Síntesis de conocimiento basado en la evidencia y validación de hipótesis: navegación por las bases de conocimiento biomédico a través de IA explicable y sistemas agentivos
13 de junio de 2025
En este artículo se describe RUGGED (Retrieval Under Graph-Guided Explainable disease Distinction), que integra la inferencia del modelo de lenguaje grande (LLM) con la generación aumentada de recuperación (RAG). Extrae evidencia de bases de conocimiento biomédico seleccionadas por expertos y publicaciones biomédicas revisadas por pares para sintetizar nuevos conocimientos a partir de información actualizada, identificar predicciones explicables y procesables, y señalar direcciones prometedoras para investigaciones basadas en hipótesis.
Este protocolo presenta una plataforma para explorar de manera confiable preguntas biomédicas y clínicas, y para la generación de hipótesis. Rugged ayuda a explorar el panorama biomédico aprovechando grandes modelos de lenguaje, conectándolos a publicaciones revisadas por pares y bases de conocimiento biomédico seleccionadas, así como utilizando IA explicable para descubrir nuevas relaciones. Los avances recientes en IA generativa y grandes modelos de lenguaje han transformado la forma en que nos relacionamos con los recursos biomédicos respaldados por evidencia, lo que permite tareas como el resumen, la respuesta a preguntas y la exploración flexible de hipótesis. Los enfoques anteriores se basaban en la minería de texto para extraer patrones y relaciones de alto nivel de la literatura biomédica. Hoy en día, los enfoques combinan grandes modelos de lenguaje con generación aumentada de recuperación, sistemas agénticos y capacidades de llamada a herramientas. Muchos modelos de lenguaje disponibles públicamente luchan con la confiabilidad, lo que podría producir información objetivamente incorrecta. Si bien los modelos recientes han mejorado, su producción en el momento de la publicación a menudo carecía de especificidad de dominio, se basaba en un lenguaje general vago y producía explicaciones largas y fragmentadas. En publicaciones anteriores con JoVE, destacamos cómo se aplica la minería de textos y el modelado de gráficos de conocimiento biomédico para predecir y comprender las relaciones entre proteínas, componentes celulares y enfermedades cardiovasculares. Sobre esta base, nuestra última investigación se centra en integrar este conocimiento biomédico estructurado con grandes flujos de trabajo compatibles con modelos de lenguaje, lo que permite inferencias precisas y respuestas basadas en evidencia.
[Narrador] Para comenzar, inicie el servicio Rugged con el comando en el terminal. Extraiga literatura biomédica e identifique documentos relevantes, junto con relaciones de enfermedades proteicas de alto nivel utilizando caseOLAP LIFT. Visite el protocolo caseOLAP LIFT JoVE y realice el análisis de minería de texto caseOLAP LIFT. A continuación, clone el repositorio Know2BIO en la terminal. Con la línea de comandos, ejecute el script create_edge_files.py para descargar los recursos de la base de conocimiento y supervisar el progreso de la canalización de extracción. A continuación, construya el gráfico de conocimiento con el script prepare_kgs.py. Integre los resultados del script de combine_kg_results.py para fusionar las relaciones y entidades extraídas del análisis de minería de texto y la construcción del gráfico de conocimiento en un gráfico completo. Identificar entidades biomédicas de interés revisando el gráfico de conocimiento y seleccionando nodos relevantes para su uso en análisis predictivo. Utilice el script filter.py para extraer un subgrafo accesible dentro de dos saltos de los nodos de enfermedad seleccionados de interés y ejecute el comando. Ejecute el script de análisis de predicción especificando los bordes que se van a predecir y el gráfico de conocimiento de entrada como argumentos de línea de comandos y obtenga la salida. Ahora, conéctese al contenedor Rugged Docker. Si se cerró la ventana de terminal anterior, vuelva a conectarse al contenedor de Docker. Una vez conectado, navegue hasta el directorio Rugged con el espacio de trabajo de CD Rugged en la línea de comandos y realice todos los pasos restantes dentro de esta ventana de línea de comandos. Después de verificar que todos los servicios de soporte se están ejecutando, inicie Rugged en la interfaz de línea de comandos para comenzar a interactuar con el sistema. Para consultar el gráfico de conocimiento, plantee una pregunta en lenguaje natural que comience con la palabra clave "consulta". Por ejemplo, escriba "consultar ¿cuáles son los medicamentos recetados actualmente clasificados como betabloqueantes?" Explore las predicciones del análisis de predicción de vínculos con preguntas que comienzan con la palabra clave "predecir". Luego, recupere documentos relacionados con un tema biomédico del paso dos en lenguaje natural usando la palabra clave "buscar". Refine las consultas de forma iterativa utilizando la interfaz similar a un chat de Rugged en la misma ventana de la terminal. Opcionalmente, vuelva a ejecutar y modifique los comandos de cifrado en Neo4j para refinar los resultados de la consulta del gráfico de conocimiento. Resuma toda la interacción con la palabra clave "resumir" para generar un resumen de texto para su posterior revisión, y realice una revisión humana en el bucle para mejorar la legibilidad y precisión de las respuestas del sistema antes de finalizar el resumen. Finalmente, revise los registros de chat en la carpeta de registro dentro de Rugged e inspeccione el texto completo de la interacción. El gráfico de conocimiento construido con Know2BIO incluía 219.450 nodos y 6.323.257 bordes. El sistema Rugged incorporó gráficos de conocimiento y datos de publicación utilizando el modelo BART para la búsqueda vectorial, con publicaciones de más de 500 tokens resumidas por secciones.
Visión general
Este artículo presenta RUGGED (Retrieval Under Graph-Guided Explainable disease Distinction), una plataforma que integra la inferencia de Modelos de Lenguaje Grande con Generación Aumentada por Recuperación. Su objetivo es sintetizar nuevo conocimiento a partir de la literatura biomédica y bases de conocimiento, facilitando la generación de hipótesis y la exploración de preguntas biomédicas.
Componentes clave del estudio
Área de la ciencia
- Informática biomédica
- Inteligencia Artificial en la atención sanitaria
- Gráficos de conocimiento
Antecedentes
- Los recientes avances en IA generativa y modelos de lenguaje grande han transformado la investigación biomédica.
- Los métodos previos se basaban en la minería de texto para extraer relaciones de la literatura.
- La combinación de LLM con la generación aumentada por recuperación mejora la fiabilidad y especificidad.
- RUGGED tiene como objetivo mejorar la exploración de los paisajes biomédicos.
Propósito del estudio
- Integrar el conocimiento biomédico estructurado con los flujos de trabajo de LLM.
- Permitir la inferencia precisa y respuestas basadas en la evidencia.
- Facilitar investigaciones impulsadas por hipótesis en la investigación biomédica.
Métodos utilizados
- Utilización del servicio Rugged para la extracción de literatura.
- Construcción de gráficos de conocimiento usando caseOLAP LIFT.
- Integración de relaciones extraídas en un gráfico completo.
- Consultas en lenguaje natural del gráfico de conocimiento para predicciones y recuperación de documentos.
Principales resultados
- El gráfico de conocimiento incluyó 219,450 nodos y 6,323,257 aristas.
- RUGGED incrustó el gráfico de conocimiento y datos de publicaciones usando el modelo BART.
- Mejoró la interacción con la literatura biomédica a través de una interfaz tipo chat.
- Facilitó la refinación iterativa de consultas y predicciones.
Conclusiones
- RUGGED mejora la fiabilidad de la recuperación de información biomédica.
- Apoya la generación de hipótesis a través de IA explicable.
- La plataforma representa un avance significativo en las metodologías de investigación biomédica.
Preguntas frecuentes
Executive Industry Relevance
Integrating explainable AI with retrieval-augmented generation enables biopharma teams to synthesize and validate evidence across vast biomedical knowledge bases, reducing ambiguity in early discovery. The RUGGED workflow enhances predictive confidence by grounding hypothesis exploration in curated literature and structured knowledge graphs. This approach supports risk-adjusted portfolio decisions by streamlining the identification of actionable drug-disease relationships.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Supports hypothesis interrogation by linking literature-derived associations with curated knowledge bases.
- Enables mechanistic de-risking through explainable graph-based predictions of drug-disease relationships.
- Facilitates functional target validation by surfacing evidence-backed molecular interactions.
- Improves predictive confidence for triaging targets and pathways in complex disease areas.
Screening & Assay Development
- Prepares validated biological relationships for downstream screening workflows.
- Standardizes evidence integration, supporting reproducibility in assay development.
- Enables scalable, query-driven exploration of compound-target associations.
- Provides quantitative outputs for reliable compound evaluation and prioritization.
Translational & Preclinical Research
- Aligns molecular findings with disease-relevant systems for translational continuity.
- Supports biomarker hypothesis generation by integrating multi-source evidence.
- Enables risk-adjusted advancement decisions through explainable prediction outputs.
- Reduces late-stage biological risk by clarifying mechanistic underpinnings of candidate therapeutics.
Pipeline & Workflow Integration
The RUGGED platform bridges early discovery, target validation, and translational research by embedding evidence-based knowledge synthesis into the R&D continuum.
- Discovery Biology: Facilitates hypothesis testing and pathway clarification using graph-guided evidence integration.
- Screening: Delivers reproducible, query-driven outputs for compound and target evaluation.
- Analytics: Provides quantitative association scores and explainable predictions for cross-condition comparison.
- Translational Research: Connects molecular insights to disease models and clinical hypotheses when supported by curated data.
- Enterprise Reuse: Establishes a reusable, scalable framework for ongoing knowledge integration and hypothesis validation.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in target and pathway selection.
- Operational Value: Standardizes evidence synthesis and supports reproducible, scalable knowledge workflows.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of therapeutic hypotheses.
Implementation Considerations
- Requires expertise in biomedical informatics, AI, and knowledge graph analytics.
- Depends on robust computational infrastructure for large-scale data integration and querying.
- Demands cross-team standardization of evidence curation and validation protocols.
- Adaptable to diverse disease models and therapeutic areas with appropriate data sources.
- Practical limitations include the need for ongoing curation to mitigate bias and maintain data quality.
