1. 药物知识图谱概述

各位同学好，今天咱们正式开始《药物知识图谱数据清洗与融合方法》的第一章。我先说说为什么选这个切入点。我记得五年前刚接触这个领域时，发现很多团队都在做知识图谱，但真正能把数据洗干净、把多源信息融合好的项目其实不多。究其原因，是大家对基础概念和技术边界理解得不够透彻。

所以，本章咱们一起把“药物知识图谱”这件事从头捋一遍。核心就三个问题：它到底是个什么东西？能用在哪些地方？国内外现在做到什么程度了？

1.1 什么是药物知识图谱？

知识图谱，说白了就是用图的方式组织知识。药物知识图谱就是以药物为中心，把药物、疾病、基因、靶点、副作用这些实体，以及它们之间的复杂关系，用一种结构化的方式串起来。

我个人习惯把它理解成一个“透明的医药大脑”。每一个节点是一个实体，每一条边是一种关系。比如“阿司匹林”和“头痛”之间有一条边叫“治疗”，“布洛芬”和“胃肠道出血”之间有一条边叫“副作用”。

我见过很多团队在初期花费大量时间处理异构数据源，结果发现实体对齐都做不精准。为什么会这样？因为你没有提前把知识图谱的模式层（Schema）设计好。Schema没定好，后面融合数据就是灾难。

1.2 应用场景：它真的能解决实际问题吗？

这里我挑几个自己参与过的真实场景，大家感受一下。

新药研发与老药新用：我参与过的一个项目，想找已经上市的药物能否治疗某种罕见病。传统方法是查文献、问专家，一查就是几个月。但有了药物知识图谱，你可以这样搜索——从疾病节点出发，沿着“靶点-通路”关系找到已知药物，再通过“结构相似性”推荐候选药。整个过程几分钟。

智能诊疗与辅助决策：我在项目里遇到过医生给病人开药，病历上有肝损伤史。系统通过药物知识图谱检测到“该药物主要通过CYP3A4代谢，与病人同时服用的另一种药物存在竞争性抑制”，立刻弹出了预警。这就是图谱在临床决策支持里的价值。

电商与合理用药：嗯，这里要注意，不是所有应用都高大上。我见过一个团队用药物知识图谱做网上药店场景——用户搜“感冒灵”，图谱自动关联“对乙酰氨基酚”，判断用户是否同时买了其他含此成分的药，以免过量服用。

1.3 国内外发展现状

国外的药物知识图谱起步早，底子厚。最有名的是 DrugBank，它是手动维护的，质量极高，但覆盖度有限。ChEMBL 则更侧重生物活性数据，PharmGKB 专注于药物基因组学。这三个我都有用过——我记得刚开始做药物知识图谱时，踩过一个很大的坑：我直接拿了DrugBank的结构去对齐ChEMBL的数据，结果发现它们的命名规则完全不同。后来我才学会要做预处理字段映射。

国内呢，这几年发展非常快。中国中医科学院做了中医药知识图谱，但中药的“君臣佐使”关系太复杂，结构化难度高。我参加过一个医学知识图谱的评测，发现国内团队在实体识别（NER）上做得不错，但在关系抽取和跨库融合上还有明显短板。一个很大的教训就是：数据源越多，清洗和融合的工作量不是线性增长，是指数级增长。

下面这张图展示了一个典型的药物知识图谱构建流程，大家可以先看个整体印象，后续课程会逐层拆解。

关于国内外现状，我做了一个对比表格，大家可以更直观地感受差异。