课程导论：药物靶点知识图谱概述、应用场景、课程目标
为什么我们要聊这个？
搞药物研发的朋友都清楚，靶点数据散落在文献、专利、数据库里，格式五花八门。我参与过几个早期的药物重定位项目，光是把不同来源的数据对齐就花了大半个月。后来我开始试着用知识图谱来组织这些信息——嗯，效果比我想象的好不少。
说白了，药物靶点知识图谱就是把“药物”、“靶点”、“疾病”、“基因”这些实体之间的关系，用一种通用的结构存起来。你可以把它看作一个超级关联的脑图，每一条边都代表一种生物关系。
什么是药物靶点知识图谱？
知识图谱的本质是三元组：实体-关系-实体。在药物靶点领域，实体包括：
- 药物（小分子、生物药、中药成分）
- 靶点（蛋白、酶、受体、核酸）
- 疾病（适应症、副作用）
- 基因（突变、表达调控）
关系则包括“作用于”、“激活”、“抑制”、“导致”、“治疗”等等。把这些东西串起来，你就能回答类似“哪些药物能同时作用于EGFR和VEGFR？”这种问题。
我个人的习惯：在构建之前先画一个概念草图，把核心实体和关系列出来，避免后期频繁改 schema。以前我跳过这步，结果后来发现关系类型不够用，返工了好几次。
核心应用场景
我在实际项目中接触过的主要场景有三个，这里列出来给大家参考：
| 场景 | 典型问题 | 知识图谱发挥的作用 |
|---|---|---|
| 靶点发现 | 这个疾病有哪些潜在的成药靶点？ | 整合基因表达、蛋白互作、通路数据，挖掘新关联 |
| 药物重定位 | 已有的药物能否用于另一种疾病？ | 通过共享靶点或通路推断新适应症 |
| 副作用预测 | 这个药可能引起哪些不良反应？ | 利用药物-靶点-副作用网络做链路预测 |
你想想看，这些场景背后有一个共通点：数据是分散的，但关系是互联的。知识图谱恰好能把孤岛连成大陆。
避坑指南：我曾经在一个项目中直接拿公开数据库的 raw dump 建图，结果发现大量实体名称不统一（比如“EGFR”和“Epidermal Growth Factor Receptor”混用）。后来我养成了先做实体对齐的习惯，推荐用统一 ID 体系（如 UniProt、HGNC）做标注。
课程目标与内容结构
这门课不是纯理论课，我会带着大家从零到一搭建一个可用的药物靶点知识图谱。具体目标分三层：
- 理解原理：知识图谱的基础概念、本体设计、图谱存储方式。
- 掌握工具：Neo4j、Python 数据处理、SPARQL 查询、实体识别工具。
- 实战项目：从文献中抽取实体关系，构建图谱，并用它做药物重定位的简单推理。
我把整个课程的知识框架画成了下面这张图，方便你建立整体的印象。
聊聊我个人的理解
说实话，我刚接触知识图谱的时候，也以为它就是一张大网，往里塞数据就行。后来才明白，本体设计才是灵魂。你定义的关系粒度决定了下游能做什么样的推理。举个例子：如果你只存“药物-靶点”的关系，那只能做最基本的关联查询；但如果加上“结合强度”、“作用方式”（激活/抑制/拮抗）这些属性，就能做更复杂的排序和过滤。
所以我建议，第一堂课先把概念理清，后面动手的时候心里才有底。这门课里我会反复强调“先设计，后填充”的原则。
核心要点：药物靶点知识图谱不是简单的数据堆砌，而是一种带有语义的、可推理的知识组织形式。它帮你从“怎么查到”变成“怎么发现”。
关于课程实战环境
我们后续会用到下面的工具和库，这里先列个清单：
- 图数据库：Neo4j 5.x（Community Edition）
- Python 数据处理：pandas, py2neo, SPARQLWrapper
- 实体识别：spaCy + 自定义词典；也可以试试 PubTator API
- 可视化：Neo4j Browser, D3.js（部分章节）
我建议你提前把 Neo4j 装好。装的时候注意内存配置，我就遇到过默认堆内存太小导致数据导入崩掉的状况。
安装小贴士：如果你用 Docker 部署 Neo4j，可以映射数据卷避免重启丢失数据：
docker run -d --name neo4j -p 7474:7474 -p 7687:7687 -v $HOME/neo4j/data:/data neo4j:5