知识图谱基础：实体、关系、属性、三元组概念

先问你一个问题：我们为什么要搞知识图谱？

我在药企做项目的时候，团队里最头疼的事就是「数据孤岛」。基因变异结果在一张表，药物信息在另一个数据库，临床表型又在PDF里。你想想看，怎么把这些东西连起来？

说白了，知识图谱就是干这个的。它用一套统一的「语言」，把散落的数据串成一张网。今天我们就先把这套语言说清楚。

实体：图谱里的「名词」

实体是知识图谱中最基本的单元。你可以把它理解成现实世界中某个具体对象，比如：

• 一种药物 —— 阿司匹林
• 一个基因 —— CYP2C9
• 一个靶点蛋白 —— VKORC1
• 一种疾病 —— 房颤

每个实体都有一个唯一的ID。我习惯用「身份证」来类比——没有身份证，图谱就会乱套。

关系：连接实体的「动词」

光有实体是死的，得让它们动起来。关系就是那个「动词」。

举个例子：

• 「阿司匹林 作用于 COX-1」——关系是「作用于」
• 「华法林 代谢通过 CYP2C9」——关系是「代谢通过」
• 「VKORC1 参与 凝血级联」——关系是「参与」

我在整合公共数据库时发现一个坑：不同来源对同一关系的命名老不一致。有的叫「target」，有的叫「binds_to」，还有叫「interacts_with」的。命名规范从一开始就要定死，不然后面SPARQL查起来全是泪。

属性：给实体加「形容词」

实体本身还有很多细节。比如一个药物实体，它肯定有名、化学式、分子量、给药途径等等。这些就是属性。

属性跟关系的区别：属性是附属于某个实体的「内部」信息，而关系是两个实体之间的「外部」连接。搞混了会导致图结构变臃肿。

三元组：知识图谱的最小组件

好，核心来了。把实体、关系、属性组合起来，就变成了三元组。

三元组 = 主体 + 谓词 + 客体

我个人习惯把三元组比作「一句话」：

• 主体 = 主语（一个实体）
• 谓词 = 谓语（关系或属性名）
• 客体 = 宾语（另一个实体 或 一个字面量）

来看两个具体例子：

# 实体-关系-实体 模式
阿司匹林 -> 作用于 -> PTGS1

# 实体-属性-字面量 模式
阿司匹林 -> 半衰期 -> "0.25小时"

# VCF关联场景下的三元组
rs9923231 -> 影响药物 -> 华法林
rs9923231 -> 人群频率 -> "0.37"

每一个三元组都是一个原子事实。整个知识图谱就是由成千上万条这样的三元组构成的。

什么是药物靶点知识图谱？

说清楚了三元组，药物靶点知识图谱无非就是：把与「药物-靶点」相关的所有实体，用标准化的关系串联起来。

它的核心实体至少包括：

1. 药物实体 —— 小分子、大分子、生物制剂
2. 靶点实体 —— 蛋白、酶、受体、离子通道
3. 基因实体 —— 编码靶点的基因
4. 变异实体 —— SNP、Indel、CNV
5. 表型实体 —— 疾病、药物反应、副作用

它们之间的关系网络，我画了张图，你看看就明白了：

从这张图你可以看出：

• 药物通过「作用于」关系连到靶点蛋白
• 靶点蛋白通过「编码于」关系连到基因
• 基因通过「包含变异位点」连到具体的变异
• 变异直接「关联」到临床表型
• VCF文件就是变异实体的数据来源

为什么VCF要跟知识图谱绑定？

这个问题我去很多团队交流时都会被问到。

VCF文件本质上是二维表格，每一行是一个变异位点。但临床决策需要的是「这个变异影响了哪个药物？靶点是什么？有没有替代方案？」

把VCF里的变异映射到知识图谱的变异实体上，你就可以用一条SPARQL查询，直接从变异走到用药建议：

PREFIX dg: 
SELECT ?drug ?recommendation
WHERE {
    ?var dg:rsID "rs9923231" .
    ?var dg:affectsDrug ?drug .
    ?drug dg:adjuvant ?recommendation .
}

这就是知识图谱最朴素的价值：把扁平数据变成一个可以推理、可以导航的知识网络。

最后再总结一句话：实体是神经元，关系是突触，三元组是信号传递的基本单位。药物靶点知识图谱就是把这些信号搭成一张能回答「这个变异该怎么用药」的网。