2. 药物知识图谱概述：数据源与知名KG

做药物KG，说白了就是把零零散散的生物医药数据串起来。
我刚开始接触这个领域时，第一反应是——这东西不就是个大号的数据库嘛？
后来踩过几次坑才发现，真正的难点不在数据多少，而在数据长什么样、怎么对齐。

这一节，我们聊聊药物KG的数据从哪来，圈里公认好用的KG有哪些。

2.1 药物KG的数据源

数据源这东西，我习惯先分成三类：

• 结构化数据库——关系型表、RDF三元组、CSV，直接能读。
• 半结构化文本——XML、JSON、PubMed摘要，需要抽实体和关系。
• 非结构化文献——PDF全文、专利，得靠NLP硬啃。

我个人建议新手优先从结构化数据入手，并不是偷懒，而是你想想看——
非结构化数据里一个基因名写错拼写，能把整个KG带偏。这个问题我在项目里碰到过不下十次。

常见数据源清单：

2.2 知名药物KG

圈子里有几个KG，基本是绕不开的。我用过其中四个，挑主要的说说。

2.2.1 DrugBank

DrugBank是药物KG的“老大哥”。
它把药物分成小分子药、生物药、营养药，每条药物记录都关联靶标、酶、载体、代谢酶。

# 一个典型的DrugBank药物-靶标关系三元组
Drug:DrugBank:DB00001  has_target  Target:UniProt:P01009
Drug:DrugBank:DB00001  has_target  Target:UniProt:P01011
Drug:DrugBank:DB00001  approved    Indication:Alzheimer's disease

我做过一个实验：用DrugBank的关系做link prediction，模型效果比随机基线提升了30%+。
但有个细节——DrugBank里有些关系是“推断的”，不是实验验证的。
做KG时一定要看清字段里的Evidence标签，否则模型把猜测当事实，结果会崩。

2.2.2 CTD（Comparative Toxicogenomics Database）

CTD主打化学-基因-疾病三角关系。
它的特色是关系带语境，比如“化学X通过上调基因Y抑制疾病Z”。

# CTD的关系三元组示例
Chemical:CID:123  causes  Disease:MESH:D000001
Chemical:CID:123  increases   Gene:Symbol:TP53
Gene:Symbol:TP53  associated  Disease:MESH:D000001

嗯，这里要注意：CTD的关系里很多是从文献自动抽取的，置信度参差不齐。
我一般只保留Evidence: validated级别的边，或者用置信度阈值过滤。

2.2.3 其他值得关注的KG

• STRING——蛋白质-蛋白质相互作用，做药物靶标发现时常用。
• DGIdb——药物-基因交互数据库，偏向临床用药。
• Hetionet——一个综合KG，融合了29种类型的数据，做图分析的好素材。

2.3 药物KG的数据结构

药物KG的基本单元是三元组 (头实体，关系，尾实体)。
但实际项目中，我习惯把KG看作一个多层异构图——

• 节点类型：药物、靶标、疾病、基因、通路、副作用
• 关系类型：激活、抑制、治疗、副作用、代谢
• 属性：置信度、来源、时间戳、实验条件

你想想看，光一个“药物”节点就可能关联几十种关系，
如果模型只用单一的关系类型做embedding，信息损失太严重了。
RotatE和GCN的优势就在这里——它们天然支持多关系建模。

2.4 本章核心结构一览

为了让你更直观地理解药物KG的数据流和结构，我画了一张图：
（以下SVG展示了数据源→知名KG→输出关系的逻辑链路）

从图里能看到，数据源经过ETL和实体对齐后，汇入DrugBank、CTD、STRING等KG。
最后输出的是标准化三元组，可以直接喂给RotatE或GCN模型。

我个人建议刚接触药物KG的同学，先从DrugBank的三元组文件开始跑实验——
数据结构干净，文档全，踩坑成本最低。CTD可以等模型调通后再加进来做多源融合。