3. 证据结构化与本体建模

在靶点证据整合工程中，真正棘手的往往不是“找不到证据”，而是证据以极不统一的形态散落在文献正文、临床试验登记、专利、组学附表、数据库导出和内部实验记录中。要让这些证据参与打分、排序和决策，必须先完成一次“语义翻译”：把自然语言或半结构化字段，映射为机器可查询、可推理、可追溯的实体—关系—属性三元组。本节讨论的就是这一映射过程的设计方法与落地细节。

一、为什么需要本体，而不是一张宽表

最朴素的做法是把所有证据塞进一张宽表：一行代表一条证据，列包括靶点、疾病、证据类型、来源、强度、方向等。这种做法在证据量小、来源单一时可行，但很快会遇到三个问题。第一，同一概念有多种写法，例如“TNF-α”“TNF alpha”“肿瘤坏死因子α”指向同一蛋白，宽表无法自动归一。第二，证据之间的关系不是扁平的，一条“遗传关联”证据可能同时支持某个靶点与某疾病，又通过通路间接关联另一疾病，宽表难以表达这种多层关系。第三，不同证据类型的属性差异很大，临床试验证据有期别、入组人数、主要终点，而GWAS证据有p值、效应量、样本量，强行合并会导致大量空列。

本体建模的核心思路是：先定义领域内稳定的“类”和“关系”，再让每条证据作为实例挂载到这些类与关系上。这样，证据的异构性被结构吸收，查询和推理则基于统一的语义层进行。

二、核心实体与关系的定义

针对靶点—疾病—证据这一场景，最小可用本体通常包含以下实体类：Target（靶点，如基因、蛋白、蛋白复合物）、Disease（疾病，可细分为适应症、亚型）、Evidence（证据条目）、Source（来源，如文献、试验、数据库）、Study（研究或试验本身）、Variant（变异）、Pathway（通路）、Drug（药物或化合物）。关系则包括：Target—associated_with—Disease、Evidence—supports—Association、Evidence—derived_from—Source、Drug—targets—Target、Variant—in_gene—Target、Target—participates_in—Pathway等。

这里的关键设计决策是：把“关联”本身也作为一等实体，而不是仅仅作为靶点与疾病之间的一条边。因为同一条靶点—疾病关联可能被多条证据支持，每条证据又有自己的方向（支持/反对）、强度、置信度和上下文。将关联实体化后，证据可以逐条挂载，评分时再聚合。

三、从非结构化文本到三元组：抽取与归一

非结构化证据的典型来源是文献摘要或全文。假设我们从一篇摘要中读到：“In a cohort of 1,204 patients, the rs123456 variant in GENE-X was associated with a 1.35-fold increased risk of Disease-Y (p = 3.2e-8).” 这条句子需要被拆解为：

Variant(rs123456) --in_gene--> Target(GENE-X)
Target(GENE-X) --has_association--> Association(A1)
Association(A1) --to_disease--> Disease(Disease-Y)
Evidence(E1) --supports--> Association(A1)
Evidence(E1) --derived_from--> Source(PMID:xxxxxxx)
Evidence(E1).direction = "risk"
Evidence(E1).effect_size = 1.35
Evidence(E1).p_value = 3.2e-8
Evidence(E1).sample_size = 1204
Evidence(E1).evidence_type = "genetic_association"

抽取环节通常采用“规则+模型”的混合策略。规则层负责识别变异标识（如rs号）、基因符号、疾病名称和统计量模式；模型层负责处理句式变体和隐含关系。抽取完成后，必须进行实体归一：把“GENE-X”映射到HGNC标准符号，把“Disease-Y”映射到MONDO或ICD编码，把“rs123456”映射到dbSNP。归一化是保证后续可计算的关键，否则同一实体的不同写法会被当成不同对象，导致证据分散。

四、半结构化证据的字段映射

半结构化证据常见于临床试验登记、专利和数据库导出。以一条临床试验记录为例，其字段可能包括：NCT号、干预措施、靶点、适应症、期别、状态、入组人数、主要终点、结果摘要。映射时，需要把“干预措施”解析为Drug实体，把“靶点”解析为Target实体，把“适应症”解析为Disease实体，把“期别”“入组人数”“主要终点”作为Study和Evidence的属性。这里的一个实用原则是：能结构化的字段直接映射为属性，不能结构化的文本进入抽取流程。例如“结果摘要”是自由文本，需要进一步抽取“是否达到主要终点”“不良事件发生率”等结构化结论。

五、证据属性的统一建模

不同证据类型的属性差异很大，但为了聚合评分，需要抽取一组公共属性。建议至少包含：evidence_type（遗传关联、表达差异、通路成员、动物模型、临床试验、专利等）、direction（支持/反对/中性）、strength（效应量或定性强度）、confidence（置信度，可由样本量、p值、研究设计等计算）、context（物种、组织、细胞类型、剂量等）。对于无法直接比较的强度指标，可以在映射时转换为统一的序数等级或归一化分数，但必须记录转换规则，保证可复现。

六、一个可执行的最小映射模板

下面给出一个可直接用于工程落地的证据映射模板，字段可根据实际数据源增减。该模板以“一条证据一行”的方式组织，但每行都携带实体标识和关系类型，便于后续导入图数据库或三元组存储。

七、映射质量的控制点

映射完成后，不能直接进入评分，需要先做一轮质量检查。检查点包括：实体归一覆盖率（未映射到标准标识的实体比例）、关系完整性（每条证据是否至少关联一个靶点和一个疾病）、属性缺失率（关键属性如direction、evidence_type是否为空）、方向一致性（同一关联下是否存在方向冲突的证据）。对于冲突证据，不应简单丢弃，而应保留并在评分时按置信度加权，因为冲突本身也是决策信息。

完成上述映射后，靶点—疾病—证据就不再是一堆散落的文本，而是一个可查询、可聚合、可追溯的语义网络。后续的评分、排序和决策，都可以在这个网络上以查询和推理的方式实现，而不是依赖人工逐条阅读。这也是证据整合工程从“文档管理”走向“知识计算”的关键一步。