请详细说明如何应用深度学习抽取技术，并结合预训练模型从IncoPat专利数据库中提取中医药知识实体，以及如何通过实体对齐构建知识图谱。

从IncoPat专利数据库中提取中医药知识实体，并构建知识图谱的过程是多步骤的，涉及到深度学习抽取技术、预训练模型以及实体对齐等多个高级技术点。这一过程不仅需要丰富的技术知识，还需要对中医药领域的专业知识有一定的了解。具体步骤如下：

参考资源链接：[多源异构数据驱动的中医药知识图谱构建与应用探索](https://wenku.csdn.net/doc/21xbcfhb2r?spm=1055.2569.3001.10343)

首先，数据收集与预处理是构建知识图谱的第一步。从IncoPat专利数据库中筛选出与中医药相关的专利数据，然后对这些数据进行清洗，包括去除无关信息、规范化文本格式等。

接下来，利用深度学习中的联合抽取模型，结合预训练模型（例如BERT、GPT等）来对专利文本进行实体和关系的抽取。这里需要训练一个模型，使其能够识别专利文本中的中药成分、药理作用、疾病名称等关键实体，并确定它们之间的关系。

实体抽取完成后，进行实体对齐的工作，以确保不同数据源中的同名实体能被准确对应。在中医药领域，实体对齐还需要借助领域特定的词典和规则库，如TCMSP和OMIM数据库中提供的信息，以及基于字符串匹配的技术，如编辑距离等，来提高对齐的准确度。

实体对齐之后，就可以利用这些结构化的知识构建知识图谱。构建知识图谱时，需要按照预先设计的本体结构（如TCMSP或OMIM提供的结构）来组织实体和关系，确保图谱的逻辑性和可查询性。

最后，数据分析和知识发现阶段，可以应用频次分析来了解哪些实体更为常见，哪些组合模式更为普遍，还可以使用关联规则挖掘算法（如Apriori算法）来发现潜在的有用规则，这些规则可能对中药处方的优化和新药研发具有重要意义。

整个过程中，《多源异构数据驱动的中医药知识图谱构建与应用探索》一文提供了重要的理论支持和实践指导，尤其是对于数据收集、深度学习模型的训练与应用、实体对齐等关键步骤的详细说明。

在完成上述构建工作后，为了进一步提高知识图谱的质量和应用价值，推荐继续深入研究该论文提出的构建与应用方法，并可以参考其他专业资料，如《中医药知识图谱的构建方法及其应用》等，来进一步完善知识图谱的构建与优化工作。

参考资源链接：[多源异构数据驱动的中医药知识图谱构建与应用探索](https://wenku.csdn.net/doc/21xbcfhb2r?spm=1055.2569.3001.10343)