2. 疾病与药物数据资源全景
疾病药物关联建模的第一步不是选模型，而是选数据。一个关联模型能回答什么问题，几乎完全由它背后的数据资源决定。本节把可用的数据来源分成四类：结构化公共数据库、知识图谱、文献挖掘语料、真实世界数据，并说明它们各自能提供什么字段、有什么局限、在建模流水线中扮演什么角色。
一、结构化公共数据库：关联建模的骨架
结构化数据库是关联建模最稳定的底座，因为它们提供的是已经规范化、带标识符、可批量下载的记录。按内容可再分为三类。
疾病本体与表型库。OMIM 以基因—疾病关系为核心，每条记录带 MIM 编号、遗传方式、致病基因；Orphanet 覆盖罕见病，提供疾病—基因—药物—流行病学信息；HPO 把疾病拆解为表型术语，是连接临床描述与分子数据的关键桥梁；DisGeNET 则把多个来源的基因—疾病关联整合并给出评分。这些库的共同价值是提供疾病侧的标准标识，例如用 UMLS CUI 或 MONDO ID 统一不同来源的疾病名称。
药物与靶点库。DrugBank 提供药物—靶点—代谢—适应症的结构化记录，是药物侧最常用的资源；ChEMBL 侧重生物活性数据，包含化合物对靶点的 IC50、Ki 等定量指标；PubChem 提供化合物结构与生物测定；TTD 专注已知和已批准的药物靶点。它们解决的是药物侧的标准标识，如 DrugBank ID、ChEMBL ID、PubChem CID。
关联与证据库。CTD 直接提供化学物—基因—疾病三元关系并附证据类型；SIDER 提供药物不良反应；PharmGKB 提供药物—基因—疾病通路级关联。这类库的价值在于它们已经把"关联"作为一等公民存储，可以直接作为监督学习的标签来源。
使用这些库时要注意三个工程问题：标识符映射（同一药物在不同库中 ID 不同）、版本快照（数据库持续更新，必须记录下载日期与版本号）、许可协议（部分库限制商业使用）。
二、知识图谱：把多源数据连成可推理的网络
知识图谱不是第五种数据，而是把上述数据库按"实体—关系—实体"三元组重新组织后的形态。典型节点类型包括疾病、药物、基因/蛋白、通路、表型、副作用；典型边类型包括药物治疗疾病、药物靶向基因、基因关联疾病、药物引起副作用、基因参与通路。
代表性资源有 Hetionet（整合 29 个来源、约 4.7 万节点、225 万条边）、PrimeKG（面向精准医学，含多模态边）、OpenBioLink 与 DRKG。知识图谱对关联建模的直接价值是：可以把"药物—靶点—疾病"的间接路径作为特征，例如判断某药物治疗某疾病是否通过共同靶点或共同通路，从而支持链路预测式的关联发现。
构建或使用知识图谱时，关键决策是关系方向与语义定义。例如"药物治疗疾病"与"疾病被药物治疗"是同一关系的两种表述，但若图中同时存在"药物—适应症"和"药物—禁忌症"两类边，就必须在建模时明确区分，否则会引入错误的正样本。
三、文献挖掘：覆盖未结构化的最新证据
大量疾病药物关联只存在于论文正文中，尚未进入数据库。文献挖掘的典型流程是：从 PubMed 或 PMC 获取摘要/全文，用命名实体识别（NER）识别疾病、药物、基因，再用关系抽取（RE）判断实体间是否存在关联，最后用归一化把识别结果映射到标准 ID。
常用工具与资源包括 PubTator（提供预标注的实体与关系）、SemRep（基于 UMLS 的语义谓词抽取）、以及基于 BioBERT、PubMedBERT 的微调模型。文献挖掘产出的关联通常带置信度分数和证据句，适合作为弱监督标签或补充特征，但噪声率较高，需要人工抽检或与结构化库交叉验证。
四、真实世界数据：验证与发现的双重来源
真实世界数据（RWD）来自电子病历、医保理赔、药品不良反应上报、可穿戴设备等。它的优势是反映真实用药与真实结局，能发现临床试验未覆盖的关联（如老药新用、罕见不良反应）；劣势是混杂因素多、缺失值多、编码不规范。
常见来源包括 FAERS（FDA 不良反应报告系统）、MIMIC-IV（重症监护电子病历）、以及各国医保数据库。使用 RWD 做关联分析时，通常需要先做倾向评分匹配或使用负对照，以控制适应症混杂——例如"药物 A 与疾病 B 相关"可能只是因为 A 被用于治疗 B 的早期症状。
五、四类资源的协同关系
这四类资源不是替代关系，而是互补关系：结构化数据库提供高质量标签与标准标识，知识图谱提供可推理的网络结构，文献挖掘提供最新但噪声较高的补充证据，真实世界数据提供验证与发现新关联的渠道。一个稳健的建模流程通常以结构化库为标签主源，以知识图谱为特征来源，以文献挖掘扩充候选，以真实世界数据做外部验证。
六、选择数据资源的判断依据
面对具体建模任务时，可以按以下顺序判断：先明确要预测的关联类型（药物—疾病、药物—靶点、还是药物—不良反应），再确定标签来源（优先选已有结构化关联的库），然后确定特征来源（知识图谱提供网络特征，文献挖掘提供文本特征），最后确定验证来源（真实世界数据或留出集）。
需要特别提醒的是，不同来源的关联强度不可直接比较。CTD 中的"关联"可能来自动物实验，DrugBank 中的"适应症"来自批准信息，文献挖掘的关联来自共现，真实世界数据的关联来自统计信号。在合并这些数据时，应保留来源标记，并在建模时把来源作为特征或分层变量，而不是简单合并成一个二值标签。
总结来看，疾病药物关联建模的数据资源全景可以概括为：结构化数据库提供骨架与标签，知识图谱提供网络与推理路径，文献挖掘提供最新证据与候选，真实世界数据提供验证与发现。理解这四类资源的字段、语义与局限，是后续做标识归一化、标签构建和特征融合的前提。