1. 疾病药物关联建模工程导论

1.1 课程定位：从“数据”到“可用的关联模型”

疾病药物关联建模工程，研究的不是某一个孤立的算法，而是一条把疾病、药物、证据三类对象组织成可计算、可验证、可交付模型的工程链路。它的目标可以概括为一句话：给定疾病与药物的候选组合，输出有依据、可解释、可复现的关联判断，并支撑下游的假设生成、机制探索或研发决策。

本课程定位在“工程”二字上。算法课程关心模型结构是否先进，生物信息课程关心数据来源是否权威，而本课程关心的是：数据如何对齐、特征如何构造、标签如何定义、模型如何评估、结果如何交付、错误如何回溯。也就是说，我们既讲“是什么”，也讲“怎么做”，并且强调每一步都有可检查的输入、参数与判断依据。

1.2 核心任务：三类对象与四种关联

疾病药物关联建模的核心对象有三类：疾病（如2型糖尿病、非小细胞肺癌）、药物（如二甲双胍、吉非替尼）、证据（文献、临床试验、靶点、通路、不良反应报告等）。建模任务通常落在四种关联上：

• 治疗关联：药物对疾病是否有治疗作用，是最常见的二分类任务。
• 机制关联：药物通过哪些靶点、通路影响疾病，偏向可解释性建模。
• 不良反应关联：药物是否引发特定不良事件，常用于安全性信号挖掘。
• 协同/组合关联：多药联合对疾病的协同效应，涉及组合空间爆炸问题。

这四类任务的输入输出形式不同，但共享同一套工程骨架：对象标识、证据抽取、特征表示、标签构建、模型训练、评估与交付。

1.3 工程化流程：一条可复现的主链路

把上述任务落到工程上，可以抽象为一条主链路：问题定义 → 数据接入 → 实体对齐 → 特征/证据构造 → 标签构建 → 模型训练 → 评估与解释 → 交付与迭代。其中每一步都有明确的产物和判断标准。例如实体对齐阶段，需要把不同数据库中的疾病名映射到统一标识（如MeSH、ICD-10、OMIM），把药物名映射到DrugBank ID或PubChem CID；如果对齐失败率超过预设阈值（示例中可设为5%），就必须回到数据接入阶段检查来源与清洗规则。

标签构建是最容易被低估的一步。以治疗关联为例，正样本可以来自已批准适应症，负样本不能简单随机采样，否则会引入大量“未知但可能有效”的假阴性。工程上常采用分层负采样：在同一疾病领域内、同一药物类别中选取未报道关联的组合，并记录采样策略与随机种子，保证可复现。

1.4 关键挑战：为什么这件事不简单

疾病药物关联建模面临四个典型挑战。第一是数据稀疏与偏置：已批准适应症只覆盖了真实关联的很小一部分，负样本中混有大量未验证组合。第二是异构性：药物有化学结构、靶点、通路，疾病有表型、基因、环境因素，证据有文本、结构化记录、实验数据，如何统一表示是核心难点。第三是可解释性：研发决策不能只接受一个概率值，需要知道“为什么这个药可能对这个病有效”，因此靶点、通路、文献证据的归因至关重要。第四是评估与复现：随机划分容易高估性能，时间切分、疾病冷启动、药物冷启动等评估协议必须明确。

1.5 一个最小可运行示例的骨架

为了让“工程化”不流于口号，这里给出一个最小可运行示例的骨架（教学假设，非实测结果）。假设我们要判断“二甲双胍—2型糖尿病”这一组合的治疗关联：

输入：
  药物：二甲双胍，DrugBank ID: DB00331
  疾病：2型糖尿病，MeSH: D003924
  特征：药物指纹2048位 + 疾病表型向量300维 + 靶点重叠计数
  标签：正样本（已批准适应症）

处理：
  1) 实体对齐：确认DrugBank ID与MeSH映射唯一
  2) 特征拼接：2048 + 300 + 1 = 2349维
  3) 模型：逻辑回归或梯度提升树，输出概率p
  4) 阈值：p ≥ 0.5 判为有关联

输出：
  p = 0.87（示例值），判定为治疗关联
  归因：靶点重叠贡献最大，其次为表型相似度

这个骨架的意义在于：它把“疾病药物关联”拆成了可检查的字段、可复现的步骤和可解释的输出。实际工程中，特征会更多、模型会更复杂，但这条主链路的逻辑不变。

1.6 工程交付物与判断标准

一个合格的疾病药物关联建模工程，最终应交付四类产物：数据字典（实体标识、来源、版本）、特征说明（维度、构造方式、缺失处理）、模型卡（训练数据、评估协议、指标、已知局限）、预测结果表（疾病、药物、概率、证据摘要、归因要点）。判断标准也很明确：结果可复现（固定随机种子与数据版本）、评估协议与业务场景一致（时间切分或冷启动）、关键预测有证据支撑、错误可回溯到具体环节。