3. 药物研发关键检索对象建模

在药物研发数据检索与服务工程中，检索对象建模决定了系统能否把“用户想找的东西”与“数据库里存的东西”准确对齐。药物研发涉及的对象远不止一个“药物”概念，而是由化合物、靶点、基因、蛋白、疾病、适应症、临床试验、专利、文献等多类实体共同构成的知识网络。每一类实体都有自己的标识体系、属性结构和关系表达方式，只有把这些对象统一建模，检索服务才能跨库、跨源、跨语义地工作。

一、为什么需要实体建模

假设研究人员输入“EGFR 抑制剂用于非小细胞肺癌”，如果系统只做字符串匹配，可能返回大量无关结果：有的文献提到 EGFR 但研究的是其他疾病，有的专利涉及肺癌但并非 EGFR 靶点，有的化合物名称相似但结构不同。实体建模的目标，是把查询中的每个词映射到明确的实体类型和唯一标识，再沿着实体之间的关系扩展检索。例如，“EGFR”应识别为基因/蛋白实体，“非小细胞肺癌”应识别为疾病/适应症实体，“抑制剂”应识别为化合物与靶点之间的作用关系类型。这样系统才能执行“找作用于 EGFR 的化合物，且其适应症包含非小细胞肺癌”的精确检索。

二、主要实体的标识体系

不同实体有各自的权威标识。化合物常用 CAS 号、PubChem CID、ChEMBL ID、InChIKey；靶点/蛋白常用 UniProt AC、PDB ID；基因常用 HGNC ID、Entrez Gene ID、Ensembl ID；疾病/适应症常用 ICD-10/ICD-11、MeSH、DOID、SNOMED CT；临床试验常用 NCT 号、EudraCT 号；专利常用公开号（如 WO、US、CN 前缀）和专利家族 ID；文献常用 DOI、PMID、PMC ID。建模时，每个实体应至少有一个主标识和若干别名/外部映射，并记录标识来源与版本，避免因数据库更新导致映射失效。

三、属性结构与关系表达

实体属性应围绕检索需求设计。化合物可包含分子式、分子量、SMILES、InChIKey、最大临床阶段、给药途径等；靶点/蛋白可包含基因名、蛋白名、物种、氨基酸序列、结构域、亚细胞定位；疾病/适应症可包含疾病分类、表型、流行病学、关联基因；临床试验可包含分期、状态、入组人数、干预措施、主要终点；专利可包含申请日、公开日、优先权日、权利要求、法律状态；文献可包含标题、作者、期刊、发表年、摘要、关键词。关系表达则描述实体之间的连接，例如“化合物—作用于—靶点”“靶点—由—基因编码”“疾病—关联—基因”“临床试验—研究—化合物/适应症”“专利—引用—文献”“文献—支持—适应症”。这些关系应带方向、类型和证据来源，必要时附加置信度或证据等级。

四、标识映射与跨库检索

实际检索服务中，同一实体在不同数据库中的标识往往不一致。例如，一个化合物在 PubChem 中有 CID，在 ChEMBL 中有 ChEMBL ID，在药企内部还有自己的化合物编号。建模时需要建立标识映射表，记录“主标识—外部标识—来源—映射置信度”。当用户输入一个别名时，系统先做实体识别与消歧，再通过映射表找到所有相关标识，最后并行查询多个数据源并合并结果。映射置信度低的记录应标记为“待人工确认”，避免错误合并。

五、属性结构的设计要点

属性结构应区分“核心属性”和“扩展属性”。核心属性是检索和排序必须依赖的字段，如化合物的分子量、靶点的物种、疾病的分类编码；扩展属性用于丰富展示和二次筛选，如化合物的专利状态、临床试验的入组人数。属性值应尽量结构化，避免把多个信息塞进一个文本字段。例如，临床试验的“主要终点”应拆分为终点名称、测量指标、时间点三个子字段，便于按终点类型检索。对于数值型属性，应记录单位、精度和来源；对于时间型属性，应统一为 ISO 8601 格式并标注时区。

六、关系表达与证据链

关系是实体建模中最具价值的部分。药物研发检索常常需要回答“某化合物是否作用于某靶点”“某靶点是否与某疾病相关”“某专利是否覆盖某适应症”等问题。关系应至少包含主语、谓语、宾语、证据来源、证据类型和置信度。例如，“化合物 A—作用于—靶点 B”可以来自体外结合实验、细胞功能实验或临床试验结果，证据类型不同，置信度也不同。在检索服务中，可以按证据等级过滤，也可以把多条证据聚合为证据链，展示从化合物到靶点、从靶点到疾病、从疾病到适应症的完整路径。

七、建模成果的落地形式

一个可用的实体模型最终应落地为三类资产：实体字典（定义每类实体的标识、属性、别名和映射规则）、关系模式（定义允许的关系类型、方向和证据字段）、检索索引（把实体和关系转换为可查询的倒排索引或图索引）。在工程实现中，常用图数据库存储实体和关系，用关系型数据库存储属性明细，用搜索引擎提供全文检索。三者通过统一实体 ID 关联，保证跨库检索的一致性。