欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用 BioBERT 做生物医学文献实体识别与知识挖掘:从文本到知识图谱

上邦 AI 工程团队2026-10-06阅读 约 7 分钟
生物医学文献呈指数增长,人工抽取药物、基因、疾病等实体已不可行。本文给出基于 BioBERT(或 PubMedBERT)的命名实体识别与关系抽取可复现流程,使用 Hugging Face Transformers 微调并抽取实体,最终沉淀为可查询的药物—靶点知识图谱,为药物重定位与靶点发现提供数据支撑。

BioNER 为什么需要领域预训练

通用语言模型对基因、蛋白质、疾病等高度专业的同义与多义表达识别能力有限。BioBERT 在 PubMed 与 PMC 海量生物医学语料上继续预训练,学习到专业实体的语义表示,在命名实体识别、关系抽取与问答等任务上显著优于通用模型,是文献知识挖掘的常用底座。

最小可运行实体识别

from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

model_id = 'dmis-lab/biobert-base-cased-v1.1'
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForTokenClassification.from_pretrained(model_id)
ner = pipeline('ner', model=model, tokenizer=tokenizer, aggregation_strategy='simple')

text = 'Imatinib is a targeted therapy for chronic myeloid leukemia.'
print(ner(text))

从实体到知识图谱

单条句子的实体识别只是起点。将大规模文献批量抽取为药物、基因、蛋白质、疾病等实体,并进一步做关系抽取,即可得到结构化的三元组。将这些三元组导入图数据库或 NetworkX,即可构建可查询的药物—靶点—疾病知识图谱。
步骤一:收集 PubMed 检索结果或本地文献摘要,清洗为纯文本语料。
步骤二:用 BioBERT 流水线批量抽取实体,再用规则或关系模型抽取实体间相互作用。
步骤三:将三元组写入图结构,支持药物重定位与靶点发现的路径查询。
提醒:生物医学实体存在大量缩写与别名,上线前须做字典归一化与人工抽检,避免同物异名导致图谱出现重复节点与错误关联。

参考来源

ScienceDirect:Scalable Knowledge Extraction from Biomedical Literature for Drug Discovery Applications(BioNER-RE)
npj Digital Medicine:Fourier Kolmogorov-Arnold Network integrated into BioBERT-based model for Biomedical Named Entity Recognition(2026)
生物通:融合傅里叶-柯尔莫哥洛夫-阿诺德网络的 BioBERT 模型在生物医学命名实体识别中的创新应用
Hugging Face Model Hub:dmis-lab/biobert-base-cased-v1.1 模型卡
相关标签:BioBERT命名实体识别文献挖掘知识图谱药物研发

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案