3. 生物医学实体与关系类型体系

在生物医学文本中，实体与关系构成了知识的最小骨架。实体是文本里被命名的“东西”，关系则是这些“东西”之间被断言的联系。实体关系抽取工程的第一步，不是急着上模型，而是先把“我们要抽什么”定义清楚——也就是建立一套可操作的实体类型体系与关系类型体系。类型体系一旦含糊，标注就会漂移，模型学到的边界也会随之模糊。

实体类型：从命名实体到语义角色

生物医学实体类型通常围绕基因、蛋白、疾病、药物、变异这几类核心对象展开，但它们在文本中的表现形式差异很大。基因常以符号出现，如 TP53、BRCA1；蛋白既可能写成基因符号，也可能写成全称，如 p53 protein；疾病既有标准术语，也有缩写和俗称，如 non-small cell lung cancer 与 NSCLC；药物包括通用名、商品名和化学名；变异则更复杂，可能是 p.V600E 这样的氨基酸替换，也可能是 c.1799T>A 这样的核苷酸变化，甚至只是 exon 19 deletion 这样的描述。

因此，实体类型体系不能只列类别名，还要为每类给出边界说明和典型示例。一个实用的做法是采用“类型—子类型—示例”的三层描述。例如变异可以细分为点突变、插入、缺失、融合、拷贝数变异；药物可以细分为小分子、抗体、疫苗、基因治疗产品。子类型不是必须全部抽取，但它能帮助标注者判断一个提及到底属于哪一类，减少“基因还是蛋白”这类高频歧义。

关系类型：方向、语义与触发词

关系类型体系比实体类型更容易被低估。生物医学关系往往带有方向性和条件性，例如“A 导致 B”与“B 导致 A”完全不同，“A 治疗 B”和“A 与 B 相关”在临床证据强度上也有本质差异。常见关系包括：基因—疾病关联、蛋白—蛋白相互作用、药物—靶点结合、药物—疾病治疗、变异—疾病致病、变异—药物响应、基因—蛋白编码等。

定义关系时，至少要明确四件事：头实体类型、尾实体类型、关系方向、触发词或句法模式。以“治疗”关系为例，头实体通常是药物或治疗手段，尾实体是疾病，方向为“药物 → 疾病”，触发词包括 treats、is used for、effective in、therapy for 等。再如“相互作用”关系，头尾通常都是蛋白或基因，方向可以是对称的，触发词包括 interacts with、binds to、forms a complex with。

下面这张图展示了本节核心的实体类型与关系类型体系，以及它们之间的合法连接方式。图中用不同颜色区分实体类别，用带箭头的连线表示关系方向，箭头旁标注关系类型和典型触发词。

类型体系落地：从定义到标注规范

有了类型清单，下一步是把它变成可执行的标注规范。规范中至少应包含：类型名称、定义、正例、反例、边界规则。以“基因—疾病关联”为例，正例是“BRCA1 mutations are associated with breast cancer”，反例是“BRCA1 and breast cancer were both studied in this cohort”——后者只是共现，没有断言关联。边界规则要说明：如果句子只提到“研究”“检测”“表达量”而不含关联断言，就不应标注为关联关系。

另一个关键问题是嵌套与重叠。一个提及可能同时是基因和蛋白，例如 EGFR 在“EGFR mutation”中是基因，在“EGFR inhibitor”中可能指蛋白。此时不应强行二选一，而应允许同一提及在不同上下文中被赋予不同实体类型，或在标注中记录“歧义标记”，供后续模型学习上下文消歧。

常见陷阱与工程建议

第一，不要把“关系类型”和“触发词”混为一谈。同一个关系可以由多个触发词表达，同一个触发词也可能对应不同关系，例如 inhibits 既可能是药物靶向蛋白，也可能是蛋白抑制另一个蛋白。第二，方向性关系必须显式定义，不能依赖模型自行猜测。第三，实体类型体系不宜过细，初期建议控制在 5～8 类核心实体、8～12 类核心关系，待标注一致性稳定后再扩展子类型。

最后，类型体系不是一次成型的文档，而应随语料观察持续迭代。建议每完成一轮标注，就统计一次“其他”类占比和歧义提及频次，把高频歧义反哺到定义中。只有类型体系稳定、边界清晰，后续的模型训练和评估才有可靠的基础。