第2章：药物靶点基础知识——靶点类型与相互作用关系

咱们开始聊点实在的。

上一章我大概说了说药物知识图谱和靶点特征学习的整体图景。这一章，咱们得把最基础的东西打牢——药物靶点到底是什么，以及药物和靶点之间怎么“互动”。

我最早接触这个领域时，人都是懵的。一堆名词往里砸：蛋白质、基因、酶、受体、离子通道……后来发现，其实绕来绕去就是那几个核心类型。搞懂了它们，后面的特征学习才有根。

2.1 靶点——药物作用的“锚点”

说白了，药物靶点是药物在体内起效时结合的那一把“锁”。

药物是钥匙，靶点是锁。钥匙插进锁孔，转动了，锁芯就动了，生物过程就变了。这个比喻虽然朴素，但非常管用。我记得我给学生讲课时就这么打比方，一个班的人瞬间就懂了。

从分子层面上看，靶点绝大多数是蛋白质，但也包括核酸（比如DNA、RNA）和一些其他生物大分子。咱们在药物知识图谱里建节点时，最常见的就是这三类。

2.2 靶点类型——这几种最常碰见

我整理了一个表格，帮你快速建立对比印象。你在项目中遇到的90%以上的靶点，都能归到这几类里。

这里我想多说一句：酶和受体其实都是蛋白质。为什么单列出来？因为它们在药物研发里太重要了，值得在知识图谱里给它们特殊的节点属性。我自己做知识图谱时就习惯给酶节点加一个reaction_type属性，用来记录它催化什么反应。你想想，这在后面做特征学习时是多好用的信号。

2.3 药物-靶点相互作用关系

接着咱们聊聊“相互作用”这回事。关系比节点本身更关键。

药物和靶点相互作用，不是简单的“结合”或“不结合”。它有很多种模式。我归纳了最常见的四种，你在知识图谱里建关系时会频繁用到。

• 激动剂 (Agonist)： 药物结合后激活靶点，增强其功能。比如吗啡激动阿片受体。
  • 图谱关系标签：AGONIST_OF
• 拮抗剂 (Antagonist)： 药物结合后抑制靶点，阻断其功能。比如普萘洛尔拮抗β受体。
  • 图谱关系标签：ANTAGONIST_OF
• 抑制剂 (Inhibitor)： 常针对酶，直接降低酶活性。比如伊马替尼抑制BCR-ABL激酶。
  • 图谱关系标签：INHIBITOR_OF
• 别构调节剂 (Allosteric modulator)： 结合在靶点非活性位点，改变其构象，间接调节功能。
  • 图谱关系标签：ALLOSTERIC_MODULATOR_OF

你看，同一个靶点，不同的药物可以有完全不同的作用方式。这在知识图谱里怎么体现？关系类型就是关键。一个药物节点和一个靶点节点之间，可以有多条边，每条边有不同标签。比如阿司匹林和COX-1之间，关系标签可以是INHIBITOR_OF，同时还可以有IRREVERSIBLE_BINDING属性。

嗯，这里要注意。在真实的药物KG项目中，我经常看到有人把关系标签写得太粗。比如“INTERACTS_WITH”这种，太模糊了。能做特征学习吗？不能。你想想，如果所有关系都叫“相互作用”，那节点之间就没法区分“激活”和“抑制”了。特征向量就会一团浆糊。

2.4 相互作用的数据表达——三元组

在知识图谱里，药物和靶点的关系怎么存储？最标准的方式就是三元组。

# 典型的药物-靶点三元组格式（RDF/SPARQL风格）
# 药物节点 -- 关系边 -- 靶点节点

:Imatinib         :inhibits         :BCR_ABL.
:Aspirin          :inhibits         :COX1.
:Metformin        :activates        :AMPK.
:Metoprolol       :antagonizes      :Beta1_adrenergic_receptor.

这个结构简单，但非常强大。在后面的课程里，我们会看到如何用图神经网络（GNN）从这个结构里自动学习靶点的特征。

为了让知识体系更直观，我画了一张SVG图，展示药物、靶点类型和相互作用关系的整体框架。你可以把它当作一个“脑图”来用。

2.5 关系类型与属性——特征学习的关键

咱们做特征学习，不能只盯着一阶关系，二阶、三阶的路径也很有用。比如，一个药物通过“抑制”某个酶，然后又“激活”了另一个受体，这条路径在知识图谱里就是一个路径模式。

我建议你一开始就设计好关系属性的结构。比如下面这个简单的属性模板，我在好几个项目里复用，效果都不错。

# 在JSON格式中定义药物-靶点关系属性示例
{
  "relationship_type": "INHIBITOR_OF",
  "binding_affinity": {
    "Ki": 1.2,          // 抑制常数 (nM)
    "Ki_units": "nM",
    "IC50": 0.8         // 半抑制浓度 (nM)
  },
  "source": "BindingDB",
  "mechanism": "competitive",   // 竞争性抑制
  "evidence_level": "experimental"
}

你在做图神经网络时，这些属性可以直接拼接到边特征向量里，作为边特征参与消息传递。别小看这些细节。

我记得有一次，我把药物的IC50和Ki值做对数变换后作为边权重，结果模型收敛速度快了将近20%。