课程介绍与背景
药物靶点发现的重要性
做药物研发的朋友都知道，找到一个靠谱的靶点，基本就成功了一半。靶点说白了，就是药物在体内作用的那个“开关”——可能是某个蛋白、酶或者受体。你把它控制住了，疾病通路就被打断了。
但问题来了：人类基因组里大约有 20000 个蛋白编码基因，其中能被药物安全有效地调控的，真正经过验证的靶点，目前才几百个。我前几年参与过一个抗肿瘤项目，团队花了 8 个月筛选文献，最后发现那个热门靶点早在 2003 年就被报道过安全性问题。白白浪费了时间和经费——这就是靶点发现的痛点。
传统方法怎么找靶点？主要靠实验筛选加人工读文献。一个研究员一天最多精读 5 篇论文，而 PubMed 里光药物相关的文献就超过 2000 万篇。你想想看，这效率完全跟不上。
| 方法 | 效率 | 成本 | 覆盖率 |
|---|---|---|---|
| 人工阅读 | 低（5篇/天） | 高（人力成本） | 低 |
| 关键词搜索 | 中（依赖检索式） | 低 | 有限 |
| 文本挖掘 | 高（千篇/分钟） | 中（开发成本） | 高 |
文本挖掘的作用
文本挖掘，说白了就是让计算机替你读论文，把里面提到的基因、蛋白、化合物、疾病、关系等信息自动抽出来。我最早接触这个方向是在做一个文献计量项目，当时需要统计 10 年内的激酶抑制剂报道。如果靠人工，两个研究生干一个月都搞不定。但用 Python 写了个脚本跑了一夜，所有关系对都出来了。
在药物靶点领域，文本挖掘的核心任务有这几个：
- 命名实体识别（NER）——从句子中找出“EGFR”“imatinib”“non-small cell lung cancer”这类专有名词。
- 关系抽取（RE）——判断实体之间是不是抑制、激活、结合等作用关系。
- 归一化（Normalization）——把同义词（比如“EGF receptor”和“EGFR”）映射到同一个数据库ID上。
- 证据排序——给抽出的候选靶点评分，过滤掉低质量报道。
文本挖掘还有一个隐藏优势：可以跨领域关联。比如一篇论文里提到某化合物在细胞实验中对蛋白 A 有效，另一篇里说蛋白 A 在某种癌症中高表达——这两条信息单独看都没用，但合并起来就是一个潜在的药物-靶点-疾病线索。
PubMed 简介
PubMed 是美国国立医学图书馆（NLM）维护的免费文献数据库，收录了全球 3000 多万条生物医学文献摘要。说白了，这是我们文本挖掘最重要的数据源。
我经常被学员问到：“为什么不直接爬 Web of Science 或 Scopus？” 原因很简单：PubMed 提供了完善的 API（E-utilities），完全免费，没有限速条款（只要你别太暴力）。而且它的 XML 格式非常规范，元数据（MeSH 词、作者、年份、期刊）都标记得很清楚。
下面是一个最基础的查询示例，用 curl 调用 E-utilities 搜索“drug target”相关的文献：
curl -s "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi?db=pubmed&term=drug+target&retmax=10&retmode=json"返回的 JSON 里包含 PubMed ID（PMID）列表，然后用 efetch 就能拿到详细摘要：
curl -s "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=pubmed&id=12345678,23456789&retmode=xml&rettype=abstract"为什么要学这个？因为我们后续所有章节的自动化抽取流程，第一步都是从这个 API 开始——下载文献集、解析 XML、抽取出句子、再跑实体识别和关系抽取。你掌握了这个起点，后面的代码才能跑起来。
PubMed 的数据结构也值得了解一下：每条记录包含标题、摘要、作者、期刊、出版年份、MeSH 词、PMID、PMCID 等。其中 MeSH 词是人工标注的受控词表，对提升文本挖掘准确率很有帮助。比如搜索“Neoplasms”而不是“cancer”，能召回更多相关文献。
这张图把本章的核心逻辑串起来了：从 PubMed 文献源出发，经过文本预处理、命名实体识别、关系抽取，最终产出药物-靶点关系库。后续所有章节都是在给这张图的每个环节填细节——怎么下载数据、怎么训练模型、怎么提升准确率。
嗯，这里要注意一点：很多人觉得文本挖掘就是调个包跑一下。但我实际经验告诉我，真正上生产环境的时候，80% 的工作量反而在数据清洗和词典维护上。比如 PubMed 的摘要里经常有基因名被截断或者拼写错误，不做处理的话 recall 会很难看。