科学知识图谱：Scientific KG

本章所属 DDA 层：Scientific KG

把每篇 CSR 抽成三元组、立刻写进「企业知识图谱」，和先把断言标成候选、只让人审过的事实进 knowledge 图，是两条路。前者看起来像知识工程。后者才发得了版。

图一旦写成「已验证」，仓外推理包会把它当真理。抽错一句不良反应，比检索少召回一篇文献更难发现。

问题

Ontology 回答世界里有哪些对象、规则是什么。科学知识图谱回答：公司目前承认哪些关系为真，这些关系挂在哪条证据上，公开层的哪些边只是外部世界。

阿斯利华需要「ASH-001 作用于 c-Met」这种企业认可的断言，也需要公开库里「savolitinib 的活性数据」作为对照。两者不能进同一张未分层的图。抽取管道每天还会吐出新的主谓宾。若抽取即入库，Knowledge ≠ Truth 就碎了。

传统方案

常见两种做法。一种把知识图谱当文档库的可视化：节点是名词，边是共现。一种把 RDF 三元组仓库当「语义网项目」，公开数据和企业数据混在默认图里。

阿斯利华早期把文献里抽出的「treats」「inhibits」直接当成管线事实。BI 报表仍按临床库的状态算，两边对不上，也说不清哪条边来自哪一版 CSR。

为什么失效

文档增长速度远高于策展速度。每篇 PDF 变成本体类或知识边，图不可治理。

抽取有噪声。否定句、表格错行、OCR 误差都会产三元组。自动 validated 等于把噪声写成世界模型。

公开层和企业层混图。消费方用公开 ID 当主键查询，内部候选药消失；或反过来，把公开活性数据当成公司已确认的管线关系。

没有 PROV。审计问「这条边依据哪次抽取、哪次审校」，图里只有谓语。

属性图双写或第二套图引擎会复制同一套身份契约。换引擎不是换存储，是推翻 SPARQL、命名图和 PROV 约定。

flowchart LR
    subgraph bad [抽取即真理]
        PDF[文档] --> T[三元组]
        T --> G1[同一张图]
    end
    subgraph good [分层世界模型]
        PDF2[文档] --> EX[extracted]
        EX --> REV[科学家审校]
        REV --> VA[validated]
        VA --> G2[graph_knowledge]
        PUB[公开源] --> GB[graph_biomedical]
    end

图：候选与已验证必须分图（DDA 层：Scientific KG）

新的设计思想

科学知识图谱是已治理的运行时，不是文档的投影，也不是 Ontology 的同义词。

命名图按断言强度切开。本体结构、已验证知识、溯源、公开药理空间各有各的图。谓语可以同名，强度靠图 URI 区分。

只有 validated 物化进 knowledge。extracted 可以进湖、进溯源图，默认不进推理包。

世界模型运行时只认 RDF 图库。不引入属性图双写，不预留第二套图引擎适配层。

关系融合在签名合并之上做冲突检测和多文档聚合，仍然禁止自动验证。

发版守门看图快照，不看入湖报告。能入库不等于能发版。

架构设计

flowchart TB
    ONT[OntologyServices] --> GO[graph_ontology]
    VAL[validated_claims] --> GK[graph_knowledge]
    EX[extracted_claims] --> GP[graph_provenance]
    PUB[公开药理空间] --> GB[graph_biomedical]
    GO --> RT[RDF图库运行时]
    GK --> RT
    GP --> RT
    GB --> RT
    RT --> API[上下文接口]

图：命名图分工，单一 RDF 运行时（DDA 层：Scientific KG）

图回答「谁与谁有何已验证关系」。证据索引回答「原文怎么说」。二者经证据 ID 挂靠，不互相替代。

工程实践

决策表

决策	选择	放弃
引擎	单一 RDF 图库	Neo4j 双写、属性图投影、第二套适配层
断言	extracted ≠ validated	抽取自动进 knowledge
公开层	独立 biomedical 图 + xref	公开 ID 当企业主键
融合	冲突检测 + 多文档聚合	只按签名去重并抬置信度
发版	QualityGate 看图快照	用 IngestQA 代替发版
演进	人审后写 Git 再同步	管道直接改生产图

阿斯利华可走通的例子

从 csr_ash001_phase1_v3 抽出：

claim:
  subject: ASH:ENT:DC:savolitinib
  predicate: has_adverse_event
  object: rash
  status: extracted
  evidence_id: ev:csr_ash001_phase1_v3#3.2.r4
  ontology_release_id: 2026.08.1

这条边可以进溯源图，可以出现在「含候选」的调试视图。它不能出现在 get_relationships 的默认结果里，也不能单独支撑「该药已确认皮疹为不良反应」的推理包。

科学家对照原文和 MedDRA / 内部词表后，把 status 改为 validated，记录审校人与时间。同步作业才在 graph/knowledge 写下对应边，并保留 PROV：谁在何时根据哪条证据承认了它。

若另一篇文献抽出「无皮疹」，融合层标记 conflicting_values，保持 extracted，不自动改已验证边。

公开活性数据进 graph/biomedical，用 exact_match 挂到 ASH:ENT:DC:savolitinib。查询企业管线仍用企业 ID。

失败模式

• 抽取即写 knowledge：幻觉进入世界模型，评测绿、业务红。
• 默认图混装四类断言：SPARQL 一查，公开边和企业边无法区分强度。
• YAML 在图库不可达时冒充运行时：演示能答，生产契约撒谎。
• 融合只抬置信度：多篇重复抽取被当成更真。
• 入湖通过被当成发版通过：空证据的实体带着残缺关系上线。

业界路线对照

Open PHACTS 用链接数据缓存整合公开源，身份映射与领域 API 分开。阿斯利康把知识地图当作导航层，数据产品仍在湖仓。公开层可导航、可映射；企业承认的事实单独发版。不要把「知识地图」理解成可以替代湖仓的一张大图。

最佳实践

先有身份，再有边。没有企业主键的三元组不要进 knowledge。

PROV 挂在边上，不挂在 wiki 里。

冲突要浮现。掩盖冲突等于编造单一真相。

发版号随图。推理包必须带 ontology_release_id。

图引擎决策写死。换引擎等于换契约，不当成存储优化。

延伸阅读

• RDF 与命名图：用图 URI 区分断言强度。
• PROV：出处作为一等公民，而不是日志附件。
• Open PHACTS：公开药理空间与应用层分离。

Checklist

• 是否澄清 Ontology 与 Scientific KG 的分工，未把本书写成「企业知识图谱项目」？
• extracted 与 validated 是否分图、分生命周期？
• 公开层是否独立，企业主键是否仍是 ASH:ENT:*？
• 世界模型是否只认单一 RDF 运行时，未做属性图双写？
• 融合是否检测冲突，且禁止自动验证？
• 发版守门是否看图快照，而不是复用 IngestQA？
• 每条 knowledge 边是否能回到证据与审校记录？

公司承认的事实，和文档里抽出来的句子，不是同一张图。命名图分层，知识不等于抽取。