal.
Spielvogel et al. 2025 — validación externa
Fuente: OSF, proyecto cvhe9, archivo BBB penetration database.csv. Licencia: CC BY 4.0 — requiere atribución al reutilizarse. Cita: (Spielvogel et al., 2025).
154 compuestos marcados radiactivamente y evaluados in vivo. Su valor está en que no fuerza una etiqueta binaria: separa los sustratos de eflujo como clase propia, que es justo la ambigüedad por concentración que señalaron los asesores.
| Clase | Compuestos |
|---|---|
| positive | 68 |
| efflux | 44 |
| negative | 42 |
Limitación importante, verificada sobre el archivo: no trae columna de SMILES ni de InChI. Son 26 columnas con el nombre del compuesto y 25 descriptores precalculados (MW, PSA, HBD, HBA, logP, logD, CNS MPO score, BBB score, entre otros).
Para usarlo con un pipeline basado en SMILES hay que resolver los 154 nombres a estructura, por ejemplo vía PubChem. La resolución por nombre es propensa a errores con entradas como
Fluoroethyl-CarfentanilhydrochlorideoSCH-23388hydrochloride, así que conviene revisar a mano los que no resuelvan de forma limpia.El separador del CSV es punto y coma, no coma.
Licencias
| Fuente | Para qué se usa | Licencia | Implicación |
|---|---|---|---|
| B3DB | Etapa 1 (permeabilidad) | CC0 | Sin restricción |
| COCONUT | Identificar productos naturales | CC0 | Sin restricción |
| ChEMBL | Etapa 2 (actividad) | CC BY-SA 3.0 | Requiere atribución; las obras derivadas comparten licencia |
| NPASS | Etapa 2, productos naturales | CC BY-NC 4.0 | No comercial. Permite uso y redistribución académica con atribución |
| CMAUP | Etapa 2, plantas medicinales | CC BY (del artículo) | Términos de la base sin confirmar |
| Spielvogel et al. 2025 | Validación externa | CC BY 4.0 | Requiere atribución |
Un proyecto académico cumple con todas. Solo NPASS exigiría revisión si el proyecto tuviera continuidad comercial; es una pregunta para la patrocinadora.
Pendientes de descarga
No están aquí todavía. Ver docs/referencias/05-fuentes-de-datos.md.
- ChEMBL 37 (dump SQLite, vía FTP de EBI) — necesario para la etapa 2. Es pesado; conviene bajarlo en segundo plano.
- COCONUT 2.0 (CC0, CSV de ~191 MB) — amplía el universo de productos naturales. Falta verificar si trae datos de actividad o solo estructuras.
- LOTUS (CC BY 4.0, volcado de Zenodo, ~290 MB) — aporta la taxonomía organismo-compuesto.
- NPASS v3.0 (CC BY-NC, no comercial) y CMAUP 2.0 — actividad de productos naturales.