4.2 知识图谱：文献与临床里的暗线
4.2 知识图谱：文献与临床里的暗线
本节摘要：统计打分只能看见已经显式的关联，知识图谱能把文献与临床数据里"隐而未宣"的暗线连出来。本节讲三元组怎么组织异质知识、路径推理怎么把两跳三跳的关系变成假说、相似度推理怎么用"画像相近"圈嫌疑人，并完整演示一次药物重定位推理。它承接 4.1 的打分排序，给榜单补充统计看不见的线索。
打分器有一个先天盲区：它只能看见已经写成数字的证据。但生物医学知识的大头还埋在文献与临床记录里——两个事实各自成立、从未被放在同一句话里，统计口径里就不存在这条关联。知识图谱的价值正在于此：把事实拆成最小单元重新组织，让机器自己走线。本节是推理章的暗线站，通往 4.3 的网络排序。
暗线怎么浮出水面
知识图谱的组织单元是三元组：头实体、关系、尾实体——"基因A 抑制 蛋白B"、"化合物C 治疗 疾病D"、"蛋白E 参与 通路F"。把数千万条这样的三元组拼起来，基因、疾病、药物、通路、表型、解剖部位就织成一张异质大网。这张网上有两种基本推理动作：
路径推理：实体之间没有直接边，但存在一条语义连贯的路径。经典推理式是"药物A 作用于 蛋白B，蛋白B 参与 通路F，通路F 关联 疾病D"——三跳之后，"药物A 或许能治疾病D"这个假说自动成立，哪怕文献里从未有人把 A 和 D 写进同一篇论文。著名的沙利度胺重定位推理就属于这一类：多发性骨髓瘤的疗效先在临床上被观察到（现象在先），随后图谱式的知识梳理（沙利度胺-免疫调节-血管新生-骨髓瘤微环境依赖）给这个偶然发现补上了机制暗线，并直接催生了来那度胺等后代药物的系统开发。
相似度推理：疾病画像相近则病因相近，药物靶点画像相近则作用相近。疾病 D1 与 D2 共享大量症状、共病关系与共享基因，那么 D1 的已知药物值得去 D2 试——这是"画像定罪"的图谱版。它听起来朴素，却在罕见病上屡立战功：罕见病没有足够样本做统计，但症状、通路、遗传画像的相似度是现成的。
图谱的原料决定推理的质量，这一点与 4.1 备料纪律一脉相承：实体必须归一（同一个基因在数据库、文献、临床记录里的十种写法要认作一个），关系的证据来源与强度要保留（推断用的边要能回溯到原始实验或人群研究），时间戳要保留（同一对实体的关系会随证据更新翻转）。
# 图谱路径推理玩具版：两跳/三跳路径生成与打分 from collections import defaultdict triples = [ ("化合物X", "抑制", "激酶K"), ("激酶K", "参与", "通路WNT"), ("通路WNT", "关联", "肺纤维化"), ("化合物X", "已知治疗", "特发性关节炎"), ("化合物Y", "抑制", "激酶K"), ("通路WNT", "关联", "骨髓纤维化"), ("化合物Z", "结合", "激酶K"), ("化合物Z", "已知治疗", "特发性关节炎"), ("MUC5B", "遗传关联", "肺纤维化"), ("通路WNT", "调控", "MUC5B"), ] out_edges = defaultdict(list) for h, r, t in triples: out_edges[h].append((r, t)) def paths(start, hops, visited=None, memo=None): """枚举从 start 出发 hops 跳以内的全部路径（防环）""" if visited is None: visited = {start} if memo is None: memo = [[(start, "起点")]] out = [] for r, t in out_edges[start]: if t in visited: continue new_path = memo[-1] + [(r, t)] out.append(new_path) if hops > 1: out += paths(t, hops - 1, visited | {t}, memo + [new_path]) return out print("从 化合物X 出发的三跳内路径：") for p in paths("化合物X", 3): readable = " -".join(f"{r}-> {t}" for r, t in p[1:]) print(" ", readable) # 假说打分：终点命中疾病即成重定位假说，路径长度越短分越高 diseases = {"肺纤维化", "骨髓纤维化"} hypotheses = [] for p in paths("化合物X", 3): end = p[-1][1] if end in diseases: hypotheses.append((end, len(p) - 1, round(1.0 / (len(p) - 1), 2))) hypotheses.sort(key=lambda h: -h[2]) print("\n重定位假说（按路径分排序）：") for d, hops, s in hypotheses: print(f" 化合物X 治 {d}：{hops} 跳，分 {s}") # 输出体现：化合物X 经 激酶K-通路WNT 两跳抵达 肺纤维化， # 与第 3 章证据表上的 MUC5B 同落在 WNT 通路——两条独立线索在此交叉。
图 4-1：知识图谱上的暗线与交叉验证
交叉验证：暗线要与证据表对上
图谱推理最大的风险是假说产能过剩——路径组合的量是指数级的，机器一夜能"推理"出一万条治疗假说，绝大多数是噪声。控制办法有三道闸：路径长度闸（跳数越多，语义漂移越远，三跳以外的假说降权）、边证据闸（路径上任何一条边是低置信推断，整条路径降级）、独立线索闸（图谱假说必须回第 3 章的证据表找交叉——暗线终点落在遗传或转录证据已经标亮的区域，假说才升级为候选）。
上节演算的结尾演示了第三道闸：化合物X 的暗线落在 WNT 通路，而证据表里 WNT2、MUC5B 正在同场活跃——两条完全独立来源的线索指向同一片区域，这才是图谱推理的正确打开方式。图谱单独供养的假说，在立项文书里的待遇应当只是"待验证假说池"。
易错点：把文献共现当知识
用文献摘要自动抽取构建的图谱有一类系统性污染：文献本身的热度偏差（研究多的分子边多）、综述污染（综述把既有关系复述一遍，等于给同一条边加注十次）、以及"否定关系"抽取失败（"A 不影响 B"被抽成 A 与 B 相关）。读图谱产出的假说时，先问一句：这条边的原始证据是什么类型、哪一年、正着说还是反着说。答不上来，这条暗线只是纹路，不是线索。
💡 关键直觉：统计打分看"谁显眼"，图谱推理看"谁相连"。显眼是存量，相连可能有增量——靶标发现的惊喜几乎都藏在增量里。
建图谱的实务清单
把图谱从概念落到项目，绕不开四件实事。实体归一：同一个基因在数据库、文献、临床记录里有十几种写法，物种混名、历史别名都要映射到统一标识——归一不彻底的图谱，推理出的"暗线"一半是同名的巧合。边要带出处与强度：每条关系标注证据类型（人群证据、体内实验、体外、计算预测）与原始出处，推理时按强度过滤——没有出处体系的图谱只是关键词网。时间戳保留：关系会翻案（被否定的关联、修正的通路归属），推理要用"当前有效"的快照，历史版本留作审计。推理结果可回溯：系统吐出的每条假说要能展开成路径上每条边的原始证据——评审会上答不出"这条边哪来的"，整条暗线当场作废。
这四件事决定了图谱项目的主要成本不在算法而在数据治理——这也是"用现成整合图谱起步、按项目重建关键子图"成为普遍路线的原因：通用图谱管广度，自家子图管深度，推理时两层互查。
图谱推理的常见疑问
图谱方法和统计打分到底是什么关系？
分工关系。统计打分回答"已知证据加起来多大分量"，图谱推理回答"证据之间还能连出什么没写明的组合"。前者是存量汇总，后者是增量发现；增量的可信度天然低于存量，所以图谱产出永远要回到证据表做交叉验证（本节的三道闸就是这个用途）。两者顺序通常是：统计打分先出大盘，图谱在盘外找增量，增量升级后回盘复核。
图谱会不会只是把文献偏差放大？
会，而且这是它最本质的风险。文献多的分子边多、路径多、"推理出"的假说也多——图谱推理天然是热度的放大器。抑制手段有三：路径打分里对边的文献热度降权（一条边被引用一万次与被引用十次，作为"关系存在"的证据等价）；按证据类型过滤（只用实验来源的边推理，文献共现的边只作旁证）；以及永远保留"冷区检查"——推理结果里有几条冷门路径，反而是系统健康的标志。
暗线假说的成文格式
图谱产出的假说入卷宗时用固定格式：路径全展开（头尾实体加每一跳的关系与边证据）、新颖性声明（文献中是否确无同文证据）、交叉验证状态（与证据表的哪条线索对上了）、建议动作（升级为候选还是留池观察）。固定格式的价值是可批量审——评审人扫一眼就知道这条暗线的成色，不用每个假说重新考古。
办案手记（要点回顾）
- 知识图谱把事实拆成三元组重织成网，专供统计口径里不存在的暗线；
- 路径推理产重定位假说，相似度推理用画像圈嫌疑人，罕见病是两者主场；
- 实体归一、证据可回溯、时间戳保留，是图谱原料的三条底线；
- 三道闸控制假说产能：路径长度、边证据、与证据表的独立交叉；
- 沙利度胺-来那度胺线索演示了"临床现象先行、图谱补暗线、后代药物接力"的完整链条；
- 下一站 4.3：图谱立起来了，让网络模型在整张图上排出嫌疑榜。