3. 药物数据源接入与治理

药物知识图谱的质量上限，在数据接入阶段就已经被决定了。图谱推理再精巧，如果底层实体名称混乱、剂量单位不统一、药物与靶点关系来源不明，推理结果就不可信。本节围绕药物数据从“外部来源”到“可入库知识”的完整链路，讲清数据源类型、抽取策略、清洗对齐、质量控制与版本管理五个关键环节。

一、药物数据源的四种类型

药物数据源按结构化程度和获取方式，大致可分为四类，它们的抽取难度和治理重点差异很大。

• 结构化数据库：如 DrugBank、ChEMBL、TTD、PubChem。字段明确、有主键和标准标识符（DrugBank ID、ChEMBL ID、CAS 号），抽取以字段映射为主，治理重点是标识符对齐与版本追踪。
• 半结构化资源：如 FDA 药品标签（SPL）、EMA 评估报告、临床试验注册信息（ClinicalTrials.gov）。有固定章节但文本自由，需按章节定位后做实体与关系抽取。
• 非结构化文献：如 PubMed 摘要、药品说明书 PDF、专利文本。需要 NER（命名实体识别）与关系抽取模型，治理重点是抽取置信度与人工复核。
• 内部业务数据：如医院处方、不良反应上报、药物警戒系统记录。字段私有、编码不统一，治理重点是术语映射与隐私脱敏。

实际工程中，一个药物实体往往同时来自多个源。例如“阿司匹林”在 DrugBank 是 DB00945，在 ChEMBL 是 CHEMBL25，在 PubChem 是 CID 2244。接入时必须保留源标识 + 源版本，否则后续无法追溯某条关系的出处。

二、抽取策略：从字段映射到关系抽取

抽取策略要与数据源类型匹配，不能一刀切。对结构化库，采用声明式映射：定义源字段到图谱属性/关系的映射规则，例如将 DrugBank 的 targets 表映射为 (Drug)-[TARGETS]->(Protein)。对半结构化文本，采用章节锚定 + 规则抽取：先按 SPL 的 <section> 标题定位“适应症”“不良反应”等段落，再在段内抽取药物、疾病、反应术语。对非结构化文献，采用模型抽取 + 置信度过滤：用 BioBERT 类模型输出实体与关系，并保留概率分数，低于阈值（如 0.75）的进入人工复核队列。

一个常见的教学示例是抽取“药物—靶点—作用类型”三元组。假设从 ChEMBL 的 activities 表抽取，关键字段包括 molecule_chembl_id、target_chembl_id、standard_type（如 IC50）、standard_value、standard_units。抽取规则可写成：当 standard_type = IC50 且 standard_units = nM 时，生成关系 (Drug)-[INHIBITS {assay: IC50, value: 12.5, unit: nM}]->(Target)。这里必须保留测定类型和单位，否则不同实验条件的数据会被错误合并。

三、清洗对齐：让不同来源说同一种语言

清洗对齐是治理中最耗时也最关键的环节，核心是三件事：名称归一、标识符映射、单位标准化。

名称归一解决“同药异名”。例如“阿司匹林”“乙酰水杨酸”“Aspirin”“ASA”指向同一药物。做法是建立同义词表，以首选名（preferred name）为主键，其余作为别名。工程上常用 InChIKey 作为化学结构的唯一指纹：阿司匹林的 InChIKey 为 BSYNRYMUTXBXSQ-UHFFFAOYSA-N，只要结构相同，无论名称如何变化都能对齐。

标识符映射解决跨库关联。建议维护一张映射表，字段包括：preferred_name、cas、drugbank_id、chembl_id、pubchem_cid、inchikey。当新数据接入时，优先用 InChIKey 匹配，其次 CAS，最后名称模糊匹配并人工确认。

单位标准化解决剂量与活性值可比性。例如 IC50 可能以 nM、μM、mg/mL 出现，必须统一到 nM 并保留原始值。换算关系为 1 μM = 1000 nM，1 mM = 10⁶ nM。对剂量，需区分每日剂量、单次剂量、累积剂量，并统一到 mg。若源数据是“500 mg bid”，应解析为每日 1000 mg，并保留给药频次属性。

四、质量控制：用指标守住入库门槛

质量控制不是事后抽查，而是嵌入抽取与清洗流程的自动检查。建议设置以下检查点：

• 完整性：药物实体必须有首选名和至少一个唯一标识符；关系三元组必须包含主语、谓语、宾语和来源。
• 一致性：同一药物在不同源中的靶点关系若冲突，标记为待仲裁，不直接合并。
• 合法性：剂量值必须为正数，单位必须在允许枚举内，日期格式统一为 ISO 8601。
• 置信度：模型抽取的关系保留概率分数，低于阈值进入人工复核队列，不直接入库。

一个可执行的质控报告应包含：总记录数、通过数、拒绝数、拒绝原因分布、人工复核队列长度。例如某批次接入 12,000 条药物—靶点关系，通过 11,340 条，拒绝 660 条，其中 420 条因单位缺失、180 条因置信度低于 0.75、60 条因靶点标识符无法映射。这些数字直接决定该批次能否发布。

五、版本管理：让图谱可追溯、可回滚

药物数据是持续更新的：DrugBank 每年多个版本，ChEMBL 定期发布，FDA 标签随时修订。因此图谱必须版本化。版本管理至少覆盖四层：源版本（记录每个数据源的抓取日期与版本号）、抽取规则版本（规则变更后旧结果可复现）、映射表版本（同义词与标识符映射的变更历史）、图谱发布版本（每次发布的节点数、边数、质控报告摘要）。

推荐做法是采用“快照 + 差异”策略：每次发布保存完整快照，同时计算与上一版本的差异（新增、删除、修改的实体与关系）。当推理结果出现异常时，可以快速定位是哪次数据更新引入的。例如某次更新后“华法林—出血风险”关系置信度骤降，通过版本对比发现是某源标签修订导致抽取段落变化，从而定位问题。

总结来看，药物数据接入与治理的完整闭环是：识别数据源类型 → 选择匹配的抽取策略 → 执行名称、标识符、单位三层对齐 → 用完整性、一致性、合法性、置信度四类指标质控 → 以源版本、规则版本、映射版本、发布版本四层版本管理兜底。只有这条链路稳定，后续的图谱推理才有可靠的知识基础。