知识图谱+推荐系统：药物重定位中DTI预测的最小实现与避坑指南

简介：这是一套基于知识图谱与推荐系统预测药物靶点相互作用的Python源码，附带详细操作指南，主要面向计算机相关专业学生用于课程设计、期末大作业或项目实战。项目覆盖数据预处理、知识图谱构建、推荐算法实现与模型评估等完整流程，代码中整合了药物、疾病、基因等语义关系，并内置深度模型、随机森林与神经因子分解机等多种可运行算法模块，方便对照不同建模思路。资源共40个文件，以.py源码、.md说明文档、Pipfile依赖清单等类型为主，并包含少量辅助脚本与配置文件，压缩包整体仅56KB，轻量易用，目录结构清晰。目前已有95人学习下载。借助操作指南，使用者可快速完成环境配置、数据准备、模型训练与结果解读等关键步骤；既能深入理解知识图谱与推荐系统结合的实际应用，也可将其作为高分课程设计的起点，在现有代码上扩展药物靶点预测实验。

1. 当药物研发遇到推荐系统：知识图谱如何把“老药新用”变成可计算的排序问题

药物研发最贵的不只是临床试验，还有“猜靶点”。一种药可能已经在降血压，但它的某个靶点蛋白还参与炎症通路，能不能顺手治关节炎？如果只靠专家阅读文献，一年看不了几个候选。把药物、靶点、疾病、通路之间的关系整理成知识图谱，再用推荐系统里给用户推荐物品那套协同过滤思路，为“未知的药物-靶点交互”打分排序，实验室就能把验证资源集中到最有希望的候选上。这是我见过最实际的落地方式。这套方案会用 Python 从零搭一套最小流程：建图、特征、训练 TransE、评估与排错，适合刚开始做药物重定位的学生，也给生信算法岗的读者提供一份可直接修改的操作指南。

2. 先把知识图谱建起来：从药物、靶点、疾病的原始关系表到 Python 邻接矩阵

2.1 选数据源：为什么我推荐先用 CTD 而不是一上来就拼全库

知识图谱的质量决定推荐系统上限。很多人一开口就是 UniProt、DrugBank、DisGeNET 全上，结果数据对齐就耗掉两周。我建议原型阶段用 CTD（Comparative Toxicogenomics Database）的 chemical-gene 和 chemical-disease 关系表。CTD 是公开下载的制表符文件，每条记录几乎都是清洗好的三元组：化学物 ID、基因 ID、相互作用类型。它不像 DrugBank 需要申请审批，也不像 UniProt 的 GOA 文件那样需要你自己推断关系，上手最快。

选它的第二个理由：CTD 自带物种标识。比如基因一列是9606:1956这种格式，冒号前是 NCBI Taxonomy ID，9606 就是人。做药物靶点预测最怕人和鼠的数据混在一起，CTD 把物种写死在 ID 里，过滤非常方便。等流程跑通，再去补 DrugBank 的药物-靶点条目和 Reactome 的通路关系，把图谱扩大。

数据下载之后不要直接训练，先做一次“关系计数”。我一般会输出每个关系类型的分布，看数据是不是偏到个别 hub 节点上。比如某个基因同时出现在一万条记录里，后面计算邻居特征时它会主导相似度，模型会学成“跟大节点有关就预测正例”。这个后面会在避坑章专门讲。

下面这段是读取与过滤的常见做法，注意 CTD 表头前 27 行到 30 行是统计信息，skiprows 要看实际文件重新调，我不会写死为永远 27：

import pandas as pd # 第一次打开文件先看前 40 行，确认注释头占多少行 with open("CTD_chemical_gene.tsv") as f: for i, line in enumerate(f): if i > 40: break print(i, line[:100]) # 确认后读取，skiprows 跳过注释 chem_gene = pd.read_csv( "CTD_chemical_gene.tsv", sep="\t", skiprows=27, low_memory=False, ) # 只要人和有相互作用注释的行 chem_gene = chem_gene[chem_gene["GeneID"].str.startswith("9606")].copy() chem_gene = chem_gene.dropna(subset=["ChemicalID", "GeneID", "InteractionActions"]) print("raw triples:", chem_gene.shape[0])

这里low_memory=False是因为混合类型列很多，不设置的话 pandas 可能把某些列读成 object，后面 ID 对齐会翻车。skiprows是这个文件常见的注释行数，换版本后要用head命令重新确认。我不建议把全表直接塞进内存再 groupby，先按物种过滤能省掉一大半无关记录。

得到原始表之后，要把 ID 统一。CTD 里基因是9606:1956，化学物是 MESH ID 如D0001。如果想在知识图谱里把“基因”和“靶点”混用，建议保留 GeneID 并转成 int：

def norm_gene(gid: str) -> int: """CTD 的 GeneID 形如 '9606:1956'，只取冒号后面的 EntrezGene ID""" return int(gid.split(":")[1]) kg = chem_gene[["ChemicalID", "GeneID", "InteractionActions"]].copy() kg["target"] = kg["GeneID"].map(norm_gene) kg["relation"] = "interacts_with" km = kg[["ChemicalID", "target", "relation"]].drop_duplicates()

这段逻辑看起来简单，但有两个极易踩的坑。第一，map(norm_gene)遇到非 9606 的行会先被外层过滤掉，所以不用 try；但若混着9606:1956和10090:...而外层过滤写错，int 转换会直接抛异常。我会把过滤和转换写在一起用loc而不是链式赋值，避免 SettingWithCopyWarning。第二，InteractionActions 有的是increases，有的是decreases|increases，这里统一成interacts_with是故意丢信息。原型阶段做“是否交互”二分类足够，跑通之后再回来把细粒度关系加为边类型。

2.2 把三元组变成图对象：节点类型、边类型、重复边

数据变成三元组，但推荐算法需要的是图结构。我用networkx.Graph搭无向图。注意我不用 DiGraph，因为 DTI 是“药物-靶点”双向相关，没有严格的上下行关系；虽然 CTD 里有的 interaction 是化学物“增加”基因表达，有方向性，但二分类不需要方向。如果后面做因果推断，再换 DiGraph。

构造图时，把节点和边分开添加是有价值的：节点上保存node_type，后面做路径特征时能区分“药物→通路→靶点”和“药物→疾病→靶点”，这两种路径的语义完全不同。代码：

import networkx as nx G = nx.Graph() G.add_nodes_from(kg["ChemicalID"].drop_duplicates(), node_type="drug") G.add_nodes_from(kg["target"].astype(str).drop_duplicates(), node_type="target") G.add_edges_from( zip(kg["ChemicalID"], kg["target"].astype(str)), rel="interacts_with", ) print(nx.info(G))

nx.info会打印节点数、边数和平均度。我一般要求平均度在 2 以上才继续，否则图太稀疏，协同过滤也救不了。这里把 target 转成str是防止 ChemicalID（字符串）和 target（int）在 networkx 内部被当成不等的节点类型，导致建图后同一个节点出现两种 ID 表示。不少初学者在这翻车，你查G.nodes会发现1956和"1956"同时存在。

2.3 用 scipy.sparse 构建邻接矩阵，别听教程里的 numpy dense

推荐系统里大量操作是矩阵乘法和特征广播，所以我习惯同时保留 networkx 图和稀疏邻接矩阵。邻接矩阵的维数是“全部实体数量”，几千到几万都很正常；如果用np.zeros((n,n))，1 万节点就要 800MB float，后面 TransE 训练再一比组合就爆了。正确做法是 coo_matrix 再转 csr：

import numpy as np from scipy.sparse import coo_matrix nodes = list(G.nodes()) node2idx = {n: i for i, n in enumerate(nodes)} row, col = [], [] for u, v in G.edges(): row.append(node2idx[u]) col.append(node2idx[v]) adj = coo_matrix( (np.ones(len(row)), (row, col)), shape=(len(nodes), len(nodes)), ).tocsr()

coo_matrix只记录非零位置，内存随边数而不是节点平方增长。转成csr是因为后面做adj@vector这类稀疏矩阵运算时 CSR 格式更快。node2idx这个字典在后面提取嵌入、生成训练样本时必须复用，否则对齐错位不会报错，只会默默给你一个错误的 AUC。

为了验证邻接矩阵和 networkx 图一致，我通常会抽查几个节点，对比adj[node2idx[drug]]和G.neighbors(drug)：

test_drug = nodes[0] row_idx = node2idx[test_drug] neigh_in_adj = adj[row_idx].indices neigh_in_G = [node2idx[n] for n in G.neighbors(test_drug)] assert set(neigh_in_adj) == set(neigh_in_G), "graph and adj mismatch"

这里的断言很便宜但值得做。数据管道写好之后，改过一次 ID 清洗就可能导致两套结构不一致，模型训练还看不出问题。我每次换数据源都会跑一遍这个断言，作为回归测试。

2.4 建完图先看三样东西：连通分量、节点度、路径数量

别急着调模型。我先打印三样检查结果：

1. 孤立节点数：如果某药物没有和任何靶点相连，它在图模型里永远预测不出分数，要么回退到内容特征，要么在构建阶段用相似关系连到已有节点。
2. 度最大的 10 个节点：是否有类似“万金油”的 hub 节点，比如 TP53、EGF 这种，后面随机游走很容易都游走到它们身上。
3. 随机抽 100 对“无直接边”的节点，统计 3 跳内可达的比例，作为图连通性的粗略指标。如果大多数不可达，说明图谱碎片化，推荐算法的协同信号很弱。

这三个检查不需要单独的代码文件，用 Python 交互式环境几行就能完成。但这些检查结果直接决定你后续选 PRA 还是 TransE：如果图严重碎片化，TransE 嵌入很难学到远程依赖，基于局部路径的方法反而是更稳的起点。

3. 把 DTI 当推荐问题：为什么药物靶点交互可以套用推荐系统

3.1 把药物想象成用户，靶点想象成物品

在推荐系统里，协同过滤的基本假设是“相似用户喜欢相似物品”。放到药物重定位场景：如果药物 A 和药物 B 在已知交互的靶点集合上高度重叠（share 很多靶点），那么药物 A 很可能和药物 B 的其余靶点也有交互。靶点同理。这就是最朴素的基于召回和排序的 DTI 预测。这里的“交互”是隐式反馈，不像评分有 1-5 星，只有“有/无”，所以我们要用 implicit feedback 的思路，不能直接套皮尔逊相关系数之类依赖评分值的方法。

这时知识图谱的价值就出来了：传统协同过滤只看药物-靶点二部图，容易冷启动；而知识图谱给每个药物关联了适应症、机制、ATC 分类，给每个靶点关联了通路、疾病、基因本体，这些边信息一方面增加路径特征，一方面降低对“评分数据”的依赖。这正是推荐系统里把知识图谱作为 side information 的标准用法。

选型理由提一下：基于平移距离的模型（TransE）和基于路径的模型（PRA）都是“知识图谱 + 推荐”的常见呈现。前者用嵌入表示实体，后者用显式路径特征。两者不冲突，可以 ensemble。我先在原型里用 PRA 做可解释基线，再用 TransE 做训练。

3.2 先跑一个“普通邻居重合度”基线：零训练、可解释、稳

做机器学习前，先做一个合理的启发式基线。它不依赖随机种子，也能帮你检查图谱质量。我们要预测候选药物-靶点对是否真有交互，一个非常强的特征是它们在图上的普通邻居重合度。如果药物 D 和靶点 T 没有直接边，但它们都连到基因 X，那么 X 作为共同邻居是有信号的。代码：

def jaccard_neighbors(G, drug, target): neigh_drug = set(G.neighbors(drug)) neigh_target = set(G.neighbors(target)) if not neigh_drug or not neigh_target: return 0.0 union = neigh_drug | neigh_target inter = neigh_drug & neigh_target return len(inter) / len(union)

一样地，还可以算 Dice 系数或共同邻居数。jaccard隐含的意义是：两个节点共享的邻居占整体邻居的比。共享邻居太少，说明它们在网络中处于不同区域，预测为正例的可信度低。我用它作为特征，而不是直接当分数，是因为单独用它的精度有限，但在样本量小的时候足以区分大部分明显负例。

在所有候选对上跑这个函数，然后用sklearn的roc_auc_score评估，你会得到一个“不用任何训练”的基线。如果这个基线 AUC 低于 0.6，说明图谱质量有问题，后面再上深度学习也是白搭。我会把这个当作数据质检关卡。

3.3 把路径变成特征：PRA 思路与随机游走实现

普通邻居只走一跳。更长路径，比如“药物 → 疾病 → 靶点”，虽然没有共享的靶点节点，但它们在同一个疾病分支里，也有语义信号。基于路径的排序就是这样：对每种“节点类型序列”统计路径数量。实现可以用nx.all_simple_paths，但深度不要超过 3；也可以随机游走统计命中，这两种我都用，它们对应不同的稳定性。

先看简单路径版：

from collections import Counter def path_type_hist(G, drug, target, max_depth=3): hist = Counter() for path in nx.all_simple_paths(G, drug, target, cutoff=max_depth): type_seq = tuple(G.nodes[n].get("node_type", "other") for n in path) hist[type_seq] += 1 return hist

cutoff=3表示最多走 3 条边。路径再长，组合数爆炸，而且很容易绕圈绕到一个 hub 节点，带来大量假信号。这个函数返回类似{('drug','target','target'): 2}的字典，但注意路径中可能经过多个 target——如果图谱里有二部图的边，那drug -> target -> other_drug -> target这种会很多。可以把这种路径类型看成特征名字，逻辑回归就能学出哪些路径类型更代表正例。

问题在于all_simple_paths在大图上非常贵，因为它是生成器，会枚举所有简单路径。如果图有 5000 节点、平均度 5，深度 3 的路径数量可能十几万条，乘以候选对就是灾难。因此我更多使用随机游走：

import random def random_walk_hit_rate(G, start, target, walk_len=4, n_walks=50): hits = 0 for _ in range(n_walks): node = start for _ in range(walk_len): neighbors = list(G.neighbors(node)) if not neighbors: break node = random.choice(neighbors) if node == target: hits += 1 break return hits / n_walks

这里有参数n_walks和walk_len。n_walks越多，估计越稳，但耗时线性涨；walk_len越长，越能探索远程关系，但也容易跑偏。我一般从n_walks=50, walk_len=3起步，后面加到 200 和 4，看指标有没有变化，没有就停下来。这个 hit rate 可以当一个标量特征，和普通邻居重合度、直接路径数并起来。它本质上是 DeepWalk/Node2Vec 的简化：把图的局部结构压缩成一个概率值，只不过我们只关心起点到终点的命中率，而不是全图嵌入。

随机游走比 all_simple_paths 快的另一个原因是它不保证“无重复节点”，允许走回头路，等于在采样带噪路径。这对小样本 DTI 反而有正则效果。推荐系统里很多图算法也用这种带噪采样，因为它更能抵抗图噪音。

3.4 参数设置与优先级：先调哪些不玄学

这里给一个“先动谁”的顺序表：

参数不是越多越好。我踩过的坑就是同时调五个参数，最后根本不知道谁提升的指标。建议按这个优先级：先把 max_step 固定为 3，n_walks 设为 100，然后把特征归一化，用逻辑回归跑一遍再说。逻辑回归本身有 L2 正则，参数 C 可以搜，但对原型够用。

把上述三个特征拼成一个向量，标准化后用 LogisticRegression。示例：

from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline from sklearn.model_selection import cross_val_score # X 是所有候选药物-靶点对的 [jaccard, path_type_count, walk_hit_rate] clf = make_pipeline(StandardScaler(), LogisticRegression(C=1.0, max_iter=1000)) scores = cross_val_score(clf, X, y, cv=5, scoring="roc_auc") print(scores.mean())

先别上 GNN，一个逻辑回归加路径特征通常就能到 0.7~0.85 的 AUC，而且完全可解释。这个阶段对理解数据非常有帮助。

4. 从二部图嵌入到完整模型：最小 TransE 训练、评估与操作指南

4.1 负采样：这是二分类模型的地基，请务必用随机种子

在知识图谱中我们只有正例边，没有“不交互”的边。推荐系统里常见的做法是把未知当成负样本，但在 DTI 里这是有风险的：很多未知只是“未被验证”，不是真的没有交互。所以负样本也叫“软负例”。采样方法有三种：随机替换头实体、随机替换尾实体、随机替换两头。我常用随机替换头或尾，但必须保证替换后不在已知正样本集合里。

下面是一个负采样函数，它接受正样本边列表和已知边集合。关键参数neg_ratio建议从 1.0 开始，也就是每个正样本配一个负样本。你会发现训练更快，指标也更稳定：

import numpy as np def negative_sampling(edges, all_nodes, known_set, neg_ratio=1.0, seed=42): rng = np.random.default_rng(seed) all_nodes = np.asarray(all_nodes) pos_size = len(edges) neg_size = int(pos_size * neg_ratio) negs = [] while len(negs) < neg_size: idx = rng.integers(0, pos_size) h, t = edges[idx] # 从正样本中取一个真边 if rng.integers(0, 2) == 0: h2 = rng.choice(all_nodes) pair = (h2, t) else: t2 = rng.choice(all_nodes) pair = (h, t2) if pair not in known_set: negs.append(pair) return negs

其中edges是正样本列表，all_nodes是全部实体列表，known_set是“任何已知但当前不在训练集里的关系”集合。有一项必须提醒：known_set里要把所有正样本（包括测试集）都放进去。最安全的方式是先把所有正样本分成 train_pos 和 test_pos，然后负采样时known_set = all_pos，这样训练负样本不会误伤 train 里未出现的正样本，但训练时模型可能把 test_pos 当作负例？严格来说，负采样阶段要把 test_pos 也排除在外，否则会造成“测试集正例被模型当作负例训练”这不算泄漏，但会让评估标签不一致。更干净的做法是先在全部已知边上采样负样本，然后按分边划分到 train/test 的负样本集，但划分后必须保证同一个 pair 不出现在两侧。这里提供的是基础版，足够复现。

4.2 用 PyTorch 写一个最小 TransE：20 行核心代码

TransE 是知识图谱嵌入最简单也最稳定的模型。它把每个实体映射到一个 d 维向量，每个关系也映射为一个 d 维“平移向量”，要求对于一个正确三元组(h, r, t)，满足h + r ≈ t。这正好适合 DTI：药物 + 交互关系 ≈ 靶点。关系interacts_with只有一个，所以模型会退化成“药物向量 + 关系向量 = 靶点向量”，再通过内积或距离打分。这在信息学上也等价于一种基于平移的矩阵分解。

代码如下：

import torch import torch.nn as nn class TransE(nn.Module): def __init__(self, n_ent, n_rel, dim=50, margin=1.0): super().__init__() self.emb_e = nn.Embedding(n_ent, dim) self.emb_r = nn.Embedding(n_rel, dim) self.margin = margin def distance(self, h, r, t): # L1 距离：h + r 应该靠近 t return torch.norm(self.emb_e(h) + self.emb_r(r) - self.emb_e(t), p=1, dim=1) def forward(self, ph, pr, pt, nh, nr, nt): d_pos = self.distance(ph, pr, pt) d_neg = self.distance(nh, nr, nt) loss = torch.relu(self.margin + d_pos - d_neg).mean() return loss

margin的意义是正样本距离至少要比负样本距离小 margin 这个余量。margin太小，正负样本区分不明显；太大，模型只关注难分样本，训练震荡。我常用 1.0 起步，数据量小的时候可以放到 2.0。dim默认 50，当节点只有几千时，50 维已经够用；盲目上 200 维只会过拟合。p=1是曼哈顿距离，比欧氏距离更稳定，这也是 TransE 论文里常用的。

训练循环：

model = TransE(n_ent=len(nodes), n_rel=len(relations), dim=50) opt = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(100): opt.zero_grad() loss = model(pos_h, pos_r, pos_t, neg_h, neg_r, neg_t) loss.backward() opt.step() if epoch % 10 == 0: print(f"epoch {epoch}: loss {loss.item():.4f}")

这里pos_h, pos_t是从训练正样本对映射到整数索引的 LongTensor，pos_r全为关系interacts_with的索引 0。负样本同理。注意每次迭代都用同一份负样本可能让模型记住它们，所以理论上每个 epoch 要重新采样。为了代码简洁，我一般每 10 个 epoch 重新采样一次。如果你要复现论文指标，必须固定随机种子固定负样本序列，这两者矛盾，我的取舍是：调参时固定负样本；正式训练时每 10 epoch 重采样。

4.3 把嵌入内积当作推荐分数：评估的时候不看 loss，看 AUC 和 AP

TransE 训练完成后，我们要给“候选药物-靶点对”打分。两种方式：一是用distance的负数，距离越近分数越高；二是直接把药物向量和靶点向量做内积。内积没有经过 margin 约束，但实现最简单，和推荐系统的矩阵分解很像。我一般用内积，再单独做一次标准化。

import numpy as np from sklearn.metrics import roc_auc_score, average_precision_score with torch.no_grad(): emb_e = model.emb_e.weight.numpy() score_test = np.sum(emb_e[test_drug_idx] * emb_e[test_target_idx], axis=1) # score_test 高代表预测交互 print("AUC", roc_auc_score(test_label, score_test)) print("AP", average_precision_score(test_label, score_test))

评估要在独立测试样本上做。测试样本包括两部分：一部分是训练图中去除部分边的“半冷启动”链路预测，一部分是“完全冷门”的新药物或新靶点。如果只有前者，模型很可能靠记忆节点 ID 来得分，不能证明泛化能力。所以我在分割数据时保留了一组“new target”样本，测试时这些靶点不出现在图里。不过 TransE 在这种情况下无法直接训练，需要冷启动回退，这点在下一节和避坑章细说。

4.4 操作指南：从建好图到跑通的最小命令与常见环境问题

到了落地环节，给出可复制的最小命令。首先，项目目录建议这样组织：

dti_project/ data/CTD_chemical_gene.tsv src/build_kg.py src/train_transe.py src/evaluate.py output/

然后环境安装。Python 版本建议 3.8～3.10，PyTorch 在 3.11 上也可以装，但有些旧版本 SciPy 不兼容，没必要给自己增加不确定性。在命令行执行：

python -m venv dti_env # Windows PowerShell 激活: dti_env\Scripts\activate # macOS/Linux 激活: source dti_env/bin/activate pip install --upgrade pip pip install pandas numpy networkx scipy scikit-learn pip install torch --index-url https://download.pytorch.org/whl/cpu

最后一行是指定 CPU 版 PyTorch；如果你的机器有 Nvidia GPU，去掉--index-url，直接pip install torch会自动装 CUDA 版。这里有个小经验：首次学习不需要 GPU，CPU 版跑这两千条边和两万条负样本，100 epoch 也就是几分钟。

接着把三段脚本串起来。我通常会写一个run_all.sh，但在 Windows 上更顺手的是直接在命令行里依次执行：

python src/build_kg.py python src/train_transe.py python src/evaluate.py

提示：CTD 文件的注释行数会随版本变化，skiprows 请用第 2.1 节的查看方法确认后填写。

如果build_kg.py报ImportError: No module named 'sklearn'，按上面 pip 命令重新安装即可。还有一个高频错误是skiprows=27不匹配，因为 CTD 的表头统计行数会变。最简单的排查方法是在脚本里用第 2.1 节里的读取方式，先打印前 40 行，确认实际行数再填。装好环境之后，torch显示 CPU 版不像 GPU 版那样有设备名，但训练速度没有大差别。

到这里，整个“推荐系统 + 知识图谱 + DTI”的最小闭环就跑通了。但是，别急着高兴，真正会让你翻车的是第 5 章那些细节。

5. 避坑 / 常见问题 / 排查：药物靶点交互预测最容易翻车的五个细节

5.1 数据泄漏：训练集和测试集剪不断理还乱

现象：roc_auc_score给出 0.94，你在心里已经把论文题目都想好了。但把模型放到一个从未见过的新药物上，预测结果和随机猜差不多。

原因：最常见的错误是在构建测试集时，直接从全部三元组中随机抽取 10% 的边。这样同一个药物在训练集中出现，在测试集中也有它的另一条边；图是全局共享的，TransE 的实体向量自然记住这个药物。测试时它只是“还记得这个节点”，而不是“真的推理”。这就造成了数据泄漏。

解决：用“按药物分组”的留出法。先把所有药物 ID 划分成训练药物和测试药物两个集合，确保测试药物在整个图的构建过程中不出现在任何一条训练边里。在构建图的时候，用训练药物包含的所有边建图；测试药物本身虽然可作为新节点加入，但它的所有边都进测试集，不参与训练。代码上就是分组unique_drugs = train_drugs | test_drugs，然后建图前过滤。不要等到建完图再删边，否则图结构仍然包含测试实体的间接信息。

5.2 负采样方向：随机替换头实体和替换尾实体，结果完全不一样

现象：loss 收敛到 0.1 以下，但 AUC 只有 0.65。另一个模型用同样的参数，只改了替换方式，AUC 到了 0.82。

原因：在 DTI 这个场景里，药物实体和靶点实体的数量差异很大。如果靶点只有几百个，随机替换尾实体（靶点）时很容易撞到另一个已知交互靶点，负例虽然不在 known_set 里，但它本质上仍是潜在正例，类别噪声大；而随机替换头实体（药物）因为药物多，负例更可靠。反向则相反。

解决：不要固定一种替换策略。在负采样时同时生成两类负样本：药物替换组和靶点替换组，然后合并，比例可以按照 1:1。此外，known_set必须包含所有“当前已知能排除”的边。我一般还维护一个“已标注但不在训练集中”的关系集合，用来做召回过滤，保证测试正例不会被当成负例输出。具体做法：负采样函数加一个参数exclude_set，传入全部正样本的并集，而不是训练集正样本。

5.3 孤立节点与冷启动：新药一进图就成了无依无靠的孤儿

现象：你新增了 100 个候选药物，它们在知识图谱里一个邻居都没有（比如还没有任何实验记录）。模型对这些药物输出的分数全部在一个很窄的区间波动，基本等于随机。

原因：TransE 和基于路径的模型都是局部结构方法，没有邻居就没有信息。你不可能要求一个“纯图模型”在零边情况下做出有意义的推断。这是知识图谱方法的天花板，不是工程 bug。

解决：采用“冷启动策略分离”。如果新药有分子结构，就计算 Morgan 指纹（半径 2，长度 1024 位），用 Tanimoto 相似和已有药物做最近邻；如果新靶点有蛋白序列，就用氨基酸 k-mer 的 comp 计数和已有靶点做相似度。然后把这些内容相似度作为另一个特征和 TransE 分数融合。换句话说，把问题拆成两块：有邻居的节点走图模型，没有邻居的节点走内容相似度模型。这个融合不要等模型训练完再做，应该在验证时就用 holdout 的孤立节点评估效果。

5.4 图谱太稠密：万金油 hub 节点让随机游走变成“景点打卡”

现象：随机游走特征几乎全是 0.3 左右的均值，药物和靶点之间的分数差异被抹平。

原因：图中有极少数节点，比如 TP53、EGF、TNF，几乎和所有疾病、药物都有关联。随机游走只要走到这些节点，就很容易走到目标，而不管这个候选对在机制上是否相关。结果是每个候选靶点都有很高的 hit rate，模型学不到区分度。

解决：做“hub 惩罚”。计算每个节点度，随机游走在选择下一步时对大于某个阈值的节点降权，或者直接去掉一些“万金油”节点。还有一个简单做法是每次游走记录是否经过 hub，把“经过 hub 的次数”作为额外特征，让逻辑回归学一个负系数。这个惩罚权重需要实验调，我通常从度分布的 99% 分位数作为阈值开始，把度高于它的节点概率乘以 0.3。

节点度分布如何看？用nx.degree(G)直接画个直方图，在 hub 处会断崖。如果不做处理，TransE 的嵌入也能学到“只要向量朝向 hub 就加分”，这和药物机制无关。

5.5 训练评估拆分方式：别把“旧药新靶点”和“新药新靶点”混在一起报指标

现象：你报告一个 AUC 0.90；换一种数据切分，同一步代码报 0.70；审稿人或领导只会有一种反应——“你对结果负责吗？”

原因：DTI 预测有多种实际场景：已知药物、新靶点；新药物、已知靶点；两者都新。每种场景难度完全不一样。随机的边级切分因为存在重叠，相当于开卷考试，AUC 虚高；按实体切分才像闭卷考试。

解决：在验证时把测试集划分为四个子集：旧药-旧靶点（但边从图中去掉）、旧药-新靶点、新药-旧靶点、新药-新靶点，分别汇报 AUC/AP。我在代码里用一个dataset_version参数标记切分方式，模型评估直接复用同一个函数。这样评委问起来，你拿出来的每个数字都有对应的任务定义，不会翻车。我见过的成熟团队都会在 README 里写一句“本模型的指标是基于实体（药物/靶点）独立切分，并非随机边切分”，这句话能挡掉一大半质疑。

注意：这里说的“新药-新靶点”不是指分子序列从未出现，而是指该实体的所有边都不在训练图内；如果只是在测试集里删掉对应边，仍然会泄漏。

6. 验证与进阶：让预测结果不再是黑匣子，用路径回溯把 Top-N 变成可解释证据

模型跑完，指标报完，工作其实只做了一半。如果领导问了“这个预测二甲双胍和 EGFR 相互作用的依据是什么？”你不能只说“模型输出 0.87”。我一般会把 Top-N 预测对重新映射回知识图谱，用最短路径给每条预测补一段人工可读的证据链。比如：

import networkx as nx for drug, target, score in top_n: try: shortest = nx.shortest_path(G, source=drug, target=target) evidence = " -> ".join(shortest) except nx.NetworkXNoPath: evidence = "no connectable path" print(f"{drug}\t{target}\t{score:.3f}\t{evidence}")

这段代码看着简单，价值却很高：它把纯向量内积变成了可复核的因果链。如果路径是“药物 -> 基因A -> 药物B -> 靶点”，你就知道这是个间接证据，权重可能低；如果路径是“药物 -> 疾病 -> 靶点”，更接近临床语义。我把路径类型当成一个后置过滤器，只保留“drug -> disease -> target”这类强证据路径。这一步能在不重训练的情况下显著提高推荐结果的可信度。

进阶做法是把路径证据和嵌入分数做一个极简融合排序：先把路径计数归一化到 0~1，再和 TransE 内积分数各取 0.5 权重相加。相比只用内积，混合排序往往能抑制“hub 节点带来高嵌入相似度但缺乏机制关联”的假阳性。这个融合不需要调复杂模型，一个weight_dict足够。验证时，先看混合排序下 Top-50 里被文献支持的比例，而不是只看 AUC；我在实际项目里用这个比例作为给实验室的交付指标。

最后说一个我自己的教训。很早以前我跑 DTI，用全局随机切分拿到了 0.96 的 AUC，还沾沾自喜发了个内部分享。后来被同事提醒做一次冷启动验证，相同的代码、相同的数据，按新靶点切分后 AUC 直接摔到 0.71。从那以后，我给自己立了个规矩：无论模型多花哨，第一版指标永远先报“新药-新靶点”那栏，那个数字才是实验室愿意投入真金白银的依据。希望帮到你。

本文还有配套的精品资源，点击获取