4. 生物医学知识图谱资源：DrugBank、STRING、UniProt、GO 等数据库归纳总结

做药物靶点发现，说白了就是在海量生物数据里挖金子。你最先要搞清楚的，就是手头有哪些数据库能用。我自己这些年踩过不少坑，最深的体会是：数据库选不对，后面所有特征工程都是白搭。

今天咱们就把几个最核心的生物医学知识图谱资源掰开揉碎了聊。我会结合自己的项目经历，告诉你每个库到底能干什么、不能干什么、以及我怎么把它们揉进知识图谱特征学习里。

4.1 四大数据库概览

我习惯把这四个库当成知识图谱的四个“基座”：

• DrugBank —— 药物-靶点关系的金标准
• STRING —— 蛋白互作网络的大本营
• UniProt —— 蛋白质信息的“维基百科”
• Gene Ontology (GO) —— 功能注释的标准化术语集

你想想看，一个药物靶点发现的知识图谱，缺了其中任何一个，都会像缺了一条腿的桌子。下面这张图能帮你快速建立整体认知。

4.2 DrugBank：药物-靶点关系的金标准

DrugBank 是我做药物重定位时第一个接触的数据库。它把药物（Drug）、靶点（Target）、转运体（Transporter）、代谢酶（Enzyme）之间的关系都标清楚了。说白了，它就是一张巨大的“药物-靶点二分图”。

我记得有一次，我想把药物分子结构与靶点蛋白结构联合建模，发现 DrugBank 里不仅有 drug-target 关系，还提供了药物的 SMILES 表示和靶点的 FASTA 序列。这意味着你可以直接用它构建多模态知识图谱：药物节点 — 治疗 → 疾病节点，同时靶点节点 — 被结合 → 药物节点。

4.3 STRING：蛋白互作网络的大本营

你如果只关注药物和靶点的一对一关系，那视野就窄了。药物往往通过多个靶点起效，靶点之间又存在复杂的互作网络。这时候就得请出 STRING。

STRING 收录了超过 6,700 万个蛋白质、200 亿条互作关系（来自实验、数据库、文本挖掘、同源转移等渠道）。每条互作还有一个 combined score，值越高可信度越大。这一点特别重要——我在做图滤波时，只保留 score >= 0.7 的边，否则图会太稠密。

我曾经犯过一个错误：把 STRING 的所有互作边都扔进知识图谱，结果节点嵌入训练时内存直接炸了。后来老老实实按物种+置信度阈值过滤，才跑通。

下面给出一段我常用的 STRING 数据下载与过滤脚本（伪代码），你感受一下：

# 下载 STRING 的 human 蛋白互作文件
wget https://stringdb-static.org/download/protein.links.v11.5/9606.protein.links.v11.5.txt.gz
gzip -d 9606.protein.links.v11.5.txt.gz

# 过滤：保留 combined_score >= 700（实际值乘以1000）
awk '$3 >= 700' 9606.protein.links.v11.5.txt > string_filtered.tsv

# 将 ENSP ID 转换为 UniProt AC（需提前下载 mapping file）
# 可以用 Python 的 pandas + mygene 库
import mygene
mg = mygene.MyGeneInfo()
ensp_list = ['ENSP00000381552', 'ENSP00000361989']
result = mg.querymany(ensp_list, scopes='ensembl.protein', fields='uniprot', species='human')

4.4 UniProt：蛋白质信息的“维基百科”

UniProt 包含两个核心子库：Swiss-Prot（人工审校，高质量）和 TrEMBL（自动注释，数量大但质量参差）。做知识图谱时，我一般只用 Swiss-Prot。为什么呢？TrEMBL 里有大量预测出来的蛋白，很多功能标签是空的，当节点特征时几乎没用。

UniProt 提供的节点属性非常丰富：

• 蛋白名称、基因名、物种
• 功能描述（function）
• 亚细胞定位（subcellular location）
• 结构域与位点（domain, active site）
• 关联的疾病（involvement in disease）

你还记得刚才那张图吗？DrugBank 里的靶点蛋白 ID 其实就是 UniProt AC。所以你构建知识图谱时，可以把这两个数据库的节点自然融合：同一个蛋白节点，既有 DrugBank 传入的药物-靶点边，又有 UniProt 传入的功能属性特征。

4.5 Gene Ontology：功能注释的标准化语言

GO 本身是一个有向无环图（DAG），而不是一个独立的数据库。它定义了三个领域：

• 分子功能（Molecular Function）：如“激酶活性”“DNA 结合”
• 生物学过程（Biological Process）：如“细胞周期”“凋亡”
• 细胞组分（Cellular Component）：如“线粒体”“细胞核”

每个 GO term 都对应一组蛋白（即 GO 注释）。这种蛋白-术语关系本身就是一个二分图。我在做图特征学习时，常常把 GO 注释当成节点的“类别标签”或者“辅助属性”来增强嵌入。比如，两个蛋白如果共享很多 GO term，那它们在知识图谱中的表示也应该更接近。

你想想看，如果只靠 DrugBank 和 STRING 学习到的嵌入，可能只反映了互作结构。加上 GO 后，就能捕获功能相似性，这对预测新靶点非常关键。

数据库	核心数据类型	典型节点数（Human）	典型边数	常用图结构
DrugBank	药物-靶点关系	~1.4万 药物 + ~5千 靶点	~2万	二分图
STRING	蛋白-蛋白互作	~2万 蛋白	~1亿（全量）	无向加权图
UniProt	蛋白序列与功能	~2万（Swiss-Prot）	属性节点（无关系边）	单点属性表
GO	功能注释（蛋白-术语）	~4万个 GO term	~2百万 注释	二分图 + DAG

4.6 跨库融合：一个实际案例

最后给个实际例子。假设你想预测某个新药的可能靶点，可以这样组合这些数据库：

1. 从 DrugBank 取与目标疾病相关的已知药物-靶点关系，构建种子子图。
2. 从 STRING 取这些靶点的互作蛋白（score ≥ 0.9），扩展候选池。
3. 用 UniProt 给候选蛋白补充功能描述和疾病关联。
4. 用 GO 注释计算候选蛋白与已知靶点的功能相似度（如 semantic similarity）。
5. 把所有这些信息融合成知识图谱，跑 GraphSAGE 或 RGCN 学习节点表示，最后用 link prediction 预测药物-候选蛋白的边。

我自己在某个 kinase 抑制剂项目中就是这么干的。最后模型筛选出的 top-10 候选蛋白里，有 3 个后续被文献验证为真实靶点。虽然不算完美，但比起只用一个数据库的效果提升了近一倍。