介绍

万物相连。因此，用图对世界建模是一个自然的选择。例如，MONDO 疾病本体- 一个由数百万个实体（从基因到疾病）组成的知识图谱；或基因本体 - 描述分子功能、细胞成分和生物过程。此外，还有一些数据库，如疾病基因网络（DisGeNet）--探索基因与疾病的关联；Orphanet--罕见病百科全书。如图所示，这些医学和保健知识是零散的。PrimeKG试图...

......整合了 20 个高质量资源，描述了 17,080 种疾病与 4,050,249 种关系，代表了十大生物学尺度，包括与疾病相关的蛋白质扰动、生物学过程和途径、解剖学和表型尺度，以及全部已批准药物及其治疗作用，极大地扩展了以往在以疾病为基础的知识图谱方面所做的努力。

准备和装载

准备

1. 请点击 PrimeKG 原始数据链接。下载 "edges.csv"（368.6 MB）和 "nodes.csv"（7.5 MB），为什么？→还有其他文件，例如 "kg.csv"，它包含完整的图形（每行的格式为node1-relation-node2）。但是用单独的节点和边文件导入图形是最快捷、最有效的方法。
2. 下载并安装开放式 JDK。我经常使用 Eclipse Temurin。选择版本 17 (LTS) 或 21 (LTS)。安装完成后，检查 JAVA_HOME 环境变量是否指向正确的 JDK 位置。为什么？→以后我们需要 JDK 才能在 Neo4j 中运行 "neo4j-admin.bat"。
3. 使用 Notepad++ 将 edges.csv 的标题改为 :TYPE,display_relation,:START_ID,:END_ID。将 "nodes.csv "的页眉改为 node_index:ID,node_id,:LABEL,node_name,node_source。为什么？→Neo4j 导入工具要求 CSV 文件的标题遵循某些准则，例如哪一列是 ID。
4. 使用 Notepad++ 在 "nodes.csv "中搜索并替换"/"为"__"。为什么？ → Neo4j 节点名称必须遵循某些限制。
5. 下载并安装 Anaconda，或至少安装带有 Pandas 库的 Python。为什么？→不幸的是，我发现 "edges.csv "包含双重边缘，这意味着我们有一行 CSV 记录 "节点 A 指向节点 B，关系为 X"，而另一行记录 "节点 B 指向节点 A，关系为 X"。我们打算在 Neo4j 中构建一个无向图。因此，我们必须删除重复的边。我只知道如何用 Python/Pandas 来做这件事！

import pandas as pd
df = pd.read_csv(r"edges.csv", header="infer", sep=",", encoding="utf-8", dtype=str, keep_default_na=False)
                 
group = df[[":START_ID", ":END_ID", ":TYPE", "display_relation"]].agg(frozenset, axis=1)
df_result = df.groupby(group).first()
df_result.to_csv(r"edges2.csv", sep=',', encoding='utf-8', index=False)

正在加载

1. 打开 Neo4j Desktop。创建新项目。添加 "本地 DBMS"。查找三点：点击它，然后点击 "打开文件夹"，再点击 "DBMS"。
2. Windows 资源管理器会打开 DBMS 所在的位置。在我的例子中，是 C:\Users\[用户名]\.Neo4jDesktop\relate-data\dbmss\dbms-886ac993-25d9-493a-922b-2d41e29b6446。
3. 在这里打开 CMD。现在使用下面的命令。记住要适当更改 [path]。

.\bin\neo4j-admin database import full primekg --nodes="D:\[path]\nodes.csv" --relationships="D:\[path]\edges2.csv" --trim-strings=true"D:\[path]\nodes.csv" --relationships="D:\[path]\edges2.csv" --trim-strings=true

1. 在 Neo4j Desktop 中，根据已创建的 DBMS 点击 "Start（开始）"按钮。然后点击 "Open（打开）"，打开 Neo4j 浏览器。
2. 创建数据库 "primekg"。然后改用该数据库作为活动数据库。(这些都是 Cypher 查询）

CREATE DATABASE primekg
:use primekg

在 Neo4j 浏览器中，输入命令来验证是否一切正常：

MATCH (n) RETURN COUNT(n)

命令应返回 129375。这就是图中的节点数。然后使用命令进一步测试：

MATCH ()-[r]-() RETURN COUNT(DISTINCT r)

它应该返回 4050249。

可视化与探索

可视化

要获取数据库模式，我们可以使用 Neo4j 浏览器中的 CALL db.schema.visualization()。一个可视化图表就会显示出来：

探索

要获取所有节点类型，请使用 CALL db.labels()。结果：

╒════════════════════╕
│label               │
╞════════════════════╡
│"anatomy"           │"anatomy"           │
├────────────────────┤
│"gene__protein"     │
├────────────────────┤
│"disease"           │
├────────────────────┤
│"effect__phenotype" │
├────────────────────┤
│"drug"              │
├────────────────────┤
│"biological_process"│
├────────────────────┤
│"molecular_function"│
├────────────────────┤
│"cellular_component"│
├────────────────────┤
│"exposure"          │
├────────────────────┤
│"pathway"           │
└────────────────────┘

在论文的第 5 页，我们可以看到节点列表，它们是匹配的！

使用 CALL db.relationshipTypes() 获取所有关系类型。结果

╒════════════════════════════╕
│relationshipType            │
╞════════════════════════════╡
│"protein_protein"           │"protein_protein"           │
├────────────────────────────┤
│"anatomy_protein_present"   │
├────────────────────────────┤
│"molfunc_protein"           │
├────────────────────────────┤
│"cellcomp_protein"          │
├────────────────────────────┤
│"drug_effect"               │
├────────────────────────────┤
│"bioprocess_bioprocess"     │
├────────────────────────────┤
│"anatomy_anatomy"           │
├────────────────────────────┤
│"bioprocess_protein"        │
├────────────────────────────┤
│"exposure_disease"          │
├────────────────────────────┤
│"exposure_protein"          │
├────────────────────────────┤
│"exposure_exposure"         │
├────────────────────────────┤
│"exposure_bioprocess"       │
├────────────────────────────┤
│"pathway_protein"           │
├────────────────────────────┤
│"pathway_pathway"           │
├────────────────────────────┤
│"exposure_molfunc"          │
├────────────────────────────┤
│"exposure_cellcomp"         │
├────────────────────────────┤
│"molfunc_molfunc"           │
├────────────────────────────┤
│"cellcomp_cellcomp"         │
├────────────────────────────┤
│"anatomy_protein_absent"    │
├────────────────────────────┤
│"drug_drug"                 │
├────────────────────────────┤
│"indication"                │
├────────────────────────────┤
│"off-label use"             │
├────────────────────────────┤
│"contraindication"          │
├────────────────────────────┤
│"drug_protein"              │
├────────────────────────────┤
│"disease_phenotype_positive"│
├────────────────────────────┤
│"disease_phenotype_negative"│
├────────────────────────────┤
│"phenotype_phenotype"       │
├────────────────────────────┤
│"disease_disease"           │
├────────────────────────────┤
│"disease_protein"           │
├────────────────────────────┤
│"phenotype_protein"         │
└────────────────────────────┘

虽然图表复杂而全面，但我对 "疾病-暴露 "和 "疾病-疾病 "之间的关联很感兴趣。例如，我想知道糖尿病的环境风险因素是什么。查询：

MATCH (e:exposure)-[:exposure_disease]-(d:disease)
WHERE d.node_name CONTAINS 'diabetes'
RETURN d.node_name, e.node_name
ORDER BY d.node_name, e.node_name

结果：

╒═════════════════════════════╤══════════════════════════════════════╕
│d.node_name                  │e.node_name                           │
╞═════════════════════════════╪══════════════════════════════════════╡
│"diabetes mellitus (disease)"│"2,4,4',5-tetrachlorobiphenyl"        │"diabetes mellitus (disease)"│"2,4,4',5-tetrachlorobiphenyl"        │
...
├─────────────────────────────┼──────────────────────────────────────┤
│"diabetes mellitus (disease)"│"bisphenol A"                         │
├─────────────────────────────┼──────────────────────────────────────┤
│"diabetes mellitus (disease)"│"cyanazine"                           │
...

对 "双酚 A"（BPA--一种用于生产聚碳酸酯塑料的化学物质）与 "糖尿病 "之间的联系进行一些理智检查：

一些流行病学研究表明，双酚 A 与胰岛素抵抗的发展和葡萄糖稳态受损之间存在显著关联...

备注

原始知识图谱和数据库（PrimeKG由它们组成）肯定会随着时间的推移而改变。

"细节决定成败 合成多个数据源可能会带来挑战，因为不同的数据源可能使用（略有）不同的疾病名称。即使在同一数据源中，"MONDO 包含许多重复的疾病实体，但没有明显的临床相关性。因此，我们将 MONDO 中的疾病归类为医学相关的实体"，Chandak 等人[1]指出。然后，作者转而利用 ClinicalBERT 嵌入，以 0.98 的临界值来确定相似性。这只是处理来自不同来源的原始数据的众多步骤之一。

原始的 "edges.csv "包含有向边。起初，我认为这可能是一种假设，因为有向边可以有意义地表示 "A 影响 B"（而不是相反）。然而，当把完整的 edges.csv 加载到 Pandas Dataframe 时，行数完全是论文中预期行数的两倍（8,100,498 对 4,050,249）。因此，我认为作者是碰巧对边缘进行了定向，而不是经过深思熟虑。

总之，PrimeKG 不仅有益于医学研究人员，也有益于机器学习开发人员，因为他们可以利用这种图进行特征工程或图嵌入。