[ blog · tutorial ]11 min read

Menyambungkan ClinicalTrials.gov v2 + openFDA + ChEMBL ke dalam satu endpoint intelijen obat berlisensi bersih

Sarah Choy·Diterbitkan 3 Mei 2026·11 menit baca

R&D farmasi, startup AI medis, dan tim farmakovigilans menginginkan hal yang sama: satu endpoint yang menarik uji klinis, label, kejadian merugikan, dan bioaktivitas secara berlisensi bersih. Inilah arsitektur yang berfungsi, lengkap dengan jebakan yang mengejutkan tim di produksi.

TL;DR

• •ClinicalTrials.gov v2 (REST + JSON) menggantikan v1 lama pada 2024 — skemanya lebih bersih, tetapi paginasi, field opsional, dan pergeseran historis mengejutkan integrator baru.
• •openFDA mencakup label obat (SPL), laporan kejadian merugikan FAERS, dan data penarikan, gratis; dibatasi 240 req/menit tanpa autentikasi, 120k/hari dengan key.
• •ChEMBL memberi Anda bioaktivitas (IC50, Ki, Kd, EC50), target, dan asai — dimensi struktural / mekanistik yang tidak dimiliki database lain.
• •Lisensi komersial DrugBank adalah jebakannya: penggunaan akademik diizinkan; produk apa pun, bahkan SaaS kecil, masuk dalam ketentuan lisensi komersial yang tidak dibaca kebanyakan builder sampai mereka menerima surat peringatan.
• •API Pick Clinical Search membungkus ClinicalTrials, openFDA, ChEMBL, dan farmakologi DrugBank dalam satu endpoint POST — 30 kredit per panggilan, berlisensi bersih, hanya saat sukses.

Bentuk masalahnya

Tiga jenis audiens berakhir membutuhkan pipeline data obat yang kurang lebih sama, dengan alasan yang berbeda:

• Tim R&D biofarma dan repurposing obat menginginkan data bioaktivitas (ChEMBL), riwayat uji klinis (ClinicalTrials.gov), dan sinyal kejadian merugikan (FAERS) yang digabungkan untuk mengevaluasi suatu kandidat.
• Startup AI medis yang membangun chatbot atau lapisan dukungan keputusan klinis membutuhkan label obat (SPL openFDA) dan data uji klinis yang digabungkan untuk membumikan jawaban LLM pada sumber regulasi.
• Tim farmakovigilans menginginkan FAERS ditambah field terstruktur label obat ditambah informasi mekanisme dari ChEMBL/DrugBank untuk menilai plausibilitas sebuah sinyal.

Masing-masing audiens ini akhirnya menyambungkan empat database: ClinicalTrials.gov, openFDA, ChEMBL, dan DrugBank. Setiap database punya skema, rate limit, dan ketentuan lisensinya sendiri. DrugBank-lah yang menggigit — klausul penggunaan komersialnya menjerat tim yang mengintegrasikannya saat pengembangan tanpa membaca lisensi, dan mengirim surat peringatan kepada pendiri SaaS kecil adalah hal yang nyata.

Inilah arsitektur yang kami rekomendasikan, termasuk jalur alternatif berlisensi bersih yang menghindari jebakan DrugBank.

Empat sumber, masing-masing satu paragraf

ClinicalTrials.gov v2

US National Library of Medicine. Registri definitif untuk uji klinis terdaftar di AS dan standar global de facto. v2 diluncurkan pada 2024 — REST + JSON, menggantikan CSV/XML lama v1. Gratis, dibatasi rate (10 req/dtk). Dokumentasi di clinicaltrials.gov/data-api/api. Kekuatan: otoritatif, komprehensif, tanpa masalah lisensi. Kelemahan: field opsional yang jarang terisi untuk studi lama, friksi migrasi skema bagi tim yang masih di v1.

openFDA

API publik yang dikelola FDA. Mencakup label obat (SPL — Structured Product Labels), FAERS (Adverse Event Reporting System), data penarikan, serta padanan makanan/perangkat. Gratis, dibatasi 240 req/menit tanpa autentikasi dan 120.000 req/hari dengan API key. Kekuatan: sumber regulasi otoritatif, data terstruktur, cakupan luas. Kelemahan: parsing SPL menuntut pemahaman konvensi HL7; deduplikasi FAERS adalah masalah pengguna.

ChEMBL

EBI / EMBL-EBI. Database bioaktivitas terkurasi — pengukuran IC50, Ki, Kd, EC50 di seluruh senyawa, target, dan asai. Gratis, REST + JSON, tanpa kerumitan rate-limit pada volume sedang. Kekuatan: data struktural dan mekanistik yang tidak dicakup yang lain. Kelemahan: fokusnya tingkat riset; pemetaan terapeutik/klinis bersifat parsial.

DrugBank

Berasal dari University of Alberta, kini komersial. Pemetaan obat-target, farmakologi, interaksi obat-obat, polifarmakologi. Penggunaan akademik gratis; penggunaan komersial memerlukan lisensi berbayar. Lisensi berlaku untuk produk komersial apa pun, termasuk alat SaaS gratis — baca ketentuannya sebelum mengintegrasikan.

API Pick Clinical Search (alternatif berlisensi bersih)

Pencarian semantik di seluruh ClinicalTrials.gov, label obat FDA, bioaktivitas ChEMBL, dan metadata farmakologi DrugBank yang kami lisensikan. JSON in / JSON out, 30 kredit per panggilan (~$0,03), penagihan hanya saat sukses. Output konsisten dengan ketentuan data regulasi dan struktural; tanpa jebakan lisensi komersial bagi pengguna akhir.

Berdampingan

Kode yang berfungsi: tiap sumber

ClinicalTrials.gov v2

import requests

# Trials for a specific condition + intervention
r = requests.get(
    "https://clinicaltrials.gov/api/v2/studies",
    params={
        "query.cond": "non-small cell lung cancer",
        "query.intr": "pembrolizumab",
        "filter.overallStatus": "RECRUITING",
        "pageSize": 25,
        "format": "json",
    },
)
studies = r.json()["studies"]
for s in studies[:3]:
    proto = s["protocolSection"]
    nct = proto["identificationModule"]["nctId"]
    title = proto["identificationModule"]["briefTitle"]
    sponsor = proto["sponsorCollaboratorsModule"]["leadSponsor"]["name"]
    print(f"{nct}: {title} (sponsor: {sponsor})")

openFDA: label obat + sinyal FAERS

import requests
from collections import Counter

# Drug label lookup
r = requests.get(
    "https://api.fda.gov/drug/label.json",
    params={"search": "openfda.brand_name:Lipitor", "limit": 1},
).json()
label = r["results"][0]
print("Indications:", label.get("indications_and_usage", ["—"])[0][:200])

# FAERS — most reported adverse events for atorvastatin
r = requests.get(
    "https://api.fda.gov/drug/event.json",
    params={
        "search": 'patient.drug.medicinalproduct:"ATORVASTATIN CALCIUM"',
        "count": "patient.reaction.reactionmeddrapt.exact",
        "limit": 10,
    },
).json()
print("Top reported reactions:")
for r_ in r["results"]:
    print(f"  {r_['term']}: {r_['count']}")

ChEMBL: bioaktivitas target

import requests

# Target search → activity for a specific target
r = requests.get(
    "https://www.ebi.ac.uk/chembl/api/data/activity.json",
    params={
        "target_chembl_id": "CHEMBL204",      # PD-L1
        "standard_type": "IC50",
        "limit": 25,
    },
).json()
for a in r["activities"][:5]:
    cid = a["molecule_chembl_id"]
    val = a["standard_value"]
    unit = a["standard_units"]
    print(f"{cid}: IC50 = {val} {unit}")

API Pick Clinical Search: satu panggilan, semua sumber

import requests

r = requests.post(
    "https://www.apipick.com/api/search/clinical",
    headers={"x-api-key": "pk_yourkey"},
    json={"query": "PD-L1 inhibitors in NSCLC trials and adverse events"},
)
for hit in r.json()["results"][:5]:
    print(hit["title"], "→", hit["url"], f"(source: {hit.get('source')})")
# Returns ranked semantic matches across trials + labels + bioactivity.
# 30 credits per call, only on HTTP 200.

Tiga pola yang muncul di produksi

1. Penyaringan repurposing obat

Ambil sebuah obat yang telah disetujui. Tarik mekanismenya (target ChEMBL), indikasi terkininya (label openFDA), dan setiap uji klinis yang mengujinya untuk indikasi baru (ClinicalTrials.gov). Bandingkan silang dengan FAERS untuk sinyal keamanan pada indikasi baru. Agen merakit keempat bagian dan memunculkan kandidat yang layak menyita waktu seorang farmakolog.

2. Triase sinyal farmakovigilans

Cron tiap jam menarik laporan FAERS baru untuk daftar pantau obat. Hitung Reporting Odds Ratio terhadap sisa database. Tandai setiap sinyal di mana ROR > 2 dengan CI 95% yang mengecualikan 1. Pasangkan dengan ClinicalTrials.gov untuk memeriksa apakah indikasi penggunaannya on-label atau off-label. Keluarkan daftar berperingkat untuk tinjauan pagi tim — analog dengan pola morning-briefing untuk berita.

3. Pembumian asisten medis AI

Untuk setiap jawaban terkait obat yang diberikan asisten, tarik label openFDA dan gunakan sebagai kebenaran dasar yang otoritatif. Kutip bagian label FDA secara eksplisit. Tolak menjawab pertanyaan terkait dosis ketika label tidak dapat diambil. Inilah pola citation-grounded dari tulisan tentang hukum kasus Inggris yang diterapkan ke dunia medis — dengan taruhan yang bahkan lebih tinggi.

Jebakan DrugBank

Layak ditegaskan kembali. Lisensi akademik DrugBank sudah dipublikasikan luas, tetapi ketentuannya berubah pada saat Anda menarik bayaran dari siapa pun untuk apa pun yang menggunakan datanya — termasuk produk gratis yang penggunanya hendak Anda konversi menjadi berbayar di kemudian hari. Beberapa pendiri SaaS kecil menemukan ini dengan cara yang pahit setelah surat peringatan mendarat di kotak masuk mereka.

Dua jalur bersih:

• Bayar lisensi komersialnya. Harga standarnya tidak transparan; bersiaplah bernegosiasi. Untuk produk matang yang sudah didanai, ini jawaban yang tepat, karena data interaksi obat-obat DrugBank sulit ditandingi.
• Gunakan alternatif berlisensi bersih untuk tahap awal. ChEMBL mencakup sebagian besar data mekanistik. RxNorm + DailyMed (NIH) mencakup normalisasi nama obat dan label. FAERS mencakup kejadian merugikan. Kombinasi ini melewatkan beberapa data khas DrugBank (tabel interaksi yang kaya, polifarmakologi) tetapi cukup untuk sebagian besar produk tahap awal. API Pick Clinical Search membungkus subset berlisensi bersih untuk Anda.

Di mana ini menggeneralisasi

Pola 'menyambungkan empat database publik dengan penanganan rate-limit dan disiplin lisensi' muncul di banyak vertikal yang teregulasi — laporan keuangan (SEC + transkrip laba + statistik ekuitas), paten (USPTO + EPO + WIPO + JPO + KIPO + CNIPA), hukum (Find Case Law + legislation.gov.uk + padanan asing). Versi data obat tidak biasa terutama karena pijakan lisensinya lebih diperdebatkan. Setiap sumbu lain — keragaman skema, rate limit, deduplikasi, pemetaan pengenal antar-sumber — bersifat umum.

Untuk pengambilan satu panggilan di seluruh sumber data obat berlisensi bersih, API Pick Clinical Search menangani penyambungannya. Untuk integrasi yang lebih dalam (parsing SPL penuh, perhitungan sinyal FAERS, pohon target ChEMBL), Anda tetap mendatangi tiap sumber secara langsung. Pilih tingkat abstraksi yang tepat untuk setiap bagian pipeline.

Ditulis oleh

Sarah Choy

CEO, API Pick

Sarah Choy adalah CEO API Pick. Ia menulis tentang membangun API siap produksi untuk AI agent dan alur kerja LLM.