第1章 课程介绍与背景：药物靶点关系抽取的意义与应用场景

1.1 什么是药物靶点关系抽取

先问个问题：你面前有一堆生物医学文献，里面提到「阿司匹林通过抑制COX-1和COX-2发挥抗炎作用」，你怎么让计算机理解这句话里的关系？说白了，就是要把「药物 X 与靶点 Y 存在某种作用」这个三元组从非结构化文本里拎出来。

我刚开始做这个方向时，以为就是简单的命名实体识别加规则匹配。结果一跑，全是噪声。比如「ABL1 抑制剂伊马替尼」，有些文献里写的是「Imatinib (ABL1 inhibitor)」，实体顺序都颠倒了。更麻烦的是，一句「JAK2 V617F 突变导致对芦可替尼敏感」，你得判断突变和药物之间的关系，而不只是药物和靶点。

所以我们说的药物靶点关系抽取（Drug-Target Relation Extraction），目标是从文献、专利、临床试验报告等非结构化数据中，自动识别出药物实体和靶点实体之间的特定关系类型，比如抑制、激活、结合、代谢等。它和普通的开放域关系抽取不一样——这里的实体类型是固定的，关系类型也是有限的，但准确率要求极高，因为用错一个关系可能导致新药研发走弯路。

1.2 为什么我们非做这件事不可

你可能觉得现有数据库像 DrugBank、STITCH 已经够用了。我承认它们质量很高，但更新速度完全跟不上文献发表量。2024 年 PubMed 每天新增约 3000 篇文献，人工标注根本来不及。我去年参与的一个抗癌药物重定位项目，从一篇《Nature》论文里挖出一个老药对 EGFR T790M 突变的新抑制关系，数据库里根本查不到。要不是我们用模型先扫了一遍，这个线索至少晚六个月才能被发现。

还有一个尴尬的现实：很多靶点-药物关系只存在于图表或正文描述里，没有进入结构化数据库。比如「Trametinib 在 MEK 突变型黑色素瘤中显示出协同效应」——这句话既包含了药物（Trametinib）、靶点（MEK），还隐含了「协同」这个修饰关系。传统规则很难覆盖这种复杂表述。

• 加速药物重定位：老药新用是最经济的研发路径，抽取已有文献中的隐藏关系是关键前提。
• 支撑精准医学：个性化治疗需要基因-药物-疾病的全景知识图谱，手工构建不现实。
• 减少信息孤岛：制药公司内部数据库与公开文献存在巨大鸿沟，自动化抽取能拉平信息差。

1.3 你会在哪些场景里用到它

场景一：药物重定位。某药企想看看现有的已上市药物里还有没有能抗新冠病毒的靶点，他们团队用我们搭的抽取系统，一周就从 15 万篇 COVID-19 文献里找出了 127 个潜在靶点-药物对，其中 3 个后来进了临床前验证。

场景二：副作用知识库建设。很多副作用的本质是药物脱靶结合到了非目的靶点。从文献里抽出了「XX 药物意外激活了 YY 受体导致不良反应」，这条数据入库后，后续的新药筛选就能提前避坑。

场景三：科研假设生成。我见过一个博士生，用抽取结果补全了某个激酶家族的全景调控网络，发现了一个没被报道过的「FGFR3 – Src 交叉对话」关系，后来那个通路成了他的顶会论文核心。

# 一个简单的输入输出示例
输入文本: "Nivolumab, an anti-PD-1 antibody, binds to PD-1 on T cells and blocks the interaction with PD-L1."
输出三元组:
[
  {
    "drug": "Nivolumab",
    "target": "PD-1",
    "relation": "binds_to",
    "evidence": "binds to PD-1 on T cells"
  },
  {
    "drug": "Nivolumab",
    "target": "PD-L1",
    "relation": "blocks_interaction_with",
    "evidence": "blocks the interaction with PD-L1"
  }
]

1.4 技术挑战——没那么简单

第一个陷阱：长距离依赖。一句话里药物和靶点可能隔了十几二十个词，「The compound, after oral administration and subsequent metabolism by CYP3A4, was found to strongly inhibit the kinase activity of ALK in vitro.」——「compound」和「ALK」之间有 16 个 token，RNN 吃不住，Transformers 也得靠注意力机制仔细调教。

第二个陷阱：嵌套与共指。「该抑制剂（由礼来公司开发）在二期临床中显示，它通过干扰微管聚合抑制细胞分裂。」这里的「它」指代「该抑制剂」，而「微管聚合」是靶点。共指消解 + 关系抽取联合建模才靠谱。

嗯，再讲个真实教训：我曾经用标准 BERT + 全连接层做关系分类，在公开数据集上 F1 0.78，自认为不错了。结果拿到某药企的内部专利文献上一跑，直接掉到 0.43。为什么？因为专利文本有大量「said compound」「the aforementioned inhibitor」这类抽象指代，训练集里几乎没有。后来我加了对抗训练和领域自适应，才提到了 0.67。所以领域差异是硬骨头。

1.5 这30章我们都学什么

这张图基本上就是整个课程的骨架。从左到右，从文本输入到最终应用，每一步我们都会有专门的章节去手把手拆解。我个人建议你先把基础知识扫一遍（第1-5章），尤其是数据标注规范和评价指标——很多人栽在这上面。然后我们啃关系抽取的深度学习模型（第6-15章），包括注意力、图神经网络、提示学习。最后特征表示的部分，我当年踩坑最多，会带你从词向量一直走到知识图谱嵌入。嗯，就这么多了，我们开始吧。