第一章：课程介绍——药物知识图谱概述与实体特征处理的重要性

大家好，欢迎来到这门课。先做个自我介绍，我在这个领域摸爬滚打了快十年。最早接触药物知识图谱的时候，市面上连像样的工具都没几个，很多路都是我们自己踩出来的。

这一章咱们不谈复杂算法。先聊聊“是什么”和“为什么”。你想想看，如果你连地图都看不懂，开车技术再好也没用。知识图谱就是一张地图，而实体特征处理，就是给地图上的每个地标做标注。

嗯，咱们从头开始。

1.1 什么是药物知识图谱

说白了，知识图谱就是用节点和边来描述世界的一种方式。在药物领域，节点就是各种“实体”——比如药物、基因、蛋白质、疾病、副作用。边就是它们之间的关系——比如“治疗”、“靶向”、“导致”。

一个简单的例子：

• 实体：阿司匹林、COX-1酶、头痛
• 关系：阿司匹林 -> 抑制 -> COX-1酶 -> 缓解 -> 头痛

我早年参与过一个项目，当时的目标是把所有FDA批准药物的说明书、临床试验数据、文献摘要全串起来。听起来很宏大对吧？结果数据一拉，光是“阿司匹林”这个名字就有8种不同的写法（Aspirin, acetylsalicylic acid, ASA...）。这就是我们要处理的“实体特征”问题。

药物知识图谱比通用知识图谱更“拧巴”。因为它涉及的数据来源太杂了：

• 结构化数据：DrugBank、ChEMBL、PDB 这些数据库
• 半结构化数据：临床试验XML、药物说明书标签
• 非结构化数据：PubMed文献、专利文本、医生笔记

这些数据里的实体，表现形式千变万化。不处理好特征，后边的推理、预测都是空谈。

1.2 实体、关系与特征的本质

咱们拆解一下：

实体特征是连接“原始数据”和“图算法”的桥梁。举个例子，你不能直接把“分子量589.7”扔进图神经网络；你得把它转成数值向量。这个转换过程，就是特征处理。

1.3 实体特征处理为何如此重要

过去有一段时间，圈里流行“模型至上”。大家拼命调GNN、搞TransE，结果效果上不去。为什么？

1. 质量风险：如果实体特征全是噪声，模型再好也没用——垃圾进，垃圾出。
2. 跨源对齐难题：一个药物在不同数据库里写法不同（比如“TNF-alpha”和“TNFα”）。特征处理不好，同一个实体会被当成两个节点，图谱就乱了。
3. 语义增强：单纯靠ID编码，模型学不到药物分子的结构信息。我们需要把SMILES、指纹、理化性质都融合进特征。
4. 计算效率：特征维度太高、稀疏度太大，训练根本跑不动。你得压缩、归一化、筛选。

我见过太多团队花了半年搭建图谱，最后却发现实体特征没有统一规范，导致下游药物重定位任务准确率不到60%。这是一个典型的“面粉不行，面包烤糊了”的案例。

1.4 实体特征处理的完整路径

我个人习惯把实体特征处理拆成三步：

1. 特征提取——从原始数据里捞到有意义的信息。
2. 特征表示——把非结构化的信息转成结构化格式（向量、索引、图嵌入）。
3. 特征优化——清洗、降维、融合、归一化，让特征又好用又稳定。

下面这张图可以作为本章的路线图，帮你建立系统认知：

1.5 典型的技术挑战

讲几个我踩过的坑，希望大家别再犯了。

挑战二：特征的异构性

药物的特征包含：

• 数值型（分子量、LogP、熔点）
• 类别型（ATC分类、给药途径）
• 文本型（SMILES、描述段落）
• 图结构型（分子图、蛋白质结构）

把它们统一到一个表示空间，是个硬骨头。

挑战三：特征稀疏与噪声

很多药物实体只出现在极少数的文献中，特征向量稀疏得像筛子。还有大量自动抽取的特征混入了噪声——比如把“头痛”识别成基因名（别笑，我真实遇到过一次AI把“headache”当成了基因符号）。

1.6 课程地图与学习建议

这门课我们会按下面这个顺序展开：