PubMed药物靶点关系自动抽取与建模 - 第3节
PubMed——文献检索的起点
做药物靶点关系抽取，第一步就是找文献。PubMed，说白了就是生物医学领域的Google。我刚开始做这个方向的时候，总觉得PubMed就是「搜个关键词，点开文章，复制粘贴」——后来被坑了几次，才老实下来。
PubMed是什么？它是美国国立医学图书馆(NLM)维护的免费数据库，收录了超过3500万条生物医学文献记录。覆盖范围从1946年到现在，包括了MEDLINE、PubMed Central以及部分在线书籍。对于药物-靶点关系这类研究，PubMed是绝对的权威来源。
PubMed ≠ 全文数据库。它存的是「文献元数据」——标题、摘要、作者、期刊、MeSH词、PMID等。想拿全文，得靠出版商授权或PMC。
PubMed记录里有什么？
一条典型的PubMed记录包含以下关键字段。我一般在抽取药物-靶点关系时，最关注的就是TI、AB、MH这三个字段。
| 字段代码 | 字段名 | 说明 |
|---|---|---|
| TI | Title | 文献标题，通常是最浓缩的信息 |
| AB | Abstract | 摘要，我们的主要文本来源 |
| MH | MeSH Terms | MeSH主题词，标准化标引，非常有价值 |
| AU | Authors | 作者列表 |
| PT | Publication Type | 出版类型，比如Journal Article、Review |
| PMID | PubMed Identifier | 唯一标识符，后续数据关联的Key |
| DP | Date of Publication | 出版日期 |
| AD | Affiliation | 作者机构信息 |
你想想看，如果我们直接用「drug target」在全文中搜，结果量巨大但噪声也大。而MeSH字段已经由专业标引员帮你把文献「标准化」了——这个信息质量，比普通关键词高一个档次。
个人习惯：先查MeSH字段，再用自由词做补充。这样可以兼顾「精准」和「全」。我在做DILI（药物性肝损伤）数据集时，就是用这个策略把正样本召回率提高了约15%。
MeSH词表——检索的「精确制导」
MeSH（Medical Subject Headings）是NLM维护的受控词表。它不是什么玄学，而是一套树状结构的概念体系。每个概念有唯一ID、层级关系和同义词集合。
举个例子。你想搜「高血压」相关文献。直接用“hypertension”搜会漏掉吗？不会。但你会把「pulmonary hypertension」也一锅端进来，明明你只关心系统性高血压。用MeSH词“Hypertension”[Mesh]就能精准限定。
MeSH的树状结构
示例：心血管系统药物相关MeSH树
D27.505.954.158 — 心血管药物
D27.505.954.158.100 — 抗心律失常药
D27.505.954.158.200 — 抗高血压药
D27.505.954.158.200.050 — 血管紧张素转换酶抑制剂
D27.505.954.158.200.100 — 钙通道阻滞剂
每层用句点分隔。可以看到，“抗高血压药”下面还有子类。如果你勾选了Explode选项，系统会自动把子类下的所有文献都包含进来——这就是一个很常见的操作，但很多人不知道。
我曾经在一次文献筛选中吃了亏：只搜了粗粒度的“Antihypertensive Agents”，以为全了。结果遗漏了以“Calcium Channel Blockers”为主要概念的文献。后来加上Explode才补齐。细粒度问题，做关系抽取时一定要留意。
MeSH词与自由词的对比
| 维度 | MeSH词 | 自由词（关键词） |
|---|---|---|
| 标准化程度 | 高，同一概念统一标引 | 低，缩写、变体、拼写差异 |
| 查准率 | 高，减少无关文献 | 低，容易引入噪声 |
| 查全率 | 较高（配合Explode） | 高（但需要穷举同义词） |
| 时效性 | 新文献标引有滞后 | 即时可用 |
| 适用场景 | 系统综述、高质量数据集构建 | 最新文献发现、补充检索 |
做药物-靶点关系抽取时，我的策略是：先用MeSH词构建核心语料库，再用自由词扩展边缘案例。说白了就是「精准包围」。
高级检索——把布尔逻辑玩明白
很多人用PubMed，还是直接在搜索框里打字。嗯，这样也行，但效率太低。高级检索就是用布尔运算符（AND, OR, NOT）组合字段检索，把需求精准表达出来。
基本运算符
- AND：交集，缩小范围。例如“Doxorubicin”[Mesh] AND “Cardiotoxicity”[Mesh]
- OR：并集，扩大范围。例如“Lung Neoplasms”[Mesh] OR “Lung Cancer”[tiab]
- NOT：排除，剔除干扰。例如“Influenza”[Mesh] NOT “Swine Influenza”[Mesh]
字段限定符是用方括号写的。常用的有[mh]（MeSH词）、[tiab]（标题/摘要）、[pt]（出版类型）、[dp]（日期）。
示例：检索2020年以后发表的关于「阿霉素心脏毒性」的综述文献
("Doxorubicin"[Mesh] OR "doxorubicin"[tiab])
AND ("Cardiotoxicity"[Mesh] OR "cardiotoxic*"[tiab])
AND ("2020/01/01"[dp] : "3000"[dp])
AND (Review[pt])
这里有个小技巧：用“cardiotoxic*”来匹配cardiotoxicity、cardiotoxic等变体。通配符*在PubMed中是支持的，但注意不能放在词首。
构建检索式时，一定先用括号把逻辑关系写清楚。我见过太多人写“A AND B OR C”，结果PubMed的处理顺序和预期完全不一样。记住：AND优先级高于OR，显式用括号最安全。
检索式构建流程
我的个人习惯是这样的：
- 拆解概念：把需求拆成几个独立概念（比如药物、靶点、疾病）
- 映射MeSH：每个概念找到最匹配的MeSH词
- 补充自由词：列出同义词、缩写、拼写变体
- 组合布尔：概念内用OR，概念间用AND
- 加限定：时间、文献类型、语言等
- 验证测试：先用小范围跑一轮，看看结果是否符合预期
为什么要验证？我曾经为检索「EGFR抑制剂对非小细胞肺癌」的结果开心了半天——结果发现一半文献是体外实验，不是临床研究。后来加上“Clinical Trial”[pt]才拉回来。
建议在PubMed首页点击“Advanced”进入高级检索构建器。它提供下拉菜单选择字段、自动补全MeSH词，还能直接预览检索式。我刚开始做文献挖掘的时候，就是靠这个界面一步步熟悉字段的。
核心检索式示例——药物-靶点关系
假设我们要检索「他莫昔芬与乳腺癌相关的文献」，用于关系抽取数据集构建。
第一步：拆解概念。
- 概念A：他莫昔芬（药物）
- 概念B：乳腺癌（疾病）
第二步：检索式。
# 最终检索式（方便复制到PubMed）
("Tamoxifen"[Mesh] OR "tamoxifen"[tiab] OR "Nolvadex"[tiab])
AND ("Breast Neoplasms"[Mesh] OR "breast cancer"[tiab] OR "breast tumor"[tiab] OR "mammary carcinoma"[tiab])
AND (English[lang])
AND ("2000/01/01"[dp] : "3000"[dp])
这个检索式包含了MeSH词和自由词的双重覆盖，限定了语言和年份。对于关系抽取来说，通常把时间窗口拉宽一点，2000年之后的基本够用。
结果评估
检索完要看什么？我个人看三点：
- 数量：太少说明词表欠覆盖，太多说明检索太宽泛
- 相关度：随机扫5-10篇摘要，看是否是真的目标文献
- 噪声比例：不相关文献占多少，心里要有数
举个例子，如果搜“Tamoxifen AND Breast Neoplasms”出来一万多篇，但里面有一半是讨论其他药物的——那就说明检索式需要加限定，比如他莫昔芬必须在主要主题词位（MeSH Major Topic）出现。
# 限定主要主题词（使用[majr]）
"Tamoxifen"[Majr] AND "Breast Neoplasms"[Majr]
这样检索出来的文献，大概率是核心讨论他莫昔芬和乳腺癌关系的。当然，查全率会降低——这是一个经典的查准vs查全权衡。
注意：PubMed的检索有自动术语映射（Automatic Term Mapping，ATM）。你输入“breast cancer”，系统会自动匹配MeSH词“Breast Neoplasms”以及它的下位词。有时候这是好事，有时候反而引入了你不想要的子主题。如果希望完全控制，可以用短语检索加上双引号，比如“breast cancer”[tiab]。
知识框架：PubMed检索体系
下面这张SVG图，是我对这个章节核心知识点的总结。整个检索流程可以拆成四个阶段：从理解数据对象开始，到词表映射，到高级检索构建，最后用结果评估闭环。
这个流程反复跑几轮，你的检索策略基本就成熟了。我一般在构建数据集前，至少迭代3-5次检索式，直到结果稳定、噪声可控，才会进入下一步的数据导出。
好了，关于PubMed检索的基础就这些。掌握了这三块——数据库结构、MeSH词表、高级检索——你就拥有了从海量文献中精准抓取药物-靶点相关文献的能力。下一步就是用程序批量获取这些数据了，不过那是后面的内容。