1. 课程导论：药物靶点发现的意义与知识图谱在其中的角色

各位好，我是老吴。做药物研发这块快十年了，今天开始咱们聊聊 知识图谱特征学习 怎么帮咱们找到新靶点。你可能听过「新药研发是个烧钱的无底洞」——这话不假。一个药从研发到上市，平均要花 10 到 15 年，烧掉 26 亿美元。可你知道吗？这里面最大的坑其实不是临床试验，而是 靶点发现。靶点找错了，后面全是白忙活。

1.1 为什么药物靶点发现这么重要？

靶点是什么？说白了就是分子层面的「把手」——药物得抓住它才能治病。比如蛋白质、RNA、甚至某个信号通路上的关键节点。一个好的靶点，能让你事半功倍；但多数情况下，我们连「该抓哪个把手」都不知道。

我个人习惯在项目立项前先问三个问题：

• 这个靶点和疾病的因果关系有多强？
• 它能不能被小分子或大分子「摸到」？
• 脱靶风险大不大？

你看，光这三点，传统方法就得折腾大半年。我经历过一个项目，团队用两年时间筛选出 300 个候选基因，最后验证下来只有 2 个有治疗潜力。两年啊，就为了找出那 2% 的可能性。所以后来我一直在想：有没有更聪明的办法？

1.2 传统方法面临的挑战

传统靶点发现路子不少：

• 高通量筛选——几十万个化合物怼上去，成本高、随机性强；
• 基因敲除/RNAi——验证因果性还行，但没法大规模；
• 关联分析（GWAS）——统计学上显著，但功能解释差；
• 文献挖掘——人工读论文累死人，信息碎片化。

我拿个表给你对比一下，你会发现缺了啥：

方法	数据整合能力	可解释性	发现新关联	成本
高通量筛选	低（单维）	中	低	极高
GWAS	低（遗传关联）	低	中	高
文献挖掘	低（人工）	高	低	中
知识图谱方法	多源异构	中高	高（链路预测）	中等

说白了，传统方法最大的问题是 数据孤岛：文献里有、数据库里有、组学实验里也有，但没人把它们连起来看。你想想，一个蛋白如果能和疾病、药物、通路、表型、副作用全都连上，那它的「靶点潜力」不就一目了然了吗？

1.3 知识图谱登场——关联数据的武器

知识图谱，说白了就是一张巨大的网络——节点代表实体（蛋白、疾病、药物、基因……），边代表关系（抑制、治疗、突变导致……）。比如三元组：

(DB00357, treats, asthma)
(P53, interacts_with, MDM2)
(Alzheimer's disease, caused_by, APOE4)

每个三元组都是一条知识。别小看这种表达方式——它让机器能「读」懂生物医学文献和数据库里的海量信息。我2017年第一次在项目里用知识图谱做靶点发现时，心里其实也没底。但后来发现，只要图谱质量够好，它能干的活比想象多得多：

• 融合多源数据：UniProt、PDB、DrugBank、DisGeNET、PubMed……全塞进一张图。
• 链路预测：预测「这个蛋白可能和这个疾病有关」——这就是新靶点的候选。
• 机制解释：找到蛋白之间、药物-靶点之间的最短路径，解释为什么这个靶点合理。

1.4 知识图谱在靶点发现中的具体角色

放在实际工作流里，知识图谱的角色可以分成三个梯队：

1. 数据底座——把所有已知的关联结构化存储，可查询、可推理。
2. 特征工厂——通过图嵌入（Node2Vec、TransE、GNN）把每个节点变成一个向量，深度学习模型吃这个。
3. 推理引擎——利用图上的拓扑结构做链路预测，告诉你「这个蛋白很可能是个新靶点」。

这三步连起来，就是咱们整门课要讲的核心流程。拿我去年合作的一个项目举例：我们用知识图谱嵌入了5万个实体，然后用GNN预测靶点-疾病关联，AUC（ROC分类曲线下面积）做到了0.87。传统方法只能做到0.72左右。所以你别怀疑——这条路走得通。

1.5 本章知识体系总览

下图是我自己画的一张路线图，把从原始数据到靶点候选的整个过程串起来了。你可以把它当作咱们课程的导航：

1.6 课程地图

接下来咱们这门课，会一步步拆解上面那张图的每个环节。简单说一下结构：

阶段	核心内容
第一部分（2-7章）	知识图谱基础：构建、查询、质量评估
第二部分（8-14章）	图嵌入方法：TransE、Node2Vec、GCN、GAT
第三部分（15-20章）	靶点预测模型：链路预测、矩阵分解、GAN
第四部分（21-25章）	实战案例：阿尔茨海默病靶点发现、耐药性分析
第五部分（26-30章）	前沿与扩展：多模态融合、因果推断、未来方向

你不必一口气记住所有章节。只要记住：所有内容都围绕「如何用图上的特征找到靠谱靶点」这条线走就行了。