求助：用R的Rentrez包获取药物最早PubMed提及文献的方法

核心思路 #

NCBI Entrez API的pub_date排序仅支持降序（最新文献在前），无法直接升序检索。但可以通过两次搜索高效定位到最早的文献：

1. 首次搜索仅获取总命中数，不返回具体ID；
2. 第二次搜索直接定位到结果列表的最后一条（即最早的文献），仅获取该条的ID。

实现代码 #

library(rentrez)

# 定义函数：获取单个药物的最早Pubmed文献ID及发表日期
get_oldest_pubmed_record <- function(drug_name) {
  # 第一步：获取总搜索结果数（不返回ID，节省资源）
  search_metadata <- entrez_search(
    db = "pubmed",
    term = paste0(drug_name, "[Title/Abstract]"),
    sort = "pub_date",
    retmax = 0
  )
  
  total_hits <- search_metadata$count
  
  if (total_hits == 0) {
    warning(paste("未找到", drug_name, "相关文献"))
    return(list(drug = drug_name, oldest_id = NA, pub_date = NA))
  }
  
  # 第二步：定位到最后一条结果（最早文献），仅获取该ID
  oldest_id_search <- entrez_search(
    db = "pubmed",
    term = paste0(drug_name, "[Title/Abstract]"),
    sort = "pub_date",
    retstart = total_hits - 1,
    retmax = 1
  )
  
  # 获取该文献的发表日期
  article_info <- entrez_summary(db = "pubmed", id = oldest_id_search$ids)
  pub_date <- article_info$pubdate
  
  return(list(
    drug = drug_name,
    oldest_id = oldest_id_search$ids,
    pub_date = pub_date
  ))
}

# 测试示例
aspirin_result <- get_oldest_pubmed_record("aspirin")
print(aspirin_result)

关键细节说明 #

• retmax=0：仅返回搜索结果的元数据（总命中数），避免返回大量ID占用内存和API配额；
• retstart=total_hits-1：因为Entrez的结果索引从0开始，总命中数减1就是最后一条结果的位置，配合retmax=1即可精准获取最早的文献ID；
• 速率限制：批量处理多个药物时，建议添加config=httr::config(delay=1)参数到entrez_search中，避免触发NCBI API的限流机制；
• 边界处理：针对无搜索结果的情况，添加了警告和NA返回，避免程序报错。

批量处理扩展 #

如果需要处理多个药物，可以用lapply批量调用函数：

drug_list <- c("aspirin", "metformin", "lisinopril")
all_results <- lapply(drug_list, get_oldest_pubmed_record)
# 转换为数据框方便查看
results_df <- do.call(rbind.data.frame, all_results)
print(results_df)

内容的提问来源于stack exchange，提问作者D Greenwood