📚 课程目录第4章图谱构建流程

图谱构建流程：药物-基因-疾病三元组提取，实体对齐与标准化

好，咱们进入第四章。前几章聊完了参数调试的整体哲学，今天来点硬核的——怎么从海量文献和数据库里，把药物、基因、疾病这三个核心要素拽出来，拼成能用的知识图谱。

我经常看到有人拿着漂亮的图谱工具，结果建出来的图全是错边。药物和基因连反了，疾病名写一堆同义词。说白了，源头没弄干净，后面调参数全是白搭。

4.1 三元组提取：从非结构化文本到结构化事实

这一步的目标很单纯：从PubMed摘要、临床试验报告、药品说明书里，抽取出(药物, 关系, 基因)或(药物, 关系, 疾病)这样的三元组。

我个人习惯用流水线方式来做，每一步都能单独调参数，出了问题好排查。

命名实体识别 (NER)：先找出文本里哪些词是药物名、基因名、疾病名。我用过Scispacy和BERT-BiLSTM-CRF，各有千秋。
关系抽取 (RE)：判断实体之间有没有关系。比如“阿托伐他汀治疗高脂血症”，这里的关系是“治疗”。
三元组组装：把实体和关系拼成结构化格式。

提示： 别一上来就上大模型。我在一个抗肿瘤药物项目中试过，效果确实好，但推理时间太长，迭代一次要三天。先拿规则+词典做快速原型，能省下大量调试时间。

这里有个常见的参数坑：NER模型的上下文窗口大小。窗口设小了，跨句的实体关系抓不住；设大了，噪声太多。我通常从32开始调，看验证集的F1分数变化。

来，看下典型的输出格式：

[
  {
    "drug": "阿托伐他汀",
    "relation": "TREATS",
    "disease": "高脂血症",
    "confidence": 0.97,
    "source": "PMID_12345678"
  },
  {
    "drug": "伊马替尼",
    "relation": "TARGETS",
    "gene": "BCR-ABL",
    "confidence": 0.99,
    "source": "PMID_23456789"
  },
  {
    "gene": "EGFR",
    "relation": "ASSOCIATED_WITH",
    "disease": "非小细胞肺癌",
    "confidence": 0.89,
    "source": "PMID_34567890"
  }
]

注意那个confidence字段。我一般设阈值为0.85，低于这个的扔进待审核队列，而不是直接丢掉。为什么呢？有些罕见病和孤儿药的文献少，模型置信度天然低，但恰恰是最需要保留的数据。

4.2 实体对齐与标准化：把同物不同名的妖怪收服

提取完三元组，你会发现同一个药有七八个名字。比如“对乙酰氨基酚”也叫“扑热息痛”、“泰诺”、“APAP”。这就是实体对齐要解决的问题。

我把它拆成三步来处理：

同义词映射：利用UMLS、DrugBank、HGNC这些标准库，建立别名到标准名的映射表。
模糊匹配：处理拼写错误、缩写不一致、大小写差异。比如“IL-2”和“interleukin-2”得认出来是同一个东西。
消歧：一词多义的问题。比如“TP53”既是基因名，也是蛋白质名。这得看上下文来判断。

警告： 我曾经吃过大亏，没做消歧就把“ACE”（血管紧张素转化酶）和“ACE”（美国体能协会）混一起了。一个基因库跑出运动俱乐部参数，幸亏发现得早。

4.2.1 基于规则的标准化

规则方法虽然老套，但稳定。我通常写一套正则表达式和查表逻辑来搞定大部分简单情况：

# 示例：药物名标准化规则片段
normalization_rules = {
    "pattern": [
        (r"(?i)\bativan\b", "劳拉西泮"),
        (r"(?i)\bvalium\b", "地西泮"),
        (r"(?i)\bpropranolol\b", "普萘洛尔"),
    ],
    "suffix_removal": [
        " hydrochloride", " sodium", " sulfate"
    ],
    "gene_hgnc_mapping": "hgnc_complete_set.json"
}

规则能覆盖大约60%的实体，剩下的交给机器学习来做。

4.2.2 基于嵌入的语义对齐

对于规则搞不定的情况，我用实体嵌入来做语义相似度计算。把每个实体名称转成向量，然后算余弦相似度。

调参要点在于嵌入模型的维度。256维还是512维？我在一个包含300万三元组的项目中试过，512维对罕见实体召回率提升明显，但内存开销翻倍。最终折中选了384维。

对齐策略	召回率（Top-1）	耗时/百万实体	适用场景
精确字符串匹配	22.4%	2秒	标准术语库预热
规则+同义词表	63.1%	15秒	常见药物与疾病
嵌入相似度	88.7%	4分12秒	变异名、拼写错误
混合流水线	94.8%	6分45秒	生产环境全量对齐

你看，混合流水线比单纯用嵌入只高了6个百分点，但耗时多了将近50%。值不值得？如果是离线构建图谱，我认为值得；如果是实时查询，你得做增量对齐。

4.3 标准化命名空间与ID系统

对齐之后，要给每个实体分配一个全局唯一的标准ID。没有标准ID，图谱就是一团乱麻。

我用的标准命名空间：

药物：优先用DrugBank ID (DBxxxxx)，其次是PubChem CID
基因：HGNC ID (HGNC:xxxxx)，兼容Ensembl ID
疾病：OMIM ID，或者DOID (Disease Ontology ID)

  关键参数： ID映射表的版本号。我见过最惨的bug，是混用了DrugBank 5.0和5.1的ID，导致阿司匹林和布洛芬在图谱里变成了同一个节点。务必在元数据里记录每个实体的ID版本。

处理完这些，来一张整体流程的总结图，方便你对照检查自己的管道是不是都覆盖到了。

4.4 实用参数调试清单

给各位一个速查表，我在调这三个模块时，优先关注这几个参数：

NER的实体边界偏移： 默认-2到+2，如果跨句实体被截断，扩大到-3到+3
关系抽取的置信度阈值： 我从0.8开始，根据验证集的假阳性率向下调，最低到0.6
对齐相似度阈值： 余弦相似度≥0.85才自动合并，0.75-0.85进人工审核队列
标准ID回退策略： 如果映射不到标准库，用UUID临时占位，标记为unresolved，等下一轮对齐再处理

小技巧： 你可以在标准化步骤之后，跑一个“拓扑一致性检查”。比如，如果A药物靶向B基因，B基因关联C疾病，但A和C之间没有治疗关系，那说明可能漏了三元组，或者对齐有误。这个启发式检查能帮你把漏网之鱼抓回来。

嗯，说到这，我个人觉得最容易被忽视的是实体对齐这一步。好多团队花大量时间调三元组提取的模型，结果对齐做得糙，最后图谱里充满了同义节点。你想想看，一个“EGFR”和“表皮生长因子受体”在图谱里并排站着，怎么推理？“吉非替尼靶向EGFR”和“吉非替尼靶向表皮生长因子受体”就会变成两条记录，查询聚合的时候就出错了。

所以我的经验是：舍得在对齐这一步花时间调参。把规则的覆盖率和嵌入模型的距离阈值做成可配置参数，然后用一个标注好的黄金标准集去评估。每次改参数，跑一遍评估，迭代个十几轮，你就能找到最适合当前数据集的组合。