夜雨聆风(1) 什么是术语系统？为什么它如此重要？
术语系统（Terminology System）是对特定领域的概念进行系统化组织、定义和编码的知识体系。你可以把它理解为学科领域的“普通话”——有了统一的术语标准，不同实验室、不同期刊、不同数据库之间才能真正“对话”。在生物医学领域，MeSH、NeuroLex和InterLex就是三个重要的术语系统，但它们的定位和应用场景截然不同。
MeSH（Medical Subject Headings，医学主题词表）由美国国家医学图书馆（NLM）开发和维护，是生物医学领域最权威、应用最广泛的术语系统。它采用树状分类结构，从宽泛到具体，例如从“神经系统疾病”到“中枢神经系统疾病”再到“脑疾病”直至“癫痫”。MeSH每年更新一次，主要用于PubMed文献索引、医学研究标引以及基金申请书的关键词选择。典型的例子是，它使用“Myocardial Infarction”取代了“Heart Attack”，用“Cerebrovascular Disorders”替代了“Stroke”的部分含义。
NeuroLex由神经科学信息框架（NIF）项目开发，专注于神经科学领域，其特点是粒度更细、语义关系更丰富。NeuroLex不仅收录疾病和脑结构，还包括细胞类型、离子通道、受体、突触等微观实体，并且定义了“部分构成”“产生于”等多种语义关系。它采用开放编辑模式，类似维基百科，允许领域专家共同贡献。例如，NeuroLex对浦肯野细胞不仅定义了其位于小脑皮层，还标注了其GABA能输出的功能以及特有的形态特征；对于AMPA受体，则细化到GluA1、GluA2等亚基组成和动力学特性。
InterLex是NeuroLex的现代化升级版，由神经科学信息框架与生物医学信息学社区联合开发，其核心特征在于跨领域集成与机器可读性。InterLex整合了医学、神经科学、心理学、认知科学等多领域的术语，优先支持FAIR原则（可查找、可访问、可互操作、可重用），并且能够与外部数据库（如Uberon解剖学本体、GO基因本体）自动映射。以“突触可塑性”为例，InterLex会同时关联到MeSH中的对应术语、NeuroLex中的细化定义以及GO中的分子通路信息。
从整体差异来看，MeSH由官方机构开发，覆盖全医学领域，粒度中等，年度更新，主要用于文献索引和检索；NeuroLex由NIF项目组开发，专攻神经科学，粒度精细，持续开放更新，更适用于数据注释和知识库构建；而InterLex由NIF与社区联盟开发，实现跨学科集成，粒度最细（达到本体级别），动态演进并自动映射，最适合数据集成与AI训练。三者分别对应着不同的应用场景和可计算性水平，并不存在谁取代谁的问题。
(2) AI时代什么样的关键词更容易被读者获取？
在AI（特别是大语言模型和知识图谱技术）主导搜索和推荐系统的今天，关键词的“可见性”逻辑已经发生了根本变化。传统时代依赖关键词匹配和高频词，同义词处理能力较弱；而AI时代则以语义理解为核心，更看重概念的精准性，能够自动识别同义词和上下位词。基于此，AI系统（如PubMed的自动推荐、Google Scholar的语义搜索、大语言模型的检索增强生成）对关键词有明确的偏好。
首先，AI系统更青睐标准术语而非口语或变体。例如，不应使用“heart attack”而应使用“Myocardial Infarction”，不应写“Lou Gehrig's disease”而应写“Amyotrophic Lateral Sclerosis”，因为AI知识库以标准术语为锚点，口语变体虽然可能被映射，但权重较低。其次，应使用最细粒度的精确术语而不是模糊表达。比如，只说“brain region”远不如“Prefrontal Cortex”甚至“Dorsolateral Prefrontal Cortex”有效；写“nerve cell”不如写“Pyramidal Neuron”或“GABAergic Interneuron”。其原理在于，细粒度术语会自动包含其上位词——当您检索“Dorsolateral Prefrontal Cortex”时，仍然能被“Prefrontal Cortex”的搜索覆盖，反之则不然。
此外，最优策略是将通用术语与领域专用术语组合使用。例如，单纯写“Alzheimer's disease”不如同时提供“Alzheimer's disease” “Amyloid-beta pathology” “Tau neurofibrillary tangles”和“APOE ε4”这组术语，它们共同构建了一个语义向量，让AI更精准地将您的内容定位到特定子领域。更进一步，还可以利用本体中的概念关系，形成一组有逻辑关联的术语：比如按解剖‑功能关联写下“Hippocampus” “Spatial memory” “Place cell”；按疾病‑分子关联写下“Parkinson's disease” “Alpha-synuclein” “Substantia nigra”；按干预‑靶点关联写下“SSRI” “Serotonin transporter” “Major depressive disorder”。大语言模型正是通过共现关系来理解概念关联，提供的关联越符合知识库中的关系，内容被召回的几率就越高。
最后，需要注意区分宽泛覆盖与精准定位。宽泛的关键词如“nervous system” “brain” “neuron”有助于扩大覆盖范围，而精准的关键词如“subthalamic nucleus” “Kv1.2 channel” “perisomatic inhibition”则用于定位细分领域。一篇优秀的论文或文章中，通常应设置1-2个宽泛词加上3-5个精准词，从而在覆盖广度与深度之间取得平衡。
(3) 如何打造AI友好型关键词
具体操作上，可分三步进行。第一步，查询权威术语库，包括MeSH浏览器（meshb.nlm.nih.gov）、NeuroLex（neurolex.org）以及InterLex（scicrunch.org/interlex）。第二步，用目标关键词在多个平台上验证AI搜索效果，例如PubMed（注意比较“Best Match”排序与“Most Recent”的差异）、Google Scholar（观察语义联想是否准确），或者直接询问一个大语言模型“请列出与X术语最相关的10个概念”。第三步，在论文或文章中结构化地呈现关键词。
(4) 结语
MeSH、NeuroLex与InterLex三者并非相互取代的关系，而是在不同粒度、不同场景下互补共存的术语生态。对于研究者而言，不必死记硬背所有术语，但必须建立“术语意识”，即每一个概念表达，都在参与一场与AI的对话。AI时代最大的效率陷阱，就是用人类的直觉去猜测AI的行为，而不是理解AI的知识表征逻辑。选择标准、精确、细粒度、结构化的关键词，不是“讨好”AI，而是让研究与全球知识基础设施形成真正的互操作。当文章与世界的连接不再有“翻译损耗”，被看见、被引用、被应用，就是水到渠成的事。
