STInt数据集：揭示制药领域科学-技术-产业三元互动的多源整合研究

本研究针对科学、技术与产业(STI)交互研究中数据集分散、难以比较的问题，构建了首个覆盖制药领域STI三元关系的多源整合数据集STInt。基于DrugBank数据库整合了文献(PMID)、专利(IPC/CPC)和药物(ATC)实体及其语义关系，通过MySQL数据库和GitHub开源实现数据共享。该数据集支持药物研发轨迹追踪、知识流动分析和跨领域推荐研究，为揭示制药创新价值链从基础研究到产业应用的转化规律提供了基准数据。

　　

在知识经济时代，科学发现、技术创新与产业发展之间形成了复杂的互动网络。制药领域尤为典型，从靶点发现到药物上市往往需要经历研究阶段（如先导化合物发现）、开发阶段（如毒理测试）和产业化阶段，这三个阶段分别对应着科学研究（学术论文）、技术开发（专利）和产业进步（药物产品）的完整价值链。然而现有研究面临两大困境：一方面，不同研究使用的数据集存在显著差异，Glanzel等学者早前就发现专利与科学文献间的"反向引用"关系难以系统追踪；另一方面，Marx等指出的非专利引用(sNPR)提取难题，使得科学对技术的支撑作用评估存在偏差。

北京工业大学与北京林业大学的研究团队在《Scientific Data》发表的STInt数据集研究，创新性地构建了覆盖科学（论文）、技术（专利）和产业（药物）三元关系的基准数据库。该研究以DrugBank数据库为核心，通过XML解析获取药物关联的PMID和专利号，进而从PubMed、WoS、EPO等平台扩展文档实体。研究采用Levenshtein距离算法（相似度阈值90）解决组织实体消歧问题，通过规则匹配识别学术发明家（同时发表论文和专利的研究者），并构建了包含8类引用关系的异质网络。数据集最终包含57个CSV文件，通过Figshare和GitHub双平台开源。

【数据构建方法】
研究团队采用多阶段数据处理流程：1)从DrugBank获取XML格式基础数据，解析获得药物基本信息及关联文献/专利；2)通过EPO的OPS API获取专利元数据，结合PatentsView和PatSnap补充引用关系；3)使用改进的规则评分聚类方法解决研究者同名异义问题；4)基于MeSH树状编码和ATC五级分类体系构建标准化分类系统；5)通过药物实体识别技术建立文章/专利对药物的引用关系，经人工校验错误率<3.3%。

【数据集结构特征】
文档实体系统包含三类核心数据：1)药物实体（2,532个小分子和1,387个生物药），通过ATC代码B01AE02等五级分类实现标准化；2)文献实体（32,817篇）附带MeSH描述符（如"抗焦虑药"）和限定词（如"药理学"）；3)专利实体（3,978项）标注IPC/CPC代码（如A61K31/22）。如图1所示，实体间存在8类引用关系，包括文章-专利互引、药物-文献引用等。

【技术验证结果】
与Marx建立的专利-论文关联数据集相比，STInt在661个共同专利中识别出22.39篇sNPR/专利，显著高于对照组的1.85篇。如图10所示，随机抽查显示STInt的sNPR识别更接近Google Patent检索结果。人工验证表明：药物实体识别错误率1.3%（文章）和2.2%（专利），组织实体消歧准确率96.7%，研究者消歧准确率>99%。

【应用场景拓展】
该数据集支持四大研究方向：1)药物开发分析，通过ATC-MeSH-IPC映射揭示研发路径，如抗凝药Lepirudin（B01AE02）从基础研究到临床应用的全周期；2)知识流动研究，追踪学术发明家在不同创新阶段的贡献；3)跨领域推荐系统，基于异质网络实现科学文献-专利的相互推荐；4)多标签分类，利用MeSH描述符（如D012859"精神分裂症"）和CPC代码的层级关系构建预测模型。

研究团队在讨论部分强调，STInt首次实现了制药领域STI交互的标准化度量。通过整合Xu等前期工作（如科学-技术主题关联检测框架、学术发明家识别方法），该数据集解决了三个关键问题：1)打破数据孤岛，使不同研究结果具有可比性；2)提供完整的创新价值链追踪工具；3)支持复杂网络分析。值得注意的是，数据集特别适合研究抗体药物等生物药（占数据集32.4%）的转化规律，这类药物通常涉及更长的科学-技术互动周期。

这项研究的创新价值在于：方法论层面，开发了面向STI研究的实体消歧和关联规则；应用层面，为政策制定者评估科研成果转化效率提供了量化工具。未来研究可结合深度学习技术，进一步挖掘科学发现（如CRISPR相关论文）与技术突破（如基因编辑专利）间的潜在关联模式。数据集持续更新机制将增强其在快速发展的生物医药领域的长期价值。