1. 知识图谱与药物发现概述

说起知识图谱，很多人的第一反应是搜索引擎里的那些卡片。但在我看来，知识图谱远不止是“实体-关系”的集合——它是一张能把碎片信息串起来的网。尤其在做药物发现时，数据量大、来源杂、关系深，如果没有这张网，你根本捋不清头绪。

我最早接触这个领域是在一次合作项目里。当时团队要从文献、专利、临床记录里提取候选靶点，光是实体对齐就把人搞疯了。后来我们试着用知识图谱把蛋白、化合物、疾病、副作用这些节点串起来，思路一下子就清晰了。嗯，今天就跟你聊聊知识图谱和药物发现的那些事儿。

1.1 知识图谱的本质

知识图谱用一个简单模型描述世界：实体（Entity） 是节点，关系（Relation） 是边。一张图里，三元组 (头实体, 关系, 尾实体) 是基本单位。比如：

(阿司匹林, 治疗, 头痛)
(布洛芬, 靶向, COX-2)
(COX-2, 属于, 炎症通路)

你看，这不就是常识吗？但当数据量膨胀到几百万个三元组，手动推理就不现实了。这时候，我们需要让机器理解这些关系的潜在含义——这就是后面要讲的嵌入学习的起点。

1.2 药物发现的真实痛点

我在药企做咨询时，见过太多“数据孤岛”案例。药物研发周期动辄10年，失败率超过90%。原因很复杂，但有几个共性问题：

• 信息碎片化——靶点在文献里，化合物在数据库里，副作用埋在临床报告里
• 隐式关系难发现——比如“A蛋白调控B通路，B通路跟C疾病相关”，这需要跨多步推理
• 传统机器学习难处理图结构——你总不能把一条通路当特征向量喂给逻辑回归吧？

说白了，你手头有海量知识，但机器看不懂它们之间的“暧昧关系”。这就像一堆拼图，你只看到每一块的图案，却不知道它们该怎么拼在一起。

1.3 知识图谱怎么帮上忙

知识图谱在药物发现里主要干三件事：

1. 整合异构数据——把文献、数据库、实验记录统一成三元组
2. 发现隐藏关联——通过路径推理或图算法找到药物-靶点-疾病的新连接
3. 提供可解释性——每一条推理都能回溯到具体的三元组，不像黑箱模型

举个例子。有一回我们要预测某个旧药是否对另一种疾病有效（也就是药物重定位）。传统做法是做高通量筛选，花钱又费时。但我们用知识图谱跑了多步路径：药物→靶点→通路→疾病，很快圈出几个候选。后来验证了其中一个，确实有弱活性。

1.4 从知识图谱到嵌入学习

有了知识图谱，下一个问题是：如何让计算机高效地利用它？传统的图数据库查询很慢，而且不能做预测。嵌入学习（Knowledge Graph Embedding）就是把图里的实体和关系映射到低维向量空间。这样一来，你就能用向量运算来推理“可能性”。

比如TransE模型的核心思想：如果 (头实体 + 关系 ≈ 尾实体)，那么这个三元组就是合理的。向量空间的运算代替了图遍历，加上打分函数，就能实现大规模预测。

下面这张图概括了整个流程——从原始数据到知识图谱，再到嵌入学习，最后服务药物发现。

1.5 本章小结

简单总结一下：知识图谱帮我们把杂乱的药物数据组织成机器可理解的结构；嵌入学习则让机器能“联想”出隐藏的关系。后面我会一步步拆解TransE这个最经典的模型——它是怎么定义的？损失函数怎么设计？负采样怎么做？