第1章：知识图谱基础——从三元组到药物数据

做知识图谱嵌入模型，你首先得搞清楚什么是知识图谱。我见过不少同学一上来就调参，结果模型的输入输出都搞反了。说白了，知识图谱就是一种用图结构来组织知识的方式。它不是什么玄学，就是一种数据表达手段。

1.1 知识图谱的定义与三元组结构

知识图谱的核心单元是 三元组。每个三元组就三个要素：头实体、关系、尾实体。用大白话说，就是“谁”和“谁”之间有什么“关系”。

(head_entity, relation, tail_entity)

举个例子：

(阿司匹林, 用于治疗, 头痛)
(布洛芬, 与, 阿司匹林) 存在交互作用
(ChEMBL_COMPOUND123, 结合于, 靶点_COX1)

每个三元组就是一个事实。你想想看，把成千上万个这样的三元组连起来，就形成了一张巨大的知识网络。我刚开始做药物KG时，总觉得三元组太简单，后来才发现，正是这种简单的结构，才能支撑复杂的推理任务。

三元组在存储时，通常会用 索引表 来管理：

在模型训练时，我们会把这些实体和关系映射成向量。这种映射就叫 嵌入。嗯，这里要注意：嵌入的质量，直接取决于你三元组数据的完整度和准确度。

1.2 药物知识图谱的独特特征

药物知识图谱和通用的知识图谱不太一样。我个人习惯把它称为“带着生命科学的镣铐跳舞”。为什么这么说？

• 实体类型多且层次复杂：药物、靶点、疾病、基因、代谢通路、副作用……每个类型内部还有层级。
• 关系类型丰富：不只是简单的“治疗/抑制/激活”，还有“结合亲和力 > 10nM”、“半衰期 4-6小时”这类带数值的关系。
• 时间维度重要：一个药物在不同时间点的状态可能不同，比如“获批上市于2010年”。
• 数据稀疏性高：大部分药物只和少量靶点有明确关系，这会导致嵌入训练时负采样困难。

你也可以用一些简单的脚本，把原始数据转成三元组格式。比如从CSV里提取药物与靶点的关系：

import pandas as pd

df = pd.read_csv('drug_target.csv')
triples = []
for _, row in df.iterrows():
    triples.append((row['drug_id'], 'binds_to', row['target_id']))

# 保存三元组
with open('triples.txt', 'w') as f:
    for h, r, t in triples:
        f.write(f"{h}\t{r}\t{t}\n")

你想想看，一个药物KG通常包含多少三元组？少则几十万，多则上亿。这就是为什么我们需要嵌入模型——把图结构压缩到一个低维空间里。

1.3 常见药物KG资源

现在我来介绍两个最常用的公开资源。做药物嵌入研究，你绕不开它们。

DrugBank

DrugBank 算是我见过的综合度最高的药物数据库。它涵盖药物化学结构、药理作用、靶点、代谢酶、转运体等。最新版本（5.1.x）里有超过14000种药物本体，以及数千种靶点蛋白。

它的三元组抽取逻辑类似这样：

# 示例：DrugBank XML 中的三元组提取片段
drug_id: DB01050
relations:
  - (DB01050, has_target, TARGET_IBUPROFEN_1)
  - (DB01050, has_metabolic_enzyme, CYP2C9)
  - (DB01050, treats_condition, 原发性痛经)

ChEMBL

ChEMBL 更偏向生物活性数据，包含大量结合亲和力实验数据。它的优势在于数值化关系非常多，比如 IC50、Ki、EC50 等。我建议你用 ChEMBL 来做那些需要“关系强度”的嵌入任务。

ChEMBL 的典型三元组：

# 从 ChEMBL SQLite 导出示例
Compound: CHEMBL25
Target: CHEMBL_target_252
Relation: has_activity_value
Value: 6.5 (pIC50)

下面是两个资源的对比表：

光说不练假把式。你下载好数据后，可以用这样几行代码快速看一下数据结构：

# 以 ChEMBL 为例，查看表格结构
import sqlite3
conn = sqlite3.connect('chembl_28.db')
cursor = conn.cursor()
cursor.execute("SELECT name FROM sqlite_master WHERE type='table';")
tables = cursor.fetchall()
print(tables[:5])  # 打印前5个表名

本章核心知识结构

为了让你对整个体系有个直观印象，我画了一张图。这张图概括了从三元组定义到两个典型数据集的全貌。

好了，这一章的内容就到这儿。打好基础，后面练功才不慌。