📚 课程目录第4章多源证据的表示与标准化

4. 多源证据的表示与标准化

药物重定位的证据来自多个异构源：文献中的基因-疾病关联、临床试验中的药物-适应症记录、组学数据中的差异表达、药物警戒系统中的不良反应报告、专利与化合物数据库中的化学结构。这些数据在格式、粒度、语义和标识体系上各不相同。如果直接把它们堆在一起做统计或推理，结果往往不可靠——同一个基因可能以 HGNC 符号、Entrez ID 或 UniProt 名称出现，同一个疾病可能对应 ICD-10、MeSH 或 OMIM 编码。因此，多源证据融合的第一步不是建模，而是表示与标准化：把不同来源的事实映射到统一的语义框架中，使“药物—靶点—通路—疾病—表型”之间的关系可以被机器一致地读取、比较和组合。

本体：为证据提供受控语义

本体（Ontology）是对某一领域概念及其关系的显式、形式化规范。在药物重定位中，本体解决的核心问题是：不同数据源中的术语如何被判定为“同一概念”或“相关概念”。常用的本体包括：

基因与蛋白：HGNC 提供基因符号的官方命名，UniProt 提供蛋白序列与功能注释，Ensembl 提供基因组坐标。三者通过交叉引用（xref）关联。
疾病与表型：MONDO 整合了 OMIM、Orphanet、DOID 等疾病本体，HPO 描述人类表型异常，MeSH 用于文献标引。
药物与化合物：ChEBI 描述化学实体，DrugBank ID 标识药物，ATC 分类提供治疗用途层级。
通路与功能：Reactome、KEGG、GO 分别描述反应通路、代谢通路和基因功能注释。

本体的价值不仅在于统一名称，更在于层级关系与语义距离。例如，MONDO 中“2型糖尿病”是“糖尿病”的子类，当证据涉及“糖尿病”而目标适应症是“2型糖尿病”时，可以通过本体层级判断二者存在包含关系，而不是简单视为不同疾病。类似地，GO 的“is_a”和“part_of”关系可以用于推断基因功能相似性。

知识图谱：把证据组织成可推理的网络

知识图谱（Knowledge Graph, KG）以“实体—关系—实体”三元组为基本单元，天然适合表达药物重定位中的多跳关系。一个典型的重定位知识图谱包含以下节点类型和边类型：

节点：药物（Drug）、靶点（Target）、基因（Gene）、通路（Pathway）、疾病（Disease）、表型（Phenotype）、不良反应（Adverse Event）。
边：药物—靶点（结合/抑制/激活）、靶点—通路（参与）、通路—疾病（关联）、药物—疾病（已批准适应症/临床试验）、药物—不良反应（报告）、基因—疾病（遗传关联）。

每条边都应携带证据属性：来源数据库、证据类型（实验/计算/文献/临床）、置信度或评分、时间戳。这样，当进行“药物 A 是否可能重定位到疾病 D”的推理时，可以沿着“药物 A → 靶点 T → 通路 P → 疾病 D”的路径聚合证据，并根据边的属性决定权重。例如，来自临床试验的“药物—疾病”边权重高于文献共现边；来自实验验证的“药物—靶点”边权重高于分子对接预测边。

数据模型设计：从三元组到可查询的结构

知识图谱的物理实现通常有两种路径：RDF/OWL 三元组存储和属性图（Property Graph）。前者适合本体推理和语义查询（SPARQL），后者适合路径分析和图算法（Cypher、Gremlin）。在药物重定位工程中，常见做法是：用 RDF 承载本体和标准化实体，用属性图承载证据网络和评分计算。

无论选择哪种存储，数据模型设计都需要明确以下要素：

实体标识：每个节点必须有全局唯一 ID，优先使用本体官方 ID（如 MONDO:0005148、HGNC:11998），而非自由文本名称。
关系类型：关系名应来自受控词表，避免同义异名。例如统一用“interacts_with”而不是混用“binds”“targets”“acts_on”。
证据属性：每条边至少记录 source、evidence_type、confidence、timestamp 四个字段，以支持后续的加权融合和时效衰减。
版本与溯源：记录数据加载批次和本体版本，确保结果可复现。

标准化流程：从原始数据到统一表示

一个可操作的标准化流程通常包含以下步骤。以“从文献中提取药物—疾病关联”为例：

实体识别：用 NER 工具从摘要中识别药物名和疾病名，得到原始字符串。
实体链接：将“metformin”链接到 DrugBank:DB00331，“type 2 diabetes”链接到 MONDO:0005148。链接时需处理同义词、缩写和拼写变体。
关系抽取：判断句子中药物与疾病的关系类型（治疗、副作用、生物标志物等），并赋予初始置信度。
本体映射：将关系类型映射到本体中的标准谓词，如“treats”“has_adverse_effect”“associated_with”。
属性补全：补充来源文献 PMID、发表年份、证据类型（临床试验/病例报告/基础研究）。
写入图谱：以三元组或属性图形式写入，并记录加载批次。

实操建议：在实体链接阶段，建议维护一张“别名—标准ID”映射表，并定期用本体更新同步。对于无法链接的实体，不要直接丢弃，而是放入“待审”队列，由人工或规则二次处理。这样可以避免因链接失败而丢失潜在证据。

一个可参考的数据模型片段

以下是一个简化的属性图模式定义，用于描述药物重定位证据网络中的核心节点和边。字段设计直接服务于后续的证据加权与路径推理。

// 节点定义（示例）
(:Drug {
  id: "DB00331",
  name: "Metformin",
  chebi_id: "CHEBI:6801",
  atc: "A10BA02"
})

(:Disease {
  id: "MONDO:0005148",
  name: "type 2 diabetes mellitus",
  mesh: "D003924"
})

(:Target {
  id: "HGNC:11998",
  symbol: "TP53",
  uniprot: "P04637"
})

// 边定义（示例）
(:Drug)-[:INTERACTS_WITH {
  source: "DrugBank",
  evidence_type: "experimental",
  confidence: 0.92,
  timestamp: "2024-03-15"
}]->(:Target)

(:Drug)-[:TREATS {
  source: "ClinicalTrials.gov",
  evidence_type: "clinical",
  confidence: 0.88,
  timestamp: "2024-01-20"
}]->(:Disease)

(:Target)-[:ASSOCIATED_WITH {
  source: "CTD",
  evidence_type: "literature",
  confidence: 0.65,
  timestamp: "2023-11-08"
}]->(:Disease)

在这个模型中，一条“药物—靶点—疾病”路径的融合置信度可以按如下方式计算（示例公式，非实测结果）：

path_confidence = w1 * conf(drug-target) 
                * w2 * conf(target-disease)
                * decay(timestamp)

其中：
  w1 = 0.6（实验证据权重）
  w2 = 0.4（文献证据权重）
  decay = exp(-λ * Δt)，λ 取 0.05/年

该公式仅用于说明证据属性如何参与计算，实际工程中需要根据验证集调整权重和衰减系数。关键点在于：标准化后的每条边都携带可计算的属性，而不是只有一个孤立的“有关联”标签。

常见陷阱与检查要点

标识混用：同一实体在不同表中使用不同 ID 体系，导致图谱中出现重复节点。检查方法：统计每个实体的 ID 来源分布，若某实体同时存在多个 ID 前缀，需建立映射。
关系方向不一致：A→B 表示“A治疗B”还是“B治疗A”，必须在模型层面固定方向约定，并在文档中明确。
证据类型缺失：没有 evidence_type 的边无法参与加权，等于无效证据。加载时应强制校验该字段。
本体版本漂移：MONDO 每年更新，旧 ID 可能被合并或废弃。需记录本体版本并定期做一致性检查。

注意：标准化不是一次性任务。随着新数据源接入和本体更新，映射表和图谱结构都需要持续维护。建议将标准化流程脚本化，并保留每次运行的日志和版本号，以便在结果异常时回溯。

总结来说，多源证据的表示与标准化是药物重定位证据融合工程的基础设施。本体提供语义锚点，知识图谱提供关系载体，数据模型定义证据的存储与计算方式。三者协同，才能让来自不同来源的证据在同一个框架下被比较、加权和推理，为后续的候选药物排序和验证提供可靠输入。