一、药物靶点知识图谱概述：背景、定义与应用场景
说起药物靶点知识图谱，我先聊聊这行当的背景。
过去十年，生物医药数据爆炸式增长。你想想看，光 PubMed 上每天新增的文献就超过 3000 篇，更别提基因表达数据、蛋白质互作网络、临床试验结果……
数据越多，找信息越难。我记得 2016 年做靶点验证时，团队花了整整两个月翻文献、查数据库，最后发现那个靶点早被验证过是无效的。嗯，那感觉，就像代码写完了才发现需求文档看错了版本。
所以问题来了：怎么把散落各处的知识组织起来，让机器能理解、能推理，辅助我们做决策？
答案就是知识图谱。
1.1 知识图谱到底是什么
说白了，知识图谱就是用图结构存储和管理知识。节点代表实体，边代表关系。
举个病人用药的例子：
- 节点：阿司匹林、COX-1 蛋白、炎症、头痛
- 边：阿司匹林 → 抑制 → COX-1，COX-1 → 参与 → 炎症，头痛 → 相关疾病 → 炎症
这套模式不止能存数据，还能做推理。比如你查到头痛和 COX-1 之间差了“炎症”这个中间节点，就能推测阿司匹林为什么能治头痛。
在我参与的一个老药新用项目中，就是靠这种推理发现了某降压药对阿尔茨海默症有潜在作用。我们没做任何实验，只是跑了三天的图推理。
传统数据库：查到“阿司匹林能治头痛”→ 系统返回“是”或“否”
知识图谱：查到“阿司匹林 → 抑制 → COX-1”、“COX-1 → 参与 → 炎症”、“炎症 → 是 → 头痛”→ 系统解释“因为抑制了炎症通路”
1.2 药物靶点领域的特殊性
药物靶点知识图谱跟通用的知识图谱不太一样。
通用图谱关注的是事实真相——比如“比尔盖茨是微软创始人”。药物靶点图谱关注的是生物机制——比如“蛋白质 A 的磷酸化会激活转录因子 B，进而上调基因 C 的表达”。
你想想看，这里的信息颗粒度完全不同。
我在搭建第一个药物靶点图谱时就踩过坑：把“EGFR 突变”当作一个属性存成字符串，结果根本没法推理哪些突变对药敏性有影响。后来我重新设计了模式，把每个突变位点、突变类型都拆成独立节点，才真正活用了图谱的推理能力。
我曾经把“蛋白质-蛋白质相互作用”直接存成两个节点之间的一条边，结果导致图查询里没法区分“结合”和“磷酸化修饰”这两种完全不同的作用类型。后来我强制要求每种关系都必须加“作用类型”属性，才算解决了这个问题。你设计 schema 时一定要把关系类型想清楚，别像我一样后面才补。
1.3 主要应用场景
药物靶点知识图谱能干的事，我列几个实际落地的例子：
| 场景 | 核心问题 | 知识图谱能做什么 | 我见过的真实案例 |
|---|---|---|---|
| 靶点发现与验证 | 哪个基因/蛋白值得投入资源？ | 整合 GWAS、eQTL、蛋白质组学数据，找出与疾病强关联的节点 | 某罕见病项目，图谱推理发现了一个此前被忽略的剪接因子，小鼠实验证实有效 |
| 药物重定位 | 已上市药能否治别的病？ | 基于“药物-靶点-通路-疾病”路径找到意想不到的连接 | 就像前面讲的降压药对阿尔茨海默症的例子 |
| 副作用预测 | 新药会不会有严重副作用？ | 分析药物与脱靶蛋白的关联，预测 off-target 效应 | 辉瑞内部用过类似方法评估 COVID-19 药物的心脏毒性风险 |
| 临床试验设计 | 入组标准怎么定？生物标志物选哪个？ | 关联基因型、表型、药物应答数据，辅助 biomarker 筛选 | 我曾帮一家 Biotech 做 PD-1 抑制剂试验方案，图谱找到了三个更精准的应答预测标志物 |
这四个场景，基本覆盖了从早期发现到临床落地的全链条。
1.4 构建知识图谱的大致流程
一张图能说清楚的事，我就不用文字绕了。
六步走，每一步都有细节。这个课程会带你手把手走一遍。
1.5 为什么选择这门课
市面上讲知识图谱的课不少，讲药物发现的也不少。但把两者打通的，还真不多。
我在制药公司、CRO 和 AI 药企都待过，踩过的坑、走过的弯路，回头看看都挺值得分享。这门课不会只给你理论，我会拿真实项目的数据结构和代码片段来讲。
如果你之前只用过关系型数据库，刚开始转到图数据库的时候确实会不适应——尤其是写 Cypher 查询的时候总想用 JOIN 思路去解。建议你从一开始就按“节点/边”的思维方式来组织数据，后面会顺手很多。
嗯，这一章到这里。你接下来会看到我从一个空白项目起步，带你完整走过数据准备、本体设计、抽取、存储、查询到应用的全流程。