第3章 药物知识图谱构建：从数据到图的那些坑
3.1 数据来源：三大核心源头
构建药物知识图谱，第一步就是吃透数据源。我做过十几个药图项目，每次都会先问自己：数据准不准？全不全？更新频率够不够？说白了，源头脏了，后面所有工作都是白费。
目前业界公认的三个主力来源：DrugBank、PubMed 和 临床试验记录。它们各有侧重，我习惯把它们组合成一个“数据三角”。
| 数据源 | 内容特点 | 我的用法 |
|---|---|---|
| DrugBank | 结构化药物‑靶点‑疾病三元组，含化学性质、药物互作 | 作为核心骨架，通常直接RDF解析 |
| PubMed | 2000万+生物医学文献摘要，半结构化 | 用NER挖出隐含关系，但要处理噪声 |
| 临床试验记录 | CT.gov、WHO ICTRP，含剂量、适应症、不良事件 | 补充真实世界证据，对齐编码体系 |
举个例子，DrugBank里的“阿司匹林→COX1”是明确的关系，但PubMed摘要里可能写“阿司匹林通过抑制COX1减少前列腺素”，这是自由文本。说白了，前一个是数据库，后一个是语料库。
⚡ 数据质量优先级
- DrugBank：稳定、结构化，我标为可信级
- 临床试验记录：标准规范，但需要解析ANSI编码
- PubMed：信息最广泛，但实体歧义最多
3.2 实体抽取与关系抽取
拿到原始数据后，第一件事就是抽实体。我遇到过一个项目，用通用BERT抽药物名，结果把“血压”也当成了药……嗯，踩坑之后我改用BioBERT或PubMedBERT了。
实体抽取主要用序列标注思路。关系抽取目前主流是远程监督+注意力。下面给一段我常用的Python片段（用spaCy + 自定义规则做粗筛，再用模型精调）：
import spacy
from spacy.pipeline import EntityRecognizer
nlp = spacy.load("en_core_sci_sm")
text = "Aspirin binds to COX1 and reduces prostaglandin synthesis."
doc = nlp(text)
for ent in doc.ents:
print(f"{ent.text} -> {ent.label_}")
# 输出：Aspirin -> CHEMICAL
# COX1 -> GENE
# prostaglandin -> CHEMICAL关系抽取我习惯用远程监督对齐：先用已有知识库（DrugBank的三元组）回标语料，再用BiLSTM+ATT训练。这里贴一个mini配置示例：
// relation_extraction_config.yaml
model: "bert-bilstm-att"
max_seq_length: 128
relation_types: ["interact", "inhibit", "activate", "treat"]
positive_ratio: 0.3
pretrain_model: "dmis-lab/biobert-base-cased-v1.1"注意：远程监督会引入假正例。我曾在CT.gov里见过一条记录说“格列卫治疗CML”，但另一篇文献说格列卫也用于GIST，远程监督直接标成两个关系——这就需要后面融合阶段做消歧。
💡 小技巧
别一上来就上大模型。先用词典规则抽出肯定出现的实体（比如DrugBank中所有的药物名），跑通流水线再说。我曾经在初期就直接上BERT，结果找错花了三天。
3.3 知识融合与对齐
抽出来的实体和关系，名字不一样但指代同一事物，怎么办？这就是融合对齐的活。
我总结过三种典型对齐场景：
- 模式层对齐：不同数据源的同种属性映射到同一个Schema（比如DrugBank的“target”和PubMed的“binds to”都算“互作”）
- 实体对齐：“Aspirin”“Acetylsalicylic acid”“ASA”指向同一个药物
- 关系实例对齐：从不同来源抽出的同样三元组，合并置信度
下面是我用过的一个简单对齐规则片段（JSON格式的映射表）：
{
"entity_alias": {
"Aspirin": ["ASA", "Acetylsalicylic acid", "2-acetoxybenzoic acid"],
"Ibuprofen": ["Advil", "Motrin", "2-(4-isobutylphenyl)propanoic acid"]
},
"relation_mapping": {
"interact_with": ["binds", "targets", "has_target"],
"treats": ["indicated_for", "therapy_of", "used_for"]
}
}实战中我遇到过最头疼的问题：PubMed里“TNF-alpha inhibition”和DrugBank里“TNF inhibitor”其实是一个意思，但一个用动词一个用名词。我曾经用编辑距离+同义词库做过一次粗对齐，再人工校验3000条，把准确率从72%拉到91%。
⚠️ 对齐陷阱
千万别直接用字符串包含判断。“雷帕霉素”和“西罗莫司”是同一种药，但字符串完全不像。必须引入别名库或嵌入相似度。我一开始偷懒用contains，结果把“雷帕霉素衍生物”也误对齐了，数据直接污染。
整体流程一图说清
我不喜欢光讲理论。下面这张图是我在项目中反复给团队画的骨架——三个数据源如何汇聚成知识图谱：
你看，从三条数据管道往下走，实体抽取之后必须过一道对齐关口。我自己的经验是：融合阶段至少留20%的时间做人工校验，特别是药物别名和多义词。这个步骤没人能替你写代码搞定。
📌 本章核心要点
- 数据源选型：DrugBank做骨架，PubMed做广度，临床试验做验证
- 实体抽取不要迷信全模型，先用词典兜底
- 关系抽取用远程监督速度快，但必须加假正例过滤
- 融合对齐是整个构建流程中最费人的一环，别名库和嵌入相似度必须组合使用
好了，这一章就聊这些。数据到手、实体抽出来了、关系对好了，下一步就是把这些三元组装成图结构——那时候你会遇到很多特征提取的坑，后面章节咱们再慢慢拆解。