1. 药物实体关系抽取概述
大家好，我是这门课的讲师。先聊聊我对这个领域的理解。
药物实体关系抽取，说白了，就是要让机器读懂论文里的信息。不是看标题，而是把句子里的实体找出来，再把它们之间的关系标清楚。举个简单例子：
句子：“伊马替尼能抑制BCR-ABL融合蛋白。”
机器需要抽取：药物=伊马替尼，靶点=BCR-ABL融合蛋白，关系=抑制。
我习惯把这个过程拆成两个任务：
- 实体识别：找到“伊马替尼”、“BCR-ABL”这些词。
- 关系分类：判断它们之间是“抑制”、“激活”还是“副作用”。
1.1 药物实体关系抽取的定义
定义听起来简单，但实际很讲究。我个人习惯的完整定义是：
药物实体关系抽取：从非结构化生物医学文本中，自动识别药物相关的命名实体，并预测它们之间的语义关系。输出通常是一组三元组：(实体1, 关系, 实体2)。
三元组长什么样？看这张表：
| 实体1 | 关系 | 实体2 |
|---|---|---|
| 阿司匹林 | 治疗 | 头痛 |
| 华法林 | 相互作用 | 布洛芬 |
| 他莫昔芬 | 引起 | 血栓 |
你想想看，医生写病历不会说“药物X与疾病Y之间有治疗关系”。他们写“用阿司匹林缓解了他的头痛”。机器得从这种自然语言里抽结构。
1.2 发展历程
这个领域发展了差不多二十年。我记得早期大家都是靠词典和规则，非常辛苦。
1.3 应用场景
这个技术不是实验室里的玩具。我自己的项目里，有三个场景最有价值：
📌 药物发现
从百万篇论文里自动抽候选靶点。我在一个项目中，就用这个技术把文献筛选时间从3个月压缩到了2周。
📌 药物重定位
老药新用。比如有人发现“雷公藤红素”能抗肥胖，就是从论文关系网里挖出来的。
⚠️ 不良反应监测
这个我觉得更重要。我曾经遇到一个真实案例：
句子：“患者服用奥司他韦后出现幻觉。”
如果系统漏掉了这个“引起”关系，后果很严重。
1.4 当前挑战
虽然技术进步了，但坑也不少。我踩过很多，跟你们说说：
- 数据标注难：需要医学专家标注，成本极高。我见过一个标注团队，一整年只标了5000条。
- 语言复杂：一篇论文里可能用5种不同说法描述同一个药物。比如“阿托伐他汀”也叫“立普妥”。
- 关系嵌套：句子“阿司匹林通过抑制COX-1来减轻炎症”里，既有“抑制”又有“减轻”，关系是嵌套的。
- 跨文档抽取：信息可能分散在引言、方法、结果里，模型要学会拼图。
我的建议：
入门不要贪多。先做单一关系抽取，比如只做“药物-靶点”的抑制关系。我早期项目就是这样起来的。把一个小场景做透，比大而全但做不深好得多。