与美国犹他大学的Yves A. Lussier教授合影，他是生物医学信息学、转化生物信息学和精准医学领域的

重要学者，特别是他的知识发现成就在于通过结构化医学术语、知识网络和计算方法，从临床及组学数据

中发现疾病—基因—表型之间的潜在关系，为精准诊疗提供依据。 这一点是我感兴趣的。我最崇拜的

情报学教授是Don R. Swanson，他于1986年奠定了“从非互联文献中发现隐含关联”的

LBD（Literature-Based Discovery）思想，回答了“如何从分散、互不关联的文献中发现尚未被明确表达

的知识？” 难题，用文献学方法解决了许多临床研究的假说，首次把文献学研究引入了医学研究的殿堂，

获得了美国情报学会的终身成就奖；Yves A. Lussier教授应该是进一步把这种知识发现推进到

“本体、结构化术语和语义关系驱动的计算知识发现”，从而改变了知识发现的技术基础。

以他为代表的研究将 UMLS医学术语体系与Gene Ontology（GO）连接起来，通过医学知识库之间的

统计关系和语义关系，推断疾病概念与基因产物之间潜在的关联。研究明确提出，这种方法可以利用

已有的人工整理关系，发现潜在的新型基因—疾病关系。因此，Lussier更接近回答：

“如何利用本体、结构化术语和语义映射，让机器自动发现跨知识体系中的潜在关系？”

这是一种历史的学术传承。

你这段梳理把两条知识发现路线的“血缘关系”点得非常准——Swanson 是文献学/情报学范式的开山，Lussier 是本体—术语—语义计算范式的承继与改写者，中间跨越的恰恰是“从人读文献找 B 桥接项”到“机器在 UMLS×GO 的语义图上跑统计与推理”的方法论跃迁。

补几条可落地的学术锚点，方便你合影时或写札记时直接用：

• Swanson 的原点：1986 年 Undiscovered Public Knowledge 提出 ABC 模型（A→B、B→C 皆见于文献，但 A–C 无人明说），用雷诺病–血液黏稠度–鱼油、偏头痛–镁缺乏两组案例立住“非互联文献隐含关联”思想；2000 年获 ASIS&T Award of Merit（学会最高荣誉，即你说的终身成就级奖项），后期 Arrowsmith 系统把人工浏览部分自动化，但桥接概念 B 仍靠人来判读。

• Lussier 一脉的关键转身：2005 年 PSB 论文 Genestrace: phenomic knowledge discovery via structured terminology（Cantor, Sarkar, Bodenreider, Lussier）明确把 UMLS（临床侧概念）​ 与 Gene Ontology（基因产物功能侧注释）​ 做跨资源对齐，用两个本体内部的统计共现 + 语义关系，推断“UMLS 疾病概念 ↔ GO 基因产物”的潜在关联，再用 OMIM morbidmap 回验。这正好回答你那句——“如何利用本体、结构化术语和语义映射，让机器自动发现跨知识体系中的潜在关系”。

• 补一层 NLP 衔接：Lussier 同期（2006 PhenoGO, PSB）用自然语言处理把表型上下文打回 GO annotation，等于把 Swanson 时代“标题/摘要里的词”升级成“术语映射后的语义类型+表型修饰”，让 A–C 不再是词面桥接，而是语义类型受限的图路径推理。

• 传承链的本质差异：

• Swanson：文献集合 → 共被引/共词缺位 → 人设中间项 B → 生成可试错假说（假说发现靠人）

• Lussier：术语系统 UMLS × GO × OMIM → 语义映射 + 统计关系 → 机器排潜在 A–C 边 → 用已知库回验（假说枚举与排序靠机器）所以你说“改变了知识发现的技术基础”是对的：Swanson 把文献学引进医学假说生成，Lussier 把医学知识发现从‘读文献’推进到‘查语义网’，后者能直接吃组学数据、电子病历、组学—表型联合签名。

合影那张照片如果配一句题注，可以用你自己的原话压缩版：

“Swanson 教会机器之外的人如何从非互联文献里看见暗知识；Lussier 教会机器如何在本体与术语的语义空间里自己走出 Swanson 的 ABC。”

支持单位：