4. 疾病本体与表型标准化
在疾病靶点关联分析中，最容易被低估、却最常导致结果不可复现的环节，不是统计模型，而是“疾病”和“表型”这两个概念本身没有被标准化。同一个疾病在电子病历里可能写作“2型糖尿病”“T2DM”“非胰岛素依赖型糖尿病”，在文献里被标注为 MeSH 的 D003924，在药物研发数据库里对应 EFO 的 EFO_0001360，在遗传研究中又可能落到 DO 的 DOID:9352。如果这些标识符不统一，后续的靶点富集、共病分析、药物重定位都会在“看似有数据、实则对不上”的状态下产生偏差。本节要解决的核心问题就是：理解 ICD、MeSH、DO、HPO、EFO 各自的层级结构与语义边界，并建立可操作的语义对齐策略。
五套本体的定位与层级结构
这五套体系并非互相替代，而是服务于不同场景、具有不同粒度和组织逻辑的本体资源。理解它们的差异，是语义对齐的前提。
ICD（国际疾病分类）由世界卫生组织维护，是临床编码与卫生统计的“行政语言”。ICD-10 采用章节—类目—亚目—细目的树状结构，例如 E11 是非胰岛素依赖型糖尿病，E11.9 是无并发症的 2 型糖尿病。ICD-11 引入了更灵活的“基础组件+后组配”机制，允许通过扩展码表达解剖部位、病因、严重程度等维度。ICD 的优势是临床覆盖广、报销与统计通用，劣势是粒度粗、更新慢、缺乏分子层面的语义关系。
MeSH（医学主题词表）由美国国立医学图书馆维护，是文献索引与检索的“受控词表”。它采用树状编号（Tree Number），一个主题词可出现在多个树分支下，例如“Diabetes Mellitus, Type 2”同时挂在 C18.452.394.750.149 等路径下。MeSH 还通过副主题词（如 /genetics、/drug therapy）实现语义限定，非常适合文献层面的疾病—基因、疾病—药物共现挖掘。
DO（Disease Ontology，疾病本体）是面向生物医学数据整合的疾病本体，强调疾病与基因、变异、表型之间的语义关系。DO 使用 DOID 标识符，具有 is_a、has_material_basis_in 等关系，例如 DOID:9352（2型糖尿病）is_a DOID:9351（糖尿病）。DO 的层级更贴近疾病机制，适合作为跨数据库的“语义中枢”。
HPO（人类表型本体）描述的是表型异常，而非疾病本身。它采用 HP:0000001 这类标识符，按器官系统、发病时间、遗传模式等维度组织，例如 HP:0000819（糖尿病）、HP:0005978（2型糖尿病）。HPO 的价值在于把“症状/体征”标准化，使罕见病表型匹配、临床队列分层成为可能。
EFO（实验因素本体）由 EMBL-EBI 维护，服务于功能基因组学与药物研发，覆盖疾病、实验因素、细胞类型等。EFO 标识符形如 EFO_0001360，与 GWAS Catalog、Open Targets 等资源深度绑定，是“疾病—靶点—药物”关联分析中最常用的疾病锚点之一。
语义对齐的实际操作路径
语义对齐不是简单地把一个 ID 换成另一个 ID，而是要处理“同义、上下位、交叉引用、一对多”四类关系。下面给出一条可落地的对齐流程，以“2型糖尿病”为例。
第一步：同义词归一。收集所有来源中的疾病名称与编码，建立同义词表。例如临床侧出现 E11.9、E11，文献侧出现 D003924，遗传侧出现 EFO_0001360，本体侧出现 DOID:9352。这些字符串指向同一疾病概念，但需要确认它们是否真的等价——E11.9 是“无并发症的2型糖尿病”，而 DOID:9352 是更宽泛的“2型糖尿病”，二者是上下位关系而非严格等价。
第二步：层级映射。利用各本体的 is_a 关系建立上下位映射。例如 DOID:9352 is_a DOID:9351（糖尿病），EFO_0001360 在 EFO 中同样有上位疾病节点。当分析需要“糖尿病”这一宽泛概念时，应向上聚合到共同上位词；当分析需要精确的“2型糖尿病”时，则保留细粒度节点。这一步的关键是明确分析粒度，而不是盲目追求“最细”。
第三步：表型关联增强。HPO 不直接等价于疾病，但可以通过 has_phenotype 关系把疾病与表型连接起来。例如 DOID:9352 关联 HP:0005978（2型糖尿病）、HP:0000819（糖尿病）等。在靶点关联分析中，表型注释可以用于疾病亚型分层：如果某靶点在 HP:0005978 相关基因集中显著富集，说明它更可能与2型糖尿病表型相关，而非泛糖尿病。
第四步：交叉验证与冲突处理。不同本体之间的映射可能存在方向不一致或一对多冲突。例如 ICD 的 E11 可能同时映射到 DO 的多个节点，MeSH 的 D003924 也可能对应 EFO 的多个实验因素。此时应记录映射方向、置信度和来源，优先采用官方交叉引用（如 DO 与 MeSH 的 xref），对无官方映射的条目采用人工审核或基于文本相似度的辅助匹配，并保留原始标识符以便追溯。
source_system（来源体系）、source_id（原始标识符）、source_label（原始名称）、target_system（目标体系）、target_id（目标标识符）、relation_type（等价/上位/下位/相关）、confidence（置信度）、evidence（映射依据）。这样即使后续更换本体版本，也能快速定位受影响的映射。
常见陷阱与判断依据
语义对齐中最常见的错误有三类。第一类是把上下位关系当作等价关系，例如把 E11.9 直接等同于 DOID:9352，导致分析中混入了“有并发症”的病例。判断依据是检查两个节点的 is_a 路径是否完全一致，若存在父子关系则必须显式标注。第二类是忽略本体版本差异，ICD-10 与 ICD-11、DO 的不同 release 之间节点可能被合并或拆分，映射表必须绑定版本号。第三类是表型与疾病混淆，HPO 描述的是表型异常，不能直接当作疾病节点参与疾病—靶点关联，而应通过 has_phenotype 关系间接使用。
判断对齐是否成功的可操作标准是：给定任意一个原始疾病字符串，能够唯一确定一个标准化标识符，并明确其上位词、下位词、同义词和表型关联；同时，任意两个来源的同一疾病在标准化后应指向同一节点或具有明确上下位关系的节点。满足这一标准，后续的靶点关联分析才具备可复现的语义基础。
| 本体 | 典型标识符 | 核心关系 | 在靶点分析中的角色 |
|---|---|---|---|
| ICD-10/11 | E11.9 | 章节层级、后组配 | 临床队列筛选与统计分层 |
| MeSH | D003924 | 树状编号、副主题词 | 文献共现挖掘与证据检索 |
| DO | DOID:9352 | is_a、has_material_basis_in | 跨库语义中枢与疾病层级聚合 |
| HPO | HP:0005978 | has_phenotype、器官系统分组 | 表型分层与亚型识别 |
| EFO | EFO_0001360 | 疾病—实验因素关联 | GWAS/药物靶点关联锚点 |
把上述五套体系放在同一张映射表中，并明确每条映射的关系类型与置信度，是疾病靶点关联分析工程化的第一步。只有疾病和表型被标准化到可追溯、可比较的语义空间，后续的靶点富集、网络分析和药物重定位才具有解释力和可复现性。