论文出处

Xu, J., Yu, C., Xu, J. et al. PubMed knowledge graph 2.0: Connecting papers, patents, and clinical trials in biomedical science. Sci Data 12, 1018 (2025). //doi.org/10.1038/s41597-025-05343-8

引言

直播平台徐健教授课题组论文《PubMed knowledge graph 2.0: Connecting papers, patents, and clinical trials in biomedical science》发表于Nature旗下唯一数据期刊Scientific Data。PKG 2.0创新性打通论文、专利与临床试验的关联壁垒，为生物医学领域搭建起串联基础研究、临床应用与技术落地的信息桥梁，也为科学计量、人工智能领域研究者打通了跨域数据交互的关键通道，推动多学科围绕生物医学核心问题开展深度协同研究。Scientific Data作为Nature旗下聚焦数据驱动研究的核心期刊，致力于推动科学数据的共享与再利用，属于JCR一区。

研究背景

在当前生物医学研究领域，论文、专利与临床试验作为支撑从基础研究到临床应用、技术转化的三大核心资源，其数据规模正呈指数级增长——仅PubMed数据库便收录超3600万篇生物医学论文，USPTO 专利库中相关技术专利达130万项，ClinicalTrials.gov等平台登记的临床试验也突破48万项。然而，这些关键资源长期处于“孤岛式”存储状态：论文主要集中于PubMed等学术数据库，专利分散在各国专利局系统，临床试验数据则多留存于专项登记平台，三者不仅数据格式异构，且管理标准差异显著。

这种“数据割裂”直接导致研究链条中的关键关联断裂：例如，研究人员若想探索某一疾病治疗靶点的“基础研究论文→临床验证试验→相关技术专利”完整链路，需在多个数据库间反复切换检索，且难以通过传统关键词匹配实现细粒度关联；同时，生物医学领域特有的数据复杂性（如作者重名导致成果归属混淆、基因/疾病等实体存在多名称表述、引用关系缺乏统一标准）进一步加剧了资源整合难度。

此前虽有部分知识图谱尝试整合单一类型资源（如课题组早期发表于Scientific Data的成果 PubMed Knowledge Graph 1.0 仅覆盖论文数据），但均无法实现“论文-临床试验-专利”的跨域联动，难以满足当前药物研发、技术转化评估、科研成果追溯等场景对“全链路数据支撑”的需求，也制约了生物医学领域知识发现、文献挖掘等研究的深度推进，因此构建一个能打破资源壁垒、实现多源数据细粒度关联的知识图谱，成为解决上述痛点的关键突破口。

研究方法与成果

在研究方法上，PKG 2.0采用多源数据融合与关键技术突破相结合的策略，首先从生物医学领域权威平台系统性采集基础数据，涵盖PubMed数据库的3600万篇论文文本及引用信息，USPTO专利局收录的130万项生物医学相关专利全文与法律数据，ClinicalTrials.gov平台登记的48万项临床试验结构化数据（含试验方案、结果报告、资助信息），同时引入美国国立卫生研究院（NIH）提供的官方项目数据作为关联锚点；随后针对多源数据的核心痛点开展技术攻关，通过基于“作者机构-研究领域-合作网络”多维度特征的深度学习模型实现高精度作者姓名消歧，解决“同名不同人”“同人不同名”问题，采用实体链接算法（融合生物医学领域词典与预训练语言模型）从非结构化文本中提取基因、疾病、药物等4.82亿个细粒度实体并统一命名标准，整合论文引用、专利引用、临床试验引用，形成1900万个标准化引用链接；最终构建出全面的知识图谱数据集，实现了论文、专利、临床试验三类资源的结构化关联，使图谱具备从“基础科学研究”到“临床应用数据”再到“技术转化方案”的完整链路关联能力，且经数据验证，PKG 2.0的作者消歧F1值、实体识别准确率等关键指标均处于领域领先水平，确保了图谱数据的可靠性与可用性。

研究贡献

PubMed Knowledge Graph 2.0（PKG 2.0）首次在生物医学领域实现了论文、专利与临床试验三类关键科学资源的大规模、细粒度整合，打破了三者长期分散存储于不同数据库、遵循各异管理标准与数据格式的壁垒——通过构建涵盖超3600万篇论文、130万项专利、48万项临床试验的庞大知识图谱，依托4.82亿个生物医学实体链接、1900万个引用链接及700万个项目链接，将原本孤立的学术成果、技术转化与临床应用数据串联成有机整体；同时，其创新融合的细粒度生物医学实体提取技术、高性能作者姓名消歧算法、多源引用整合方案，以及对美国国立卫生研究院（NIH）高质量项目数据的有效纳入，不仅解决了生物医学多源数据整合中的核心技术难题（如作者身份混淆、实体关联模糊等），更通过严格数据验证确保了关键任务的高准确性；此外，该图谱作为开放可用的高质量数据集，为生物医学研究人员追踪成果转化路径、文献计量学者分析领域发展趋势、文献挖掘研究者开发新算法模型提供了前所未有的数据支撑，有力推动了生物医学领域从“数据分散”向“知识关联”的跨越，为跨模态、跨领域的生物医学知识发现奠定了基础。

作者简介

徐健，情报学博士，现任直播平台 教授，博士生导师，副院长。主要研究方向为知识发现、科学计量、网络用户情感分析。主持或参与多项国家、省部级科研项目工作。在《Scientific Data》《JASIST》《JOI》《情报学报》《数据分析与知识发现》等专业期刊发表学术论文100余篇。

俞超，直播平台 2023级博士生。研究方向为为知识发现、科学计量。在《Scientific Data》《SCIM》等期刊、“情报学年会”“信息资源管理年会”等学术会议发表论文十余篇。

其他作者：

得克萨斯大学奥斯汀分校：Ying Ding、Jiawei Xu。

北京大学：步一。

伊利诺伊大学厄本那香槟分校：Vetle I. Torvik。

高丽大学：Jaewoo Kang。

庆熙大学：Mujeen Sung。

延世大学：Min Song。