第4章 数据集准备：DrugBank与BioKG

做药物关系预测，数据就是食材。没有好的数据，模型再先进也白搭。今天咱们就来聊聊两个最主流的药物知识图谱数据集——DrugBank 和 BioKG。我当年刚接触生物医药数据时，第一个打交道的数据集就是 DrugBank，至今印象深刻。

4.1 两个数据集，到底选哪个？

你可能会问：两个数据集有什么区别？我用一个表格说清楚：

对比维度	DrugBank	BioKG
数据规模	约 1.5 万种药物，中等规模	包含 15 万 + 实体，覆盖面广
关系类型	以药物-靶点、药物-药物相互作用为主	药物-疾病、药物-基因、基因-疾病等跨领域关系
数据来源	FDA 批准的药物，人工审核	整合 DrugBank、CTD、SIDER 等多个数据库
适用场景	药物相互作用预测、靶点发现	多模态关系推理、药物重定位
预处理难度	较低，已结构化	中等，需要做格式统一

4.2 数据长什么样？

咱们先看看 DrugBank 的数据结构。DrugBank 的标准导出格式是 XML，解压后大概这个样：

<drugbank xmlns="http://www.drugbank.ca">
  <drug type="biotech">
    <drugbank-id primary="true">DB00001</drugbank-id>
    <name>Leptrudin</name>
    <targets>
      <target>
        <id>BE0000001</id>
        <name>Thrombin</name>
        <action>inhibitor</action>
      </target>
    </targets>
  </drug>
</drugbank>

BioKG 就友好多了，它直接提供三元组文件，格式类似这样：

DB00001    interacts_with    DB00002
DB00001    targets    BE0000001
DB00002    treats    DOID:1234
DB00003    has_side_effect    SIDER:C00001

看到没？头实体、关系、尾实体，对齐了知识图谱的经典三元组结构。这点对跑 ComplEx 模型特别重要，因为 ComplEx 吃的就是这种格式的数据。

4.3 数据预处理实战

我个人习惯先把数据洗成统一格式。不管你是用 DrugBank 还是 BioKG，最后都要转成这种样子：

# 标准三元组格式 tab 分隔
db00001	interacts_with	db00002
db00001	targets	be0000001
db00002	treats	doid_1234
db00003	has_side_effect	sider_c00001

为什么强调用 tab 分割？因为后面读取数据时，用 split('\t') 最稳妥。我曾经用逗号分割的数据，结果有些关系名里自带了逗号，直接翻车。嗯，血的教训。

数据预处理的步骤我总结为三步：

1. 数据标准化——把所有实体和关系的名字转成小写，去掉特殊字符，避免编码问题。
2. 三元组拆分——把完整的关系图拆成训练集、验证集、测试集。一般按 8:1:1 或 7:1.5:1.5。
3. ID 映射——把实体名和关系名都映射成整数 ID。ComplEx 模型内部不认字符串，只认数字。

4.4 数据质量检查

数据洗完后，一定要做个质量检查。我习惯写个简单的统计脚本：

import pandas as pd

# 读取清洗后的数据
df = pd.read_csv('kg_triples.txt', sep='\t', 
                 names=['head', 'relation', 'tail'])

print(f"总三元组数: {len(df)}")
print(f"唯一实体数: {len(set(df['head'].unique()) | set(df['tail'].unique()))}")
print(f"唯一关系数: {df['relation'].nunique()}")
print(f"缺失值检查:\n{df.isnull().sum()}")

输出应该类似这样：

总三元组数: 1048576
唯一实体数: 15678
唯一关系数: 36
缺失值检查:
head      0
relation  0
tail      0
dtype: int64

注意，缺失值必须为 0。如果有缺失，赶紧回去查数据源，大概率是解析 XML 时漏字段了。

4.5 整个流程的脑图

说了这么多，咱们用一张流程图把整体的数据准备脉络串起来。你跟着这张图走，基本不会犯方向性错误。

说白了，数据准备就是一场「把大象装进冰箱」的过程。原始数据推门而入，数据提取把它搬上台，数据清洗去毛刺，然后切成训练集和测试集，最后贴上 ID 标签。每一步都不能跳过。