第2章 基础知识：生物医学文献结构与PubMed检索
在做药物靶点自动抽取之前，你得先了解战场是什么样的。说白了，PubMed就是咱们的数据库，而文献结构是咱们要解构的对象。我个人习惯把这一章当成整个课程的基石——如果连文献长什么样、怎么拿数据都搞不清楚，后面的代码写得再漂亮也没用。
2.1 生物医学文献的结构特征
一篇PubMed上的文献，虽然排版五花八门，但核心结构其实非常固定。我刚开始做文本挖掘时，以为每篇文献格式都不一样，后来发现这只是表面现象。真正的大结构，无非是以下几种：
- 标题（Title）：短小精悍，核心信息压缩在里面
- 摘要（Abstract）：分为目的、方法、结果、结论四个隐式段落
- 关键词（MeSH Terms / Keywords）：人工标引的主题词，是靶点抽取的黄金线索
- 全文（Full Text）：包含材料与方法、结果、讨论、参考文献等
- 元数据（Metadata）：作者、期刊、发表日期、PMID、PMCID等
核心思路：药物靶点提取主要依赖标题+摘要+MeSH词，全文虽好但API获取成本高、处理慢。我个人习惯先吃摘要，精度不够再补全文段落。
这里有一个我在项目里遇到的坑——你以为MeSH词都是规范的，但其实有些新发现的靶点并不在MeSH词表里。所以你不能完全依赖MeSH，还得从摘要的文本中抽。
2.2 PubMed检索基础
PubMed的检索引擎，本质上就是一个高级搜索语法。我建议你直接学它的核心语法，比点网页按钮快几倍。下面是我常用的几个检索操：
| 操作符 | 示例 | 说明 |
|---|---|---|
| [tiab] | aspirin[tiab] | 限定在标题/摘要中搜索 |
| [mh] | Neoplasms[mh] | MeSH主题词搜索 |
| [pt] | Review[pt] | 限定文献类型 |
| AND/OR/NOT | drug AND target | 布尔逻辑组合 |
| #1 AND #2 | — | 引用历史检索编号 |
举个例子，我想搜“阿司匹林与癌症靶点”的综述文献：
aspirin[tiab] AND (cancer[tiab] OR neoplasms[mh]) AND Review[pt]为什么会这样写？因为直接用cancer搜全文的话，匹配的文献量太大了。限定在[tiab]和[mh]能缩小范围，而且review类型的文献往往综述性地总结了靶点信息，省去你自己从头筛一遍的功夫。
2.3 PubMed API：E-utilities入门
很多时候我们不需要在网页上一条一条点。爬虫？不，PubMed官方提供了API——E-utilities。我常常用它们来批量获取文献数据。核心API有4个：
- ESearch：根据查询词返回PMID列表
- EFetch：根据PMID拉取详细记录（XML或JSON）
- ESummary：获取摘要信息（比EFetch轻量）
- ELink：获取与文献关联的其他数据库条目（比如PMC、Gene）
避坑指南：我曾经一次性发了200个请求到EFetch，结果PubMed把我的IP封了半小时。官方的限制是每秒3个请求，API key允许每秒10个。记得一定要限速，不然你这个月的数据采集计划就泡汤了。
一个最简单的ESearch调用示例（用Python的requests）：
import requests
base_url = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/"
query = "aspirin AND therapeutic target[tiab]"
# 第一步：搜索
search_url = f"{base_url}esearch.fcgi?db=pubmed&term={query}&retmax=10&retmode=json"
resp = requests.get(search_url)
data = resp.json()
id_list = data["esearchresult"]["idlist"]
print(id_list)
# 第二步：取摘要
for pmid in id_list:
fetch_url = f"{base_url}efetch.fcgi?db=pubmed&id={pmid}&retmode=xml"
# 解析XML的细节后面会讲，这里只是展示流程嗯，这里要注意一下retmode=json和retmode=xml的区别。ESearch的JSON模式很轻量，适合快速获取列表；但EFetch的JSON模式不如XML模式的信息完整。我个人习惯EFetch一律用XML，然后解析。
2.4 文献结构的核心：XML解析准备
EFetch返回的XML结构，才是我们真正要操作的对象。你想想看，一篇文献的标题、摘要、作者、MeSH词都嵌套在XML标签里。典型的层次是这样：
<PubmedArticle>
<MedlineCitation>
<Article>
<ArticleTitle>Aspirin targets...</ArticleTitle>
<Abstract>
<AbstractText>...</AbstractText>
</Abstract>
<KeywordList>
<Keyword>drug target</Keyword>
</KeywordList>
</Article>
<ChemicalList>
<Chemical>
<NameOfSubstance>Aspirin</NameOfSubstance>
</Chemical>
</ChemicalList>
</MedlineCitation>
</PubmedArticle>看到了吗？药物名称藏在<ChemicalList>里，靶点信息在<Keyword>或<Abstract>中。这就给我们的自动抽取提供了明确的定位路径。
注意：有些文献的<Abstract>是空的，或者只有部分段落。这时候你只能靠MeSH词和ChemicalList来推断靶点。遇到这种情况，我通常会标记为“低置信度”，不纳入最终数据集，避免把噪声带进去。
2.5 本章知识体系一览
上图展示的是我从文献到靶点抽取的完整知识链路。底层是文献结构理解，中间层是检索与API获取数据，上层才是真正的抽取算法。如果你把文献结构搞明白，检索语法熟练，API调用顺手，基本上就搭建好了整个课程的基础设施。
一句话总结：这一章你只需要盯紧三件事——文献长什么样（结构），怎么找到目标文献（检索），怎么批量拿数据（API）。后面的章节全部建立在这三点之上。
我记得第一次给研究生讲这部分时，有人问为什么不直接从全文PDF里抽。我当时给的回答是：PDF解析的噪声太大，而PubMed的结构化数据，尤其是MeSH词和Chemical列表，是人类专家标引过的，质量高得多。除非你需要补充细节，否则先用结构化的数据。