1. 药物靶点发现数据整合工程导论

药物靶点发现是创新药研发链条的起点，也是决定后续成败的关键环节。一个被验证的靶点，往往意味着数年乃至十余年的研发投入有了明确方向；而一个错误的靶点，则可能让整个项目在临床阶段折戟。传统靶点发现依赖单一组学证据或个别文献线索，随着高通量测序、蛋白质组学、CRISPR筛选、单细胞转录组、空间转录组等技术普及，研究者面对的不再是"数据太少"，而是"数据太多、来源太杂、口径不一"。数据整合工程正是为解决这一矛盾而生的交叉方向。

课程定位：从数据到可决策的靶点证据

本课程不是单纯的生物信息学工具课，也不是纯粹的数据工程课，而是聚焦"靶点发现"这一具体业务目标，讲清楚如何把分散、异构、质量参差的生物医学数据，加工成可用于靶点优先级排序的证据体系。课程覆盖数据获取、标识符统一、实体对齐、证据打分、知识图谱构建、可视化与可复现工作流等环节，最终服务于一个核心问题：给定一批候选基因或蛋白，如何用可解释、可追溯的方式判断哪个更值得作为药物靶点推进？

课程面向三类读者：一是生物医药背景、希望补齐数据工程能力的研究人员；二是数据科学背景、希望理解靶点发现业务逻辑的工程师；三是需要统筹靶点评估流程的项目负责人。无论背景如何，学完本课程应能独立搭建一条从原始数据到靶点证据报告的整合流水线。

核心问题：异构、异源、异质

靶点发现中的数据整合，难点集中在三个"异"字上。

• 异构：数据形态差异大。GWAS输出的是位点与统计量，转录组输出的是表达矩阵，蛋白质互作网络输出的是边列表，文献输出的是自由文本。它们无法直接拼接。
• 异源：同一实体在不同数据库中有不同标识。一个基因在Ensembl是ENSG编号，在NCBI Gene是Entrez ID，在UniProt是蛋白登录号，在药物数据库里又可能以基因符号出现。不做映射，关联就会断裂。
• 异质：数据质量与证据强度不同。同样是"该基因与疾病相关"，来自大规模GWAS的显著位点、来自小样本差异表达、来自单一细胞系实验，其可信度相差悬殊。整合时必须保留证据来源与强度，而不是简单取并集。

这三个问题决定了数据整合不是"把文件合并"，而是一套包含标准化、对齐、加权、溯源的系统工程。

数据整合在靶点发现中的工程价值

整合的价值可以概括为四点。第一，提升信噪比：单一证据容易受批次效应、样本偏倚影响，多源证据交叉支持能显著降低假阳性。第二，增强可解释性：当候选靶点同时具备遗传学证据、表达证据、通路证据和成药性证据时，决策者能看清"为什么是它"。第三，支持优先级排序：通过统一打分框架，把成百上千个候选压缩为可管理的短名单。第四，保证可复现：把数据版本、映射规则、打分参数固化下来，使结论可被复核和迭代。

典型工作流

一条完整的靶点发现数据整合工作流通常包含六个阶段，下图展示了从原始数据到靶点证据报告的主链路与关键处理动作。

工作流的第一阶段是数据获取。以常见场景为例，研究者可能同时拉取GWAS Catalog中与某疾病显著相关的位点、GTEx中目标组织的表达数据、STRING中的蛋白互作网络，以及PubMed中相关文献摘要。这些数据格式、更新频率、许可协议各不相同，获取时就要记录来源URL、下载日期和版本号。

第二阶段是标准化。核心动作是标识符映射：把Ensembl基因ID、Entrez ID、UniProt登录号、基因符号统一到一套主键上。实践中常用MyGene.info或HGNC映射表完成，但要注意基因符号存在别名和过时符号，必须保留映射日志。同时统一坐标参考版本（如GRCh38）、表达单位（TPM/FPKM）和统计量方向。

第三阶段是实体对齐。同一蛋白在不同数据库可能以不同名称出现，同一疾病在MeSH、DOID、ICD中编码不同。对齐的目标是让"基因—疾病—药物"三类实体在统一命名空间下可连接。冲突消解策略需要显式定义，例如当两个来源对同一基因的疾病关联方向相反时，保留双方并标注冲突，而不是取平均。

第四阶段是证据整合与打分。常见做法是按证据类型分层加权：遗传学证据权重较高，表达证据次之，网络推断证据再次。示例参数可设为遗传学0.4、表达0.25、网络0.2、成药性0.15，最终得分归一化到0～1。这些权重属于示例假设，实际项目应根据疾病领域和决策目标调整，并通过敏感性分析检验排序稳定性。

第五阶段是知识图谱构建。把实体作为节点、证据关系作为边，形成可查询的网络。这样既能支持"某靶点的所有支持证据是什么"这类溯源查询，也能支持"与某通路相关的候选靶点有哪些"这类扩展查询。

第六阶段是输出靶点证据报告。报告应包含候选靶点列表、每个靶点的证据来源、综合评分、关键支持与反对证据，以及完整的处理日志。报告不是终点，而是下一轮迭代的输入——当新数据到来时，回流到打分环节重新计算。

本课程的学习路径

后续章节将沿着上述工作流逐步展开：先讲数据源与获取规范，再讲标识符体系与实体对齐，然后进入证据加权、知识图谱、可视化与自动化流水线，最后通过一个完整的靶点评估案例串联全部环节。每章都会给出可操作的参数、示例数据和判断依据，帮助读者把方法真正落到自己的项目中。

需要强调的是，数据整合工程的目标不是追求"数据最多"，而是追求"证据最清晰、决策最可追溯"。在靶点发现这样高投入、长周期的领域，一个可解释、可复现的整合流程，比一个黑箱式的高分模型更有实际价值。