4. 实验室主数据建模方法

实验室主数据建模的目标，是把“样品、人员、仪器、试剂、方法、标准物质、检测项目、报告”等核心对象及其关系，从业务语言转化为可被数据库、系统接口和知识推理共同理解的形式化描述。它通常分两步走：先建立概念模型，回答“业务世界里有哪些对象、它们如何关联”；再建立逻辑模型，回答“这些对象在系统中以什么标识、属性、约束和关系落地”。本节围绕三种主流方法展开：实体-关系模型（E-R）、面向对象建模（OOM）与本体建模（Ontology），并说明它们在同一套实验室主数据中的分工与衔接。

一、实体-关系模型：先把“谁和谁有关系”画清楚

E-R 模型最适合做概念层的骨架。它的三要素是实体、属性、联系。以实验室为例，实体可包括：Sample（样品）、Instrument（仪器）、Reagent（试剂）、Method（方法）、TestItem（检测项目）、Person（人员）、StandardMaterial（标准物质）。联系则表达业务规则，例如“样品由方法检测”“仪器执行检测项目”“试剂用于方法”“标准物质校准仪器”。

E-R 建模的关键不是画框，而是确定基数与参与度。例如：一个样品可被多个检测项目检测（1:N），一个检测项目可由多台仪器完成（M:N），一台仪器必须归属于某个实验室（N:1，全参与）。这些约束直接决定后续逻辑模型中的外键、关联表和唯一性规则。若把“样品—检测项目”误设为 1:1，逻辑模型就会丢失复测、分包、多方法比对等真实场景。

概念模型阶段建议只保留业务上稳定的标识属性，如样品编号、仪器资产编号、方法标准号，不要把临时状态、审计字段、界面展示字段全部塞入。E-R 图的价值在于让业务专家和建模人员对“对象边界”达成一致，而不是提前做物理表设计。

二、面向对象建模：把行为、生命周期与封装带进来

E-R 擅长静态结构，但对“状态变化、行为、继承”表达较弱。面向对象建模用类、属性、操作、关联、继承、聚合来补足。例如 Instrument 可抽象为父类，LC-MS、ICP-MS、GC 作为子类继承“校准周期、量程、状态”等共性属性，并各自扩展“离子源类型、检测器类型”等专有属性。这样在逻辑模型中可用继承表或单表+类型判别字段实现，避免为每类仪器重复建表。

对象建模还强调生命周期状态。以样品为例，其状态可定义为：已登记 → 已接收 → 在检 → 已检 → 已审核 → 已归档，异常时进入退回/留样/销毁。状态不是普通属性，而是受约束的状态机：只有“已接收”才能进入“在检”，只有“已检”才能提交审核。把状态机写入逻辑模型，可让后续系统在接口层直接校验，而不是靠人工记忆。

此外，对象建模中的“聚合/组合”能表达强归属关系：检测报告由多个检测结果组合而成，检测结果又依赖样品、方法、仪器。这种整体-部分关系在 E-R 中往往被弱化为普通联系，而在对象模型中可明确生命周期联动：报告作废时，其结果明细应级联失效。

三、本体建模：让主数据具备可推理的语义

当实验室主数据需要跨系统、跨机构交换，或需要支持智能检索、规则推理时，本体建模更合适。本体用类（Class）、属性（Property）、个体（Individual）、公理（Axiom）描述领域知识，常用 OWL/RDF 表达。它比 E-R 多出“约束推理”能力：例如定义 StandardMaterial 必须 hasCertifiedValue 且 hasUncertainty；定义 Calibration 的 calibrates 对象必须是 Instrument。推理机可据此发现“某标准物质缺少不确定度”或“某校准记录指向了非仪器对象”这类语义错误。

本体还支持等价类与子类推理。例如把“用于痕量金属检测、检出限低于 1 μg/L 的方法”定义为 TraceMetalMethod 的等价类，系统即可自动把符合条件的方法归入该类，而无需人工打标签。这对方法库、能力库、标准库的持续治理非常有价值。

但本体不是替代 E-R 和对象模型。工程上更稳妥的做法是：E-R 定概念骨架，对象模型定行为与生命周期，本体定语义与推理。三者通过统一标识（如 URI 或全局编码）对齐，形成“同一对象、多种视图”。

四、三种方法如何协同落地

实际项目中，建议按以下顺序推进，而不是三选一：

1. 用 E-R 做概念模型：与业务方确认实体清单、联系和基数，输出对象边界与稳定标识。此阶段不讨论字段类型和索引。
2. 用面向对象模型做逻辑模型：把实体细化为类，补充继承、状态机、聚合关系，并映射为关系表或文档结构。例如 Instrument 采用“主表+子类型表”，Sample 状态用枚举字段加迁移校验。
3. 用本体做语义层：对需要跨系统交换、自动分类、规则推理的对象建立 OWL 类与公理，并与前两层通过统一编码对齐。本体不必覆盖全部主数据，优先覆盖标准物质、方法、能力、检测项目等高价值语义对象。

五、建模质量的关键检查点

无论采用哪种方法，实验室主数据建模都应检查以下要点：

• 标识唯一性：样品编号、仪器资产号、方法标准号、标准物质批号是否全局唯一且稳定，不随业务状态变化而改变。
• 关系基数正确：样品与检测项目、仪器与方法、试剂与方法之间的 1:N、M:N 是否与真实业务一致，是否支持复测、分包、多方法比对。
• 状态可迁移：样品、仪器、标准物质的状态机是否有明确入口、出口和禁止迁移，异常状态是否有回退路径。
• 语义可推理：本体公理是否能发现缺失证书值、错误校准对象、方法能力不匹配等问题。
• 三层可对齐：同一对象在 E-R、对象模型和本体中是否使用同一标识，避免出现“同物异码、同码异物”。

以某实验室方法库为例：E-R 层定义 Method 与 TestItem 为 M:N；对象层为 Method 增加“版本、生效日期、状态（草案/生效/作废）”和“适用仪器类型”聚合；本体层定义 ValidMethod 等价于“状态为生效且未过期的方法”，并约束 usesReagent 必须指向已批准试剂。这样，当系统查询“当前可用于 ICP-MS 检测铅的生效方法”时，三层信息可联合过滤，既保证结构正确，也保证语义正确。

综上，实验室主数据建模不是一次画图，而是从概念到逻辑、从结构到语义的逐层收敛。E-R 保证对象与关系不遗漏，面向对象保证行为与生命周期可管理，本体保证语义与推理可扩展。三者通过统一标识衔接，才能支撑后续的编码体系、数据治理与跨系统集成。