📚 课程目录第4章药物知识图谱构建

4. 药物知识图谱构建：主流数据源与预处理

构建药物知识图谱，第一步就是搞数据。很多人觉得算法模型是核心，其实在工业界，数据质量直接决定了你后面所有的活儿能不能出彩。

我个人习惯，先把能拿到的数据源梳理清楚，再动手写代码。别急着跑模型，先问问自己：这些数据长什么样？哪些字段能用？怎么把它们串起来？

本章我们就来盘一盘药物KG领域的主流数据源，以及怎么把这些“脏活累活”干漂亮。

4.1 主流数据源：从哪拿数据？

药物相关数据源很多，但常用的就那么几个。我把它们分成三类：药物-靶点关系型、蛋白质功能型、相互作用网络型。

数据源	核心内容	适用场景	访问方式
DrugBank	药物-靶点关联、药物分类、ADMET	药物重定位、靶点发现	XML/JSON 下载，API
UniProt	蛋白质序列、功能注释、GO条目	靶点特征提取	SPARQL 端点，RDF 下载
STRING	蛋白质-蛋白质相互作用 (PPI)	网络传播、通路分析	TSV 下载，REST API
ChEMBL	生物活性数据、化合物-靶点亲合力	分子对接验证、SAR分析	MySQL dump，API
TTD (Therapeutic Target Database)	靶点-疾病关联、药物-靶点-通路	疾病机制研究	Excel 表格下载

我的经验：别迷信单一数据源。DrugBank 的靶点标注最权威，但更新慢；ChEMBL 的活性数据全，但清洗工作量巨大。我通常会以 DrugBank 为主干，用 UniProt 做序列对齐，再用 STRING 补全网络关系。

举个例子，从 DrugBank 抓取一个药物的靶点信息，原始 XML 长这样：

<drug type="biotech">
  <drugbank-id primary="true">DB00001</drugbank-id>
  <name>Lepirudin</name>
  <targets>
    <target>
      <id>BE0001234</id>
      <name>Thrombin</name>
      <organism>Homo sapiens</organism>
      <polypeptide>
        <id>P00734</id>
        <source>UniProt</source>
      </polypeptide>
    </target>
  </targets>
</drug>

你看，id 字段直接关联到 UniProt 的 P00734。这就是图谱构建的骨架——跨数据源的实体对齐。

避坑指南：我曾经在解析 DrugBank XML 时，没注意 target 节点下可能有多个 polypeptide 条目，导致漏丢了不少异构体数据。写 parser 的时候，一定要检查列表是不是完整的。

4.2 数据预处理：洗数据是门手艺

拿到的原始数据，说白了就是一堆半结构化文本。你得把它变成干净的三元组。

核心流程包括三步：命名实体识别、实体归一化、关系抽取。

4.2.1 命名实体识别 (NER)

找出来文本里哪些词是药物、靶点、疾病。比如一篇 PubMed 摘要里的这句话：

"Imatinib inhibits BCR-ABL tyrosine kinase in chronic myeloid leukemia."

你需要识别出：Imatinib (药物), BCR-ABL (靶点), chronic myeloid leukemia (疾病)。

我习惯用字典匹配 + 机器学习模型组合。字典用 DrugBank 和 MeSH 的术语表，模型可以用 BioBERT 微调。

4.2.2 实体归一化 (Normalization)

同一个实体在不同数据源叫法不同。比如 Thrombin 也叫 Coagulation factor II。归一化就是把它们映射到同一个标准 ID。

常用的映射表是 UniProt ID 和 Gene Symbol 的对应关系。举个例子：

{
  "Thrombin": "P00734",
  "Coagulation factor II": "P00734",
  "F2": "P00734"
}

你可以在本地维护一份这样的 JSON 映射文件：

{
  "uniprot_id": "P00734",
  "gene_symbol": ["F2", "CF2", "PT"],
  "protein_name": ["Thrombin", "Coagulation factor II", "Prothrombin"]
}

关键点：归一化是整个构建过程里最容易出错的一环。建议先跑一遍自动匹配，再做一轮人工校验，尤其是那些有歧义的基因名称。

4.3 数据融合：把碎片拼成图谱

数据融合的核心是链接预测的前置工作。你需要决定怎么把 DrugBank 的药物节点、UniProt 的蛋白质节点、STRING 的相互作用边，融合成一个统一的图。

常见策略：

同构融合：所有实体都作为节点，所有关系作为边。适用于 GNN 模型。
异构融合：保留实体类型（药物、靶点、疾病），关系也有类型（抑制、激活、结合）。适用于 RGCN 等异构模型。
属性融合：把序列特征、化学结构指纹作为节点属性存入。

我常用的融合流程，用 Python 伪代码可以写成：

import pandas as pd

# 1. 加载 DrugBank 药物-靶点关系
drug_target = pd.read_csv('drugbank_targets.tsv', sep='\t')

# 2. 加载 UniProt 蛋白质序列信息
uniprot_protein = pd.read_csv('uniprot_human.tsv', sep='\t')

# 3. 加载 STRING PPI 网络
string_ppi = pd.read_csv('string_human_500.tsv', sep='\t', header=None, 
                         names=['protein1', 'protein2', 'score'])

# 4. 通过 UniProt ID 对齐
merged = drug_target.merge(uniprot_protein, left_on='target_uniprot', 
                           right_on='uniprot_id', how='inner')

# 5. 构建图边列表
edges = []
for _, row in merged.iterrows():
    edges.append(('Drug', row['drug_id'], 'Target', row['uniprot_id']))
    edges.append(('Protein', row['uniprot_id'], 'PPI', row['string_partner']))

我曾经踩过的坑：STRING 数据里的蛋白质标识符经常是 ENSEMBL ID，不是 UniProt ID。你需要先做一个 ID 转换。别直接拿来用，否则连边对不上，整个图就是个哑炮。

4.4 知识图谱构建流程总览

下面这张图概括了从数据源到知识图谱的完整脉络。你做完预处理后，应该得到的就是这样一个结构化的输出。

4.5 跨源冲突处理

不同数据源对同一关系的描述可能打架。比如 DrugBank 说某个药物抑制靶点 A，而 ChEMBL 说它是激动剂。怎么处理？

我的做法：

置信度加权：优先采纳权威数据源（DrugBank 的靶点关系优先级高于文献挖掘）。
版本标记：保留所有关系来源，在图中加入 source 属性。
人工审核：对于高冲突的边，生成待审列表，交给领域专家确认。

小技巧：你可以用 Neo4j 的 apoc.refactor.mergeNodes 来合并同一实体的多个表示，前提是你能保证 ID 映射绝对准确。

最后，构建好的知识图谱通常以 triples.csv 形式落盘，格式如下：

head   relation   tail
DB00001   targets   P00734
DB00001   treats   C001233
P00734   interacts_with   Q12345
DB00002   inhibits   P01374

这就是后续靶点特征学习、图神经网络训练最直接的输入。说白了，前面的所有预处理工作，都是为了打出这样一份干净的三元组清单。