Name: Kanıta Dayalı Bilgi Sentezi ve Hipotez Doğrulama: Açıklanabilir Yapay Zeka ve Ajan Sistemler Aracılığıyla Biyomedikal Bilgi Tabanlarında Gezinme (Video) | JoVE Journal
Uploaded: 2025-06-13T13:10:00.000+00:00
Duration: 5 min 47 s
Description: Keşfedin, büyük dil modelleri ve açıklanabilir yapay zeka kullanarak biyomedikal bilgi tabanlarında gezinme ve hipotez üretme yöntemini. RUGGED platformu, kanıta dayalı bilgi sentezi sağlar.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<table><tbody><tr><td>Donanım/Yazılım - Grafik Kartı ve yazılım sürücüsü</td><td>Nvidia</td><td>https://www.nvidia.com</td><td>Yerel LLM ve tahmine dayalı analizler gibi hesaplama açısından yoğun görevler için çalışma süresini önemli ölçüde azaltmak için bir grafik kartı ve ilişkili sürücü yazılımı şiddetle tavsiye edilir. NVIDIA RTX GPU ile donatılmış cihazlar için gerekli sürücüleri ve CUDA Toolkit'i NVIDIA web sitesinden (https://developer.nvidia.com/cuda-downloads) indirin ve yükleyin.</td></tr><tr><td>Yazılım - Ticari Büyük Dil Modeli Hizmeti</td><td>OpenAI</td><td>https://openai.com</td><td>RUGGED, GPT-3.5 ve GPT-4o gibi modeller için OpenAI API'sini destekler. OpenAI modellerini kullanarak kurulum yapmak için önce bir OpenAI API Anahtarı edinin. Bir hesap oluşturmak, para yüklemek ve bir API anahtarı almak için OpenAI'nin web sitesine (https://openai.com/blog/openai-api) ilerleyin. Bu API anahtarı, RUGGED'ın OpenAI modellerini kullanmasını sağlamak için gereklidir. RUGGED sistemindeki hangi LLM aracılarının belgelerinden OpenAI modellerini kullanacağını belirleyin (https://platform.openai.com/docs/models). NOT: OpenAI API ücretli bir hizmettir. Yayınlandığı tarihte, GPT-4o'nun maliyeti 1 milyon giriş jetonu başına 5,00 ABD Doları ve 1 milyon çıkış jetonu başına 2,50 ABD Dolarıdır (Daha fazla bilgi için https://openai.com/pricing ziyaret edin).</td></tr><tr><td>Yazılım - Konteynerleştirme</td><td>Docker</td><td>https://www.docker.com</td><td>Docker, tutarlı bir hesaplama çalışma zamanı ortamının korunmasına yardımcı olur, farklı makineler arasında yazılım kurulumunu ve yürütmesini kolaylaştırır. Docker'ı yüklemek için Docker web sitesini (https://www.docker.com/) ziyaret edin, 'Başlayın'a tıklayın, işletim sistemi için uygun sürümü indirin ve yükleyin. Terminale 'docker --version' yazarak kurulumu doğrulayın; başarılı yükleme, yüklenen Docker sürümünü raporlar.</td></tr><tr><td>Yazılım - Grafik Veritabanı</td><td>Neo4j</td><td>https://neo4j.com</td><td>Neo4j, grafik tabanlı düğümleri ve ilişkileri verimli bir şekilde yöneten ve sorgulayan bir grafik veritabanı yazılımıdır. RUGGED, Neo4j'yi birden çok biçimde destekler: Docker konteyneri, Neo4j Masaüstü veya Neo4j AuraDB çevrimiçi sunucusu. Kullanım durumuna en uygun seçeneği belirleyin. Neo4j'yi Docker kapsayıcısı olarak kurma. Docker'da Neo4j'yi klasörün dosya yolu (ör. /Users/username/RUGGED) 'PATH_TO_FOLDER' olacak şekilde ayarlamak için bu komutları çalıştırın. Sorun giderme hakkında daha fazla ayrıntı için Neo4j Docker web sitesine bakın (https://hub.docker.com/_/neo4j). docker pull neo4j docker run &ndash; name neo4j --net rugged_network --publish=7474:7474 --publish=7687:7687 -d -v 'PATH_TO_FOLDER'\neo4j\data:/data neo4j NOT: Bir kullanıcı adı ve parola ayarlayarak Docker'da Neo4j'yi ilk kez başlatın. neo4j_setup.py betiğini (örneğin, python neo4j_setup.py) veya http://localhost:7474. adresindeki web arayüzü aracılığıyla çalıştırın. Neo4j Desktop'ı Kurma. Neo4j Desktop kullanıyorsanız, Neo4j web sitesinden (https://neo4j.com/) indirin ve yükleyin. "Yeni"ye tıklayarak yeni bir proje oluşturun, ardından yeni bir Veritabanı Yönetim Sistemi (DBMS) oluşturmak için "Ekle"ye tıklayın. "Yerel DBMS" yi seçin, bir şifre belirleyin, "Oluştur" u tıklayın, ardından "Başlat" ı tıklayın. Yeşil bir "AKTİF" metni, çalıştığını gösterir. Neo4j AuraDB'yi kurma. Bir hesap oluşturmak ve giriş yapmak için (https://neo4j.com/cloud/aura-free/) adresindeki Neo4j web sitesini ziyaret edin. Boş bir örnek oluşturmak için "Yeni Örnek"i seçin ve bolt arayüzüne erişmek için URI'yi ve ilk parolayı kaydedin (örn. bolt://myurl.neo4j.com). Bilgi kutusunda bağlantı URI'sini görüntüleyecek olan örneği başlatmak için oynat düğmesine tıklayın. NOT: Neo4j AuraDB, 200.000 düğüme ve 400.000 ilişkiye kadar ücretsiz bir katman sunar. Daha büyük grafikler için Neo4j fiyatlandırmasını (https://neo4j.com/pricing) ziyaret edin.</td></tr><tr><td>Yazılım - Yerel Büyük Dil Modeli Hizmeti</td><td>Ollama</td><td>https://ollama.com</td><td>RUGGED, Ollama kullanan yerel modellerin kullanımını destekler (örneğin, Llama3). Etkinleştirmek için önce cihaza Ollama'yı yükleyin veya Docker kapsayıcısını indirin. Ollama'yı yüklemek için Ollama web sitesini (https://ollama.com/download) ziyaret edin ve kurulum talimatlarını izleyin. Ollama'yı Docker'a kurmak için aşağıdaki komutu çalıştırın: docker pull ollama/ollama NOT: Yayınlandığı sırada, Windows işletim sisteminde Ollama için kararlı bir sürüm yoktur.</td></tr><tr><td>Yazılım - Sürüm kontrolü</td><td>Git</td><td>https://www.git-scm.com</td><td>Sürüm kontrol yazılımı, yazılımın verimli bir şekilde yüklenmesini ve güncellenmesini sağlar. Git'i yüklemek için Git web sitesini (https://www.git-scm.com/) ziyaret edin, 'İndirilenler'e tıklayın, işletim sistemi için uygun sürümü indirin ve yükleyin. Terminale 'git --version' yazarak kurulumu doğrulayın; başarılı yükleme, yüklü Git sürümünü bildirir.</td></tr></tbody></table>

kanıta dayalı bilgi sentezi ve hipotez doğrulama: açıklanabilir yapay zeka ve ajan sistemler aracılığıyla biyomedikal bilgi tabanlarında gezinme

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Bu temsili sonuçlar, bu protokolde belirtilen prosedür izlenerek elde edilmiştir. CaseOLAP LIFT protokolü5'i takiben, varsayılan parametrelerle, sekiz geniş kardiyovasküler hastalıkkategorisini 72 ve bunların mitokondriyal proteinlerle ilişkisini inceleyen bir metin madenciliği ilişkilendirme analizi gerçekleştirildi (GO:0005739). Mayıs 2024'e kadar toplam 635.696 bildirimin bu hastalıklarla ilgili olduğu belirlendi; Bunlar arasında, aşağı akış analizlerini bilgilendirmek için 4.655 yüksek güvenilirlikli protein-hastalık ilişkisi tespit edildi. Mayıs 2024'te varsayılan ayarlar kullanılarak Know2BIO'nun yazılım kodu kullanılarak bir biyomedikal bilgi grafiği oluşturuldu9. Elde edilen bilgi grafiği, 219.450 düğüm, 6.323.257 kenar ve ayrıca 189.493 düğüm için düğüm özellikleri, düğüm açıklamaları, protein/gen dizileri, kimyasal yapı vb. ile oluşur. Protokoldeki tüm adımlar için tahmini hesaplama süresi Tablo 1'de sunulmuştur.
RUGGED sistemi, hem bilgi grafiği düğümleri hem de özellikler ve ayrıca CVD ile ilgili yayınlar için vektör veritabanları oluşturularak başlatıldı. Tüm bilgi grafiği düğümleri, kenarlar ve düğüm özellikleri, RAG vektör aramasına hazırlanmak için BART71 gömme modeliyle 20 tokenlik bir yığın boyutuyla işlendi. Benzer şekilde, orijinal katkılar ve inceleme makaleleri, RAG vektör aramasına hazırlanmak için 500 tokenlik bir yığın boyutu ve BART gömme modeli kullanılarak işlendi. Literatür erişimi için, 500 token'dan büyük tam metin yayınlar, BART gömme modeli tarafından bir yayının ayrı bölümlerine dayalı olarak hiyerarşik olarak özetlenmiştir. Sistemde kalan LLM ajanları için GPT-4o modeli kullanıldı.
Bu temsili sonuçlar, sırasıyla MeSH_Disease: D019571 ve MeSH_Disease: D002311 olarak tanımlanan Aritmik Kardiyomiyopati (ACM) ve Dilate Kardiyomiyopati (DCM) için potansiyel ilaç terapötiklerini araştırmak için örnek bir kullanım durumu göstermektedir. Şekil 3'te bir dizi sorgulama özetlenmiştir, Şekil 4'te gösterilen model yanıtlarının vurgulanan örnekleri ve Ek Dosya 1, Bölüm A'da bildirilen tam yanıt verilmiştir. Sorgulama yönü, araştırmacı tarafından doğrulanan yanıtlara uyarlandı ve önceki yanıtların sonuçlarına dayalı olarak sonraki sorgular hazırlandı. Analizde beta blokerler ve antiaritmikler altında sınıflandırılan 11 ilaç adayı ortaya çıktı. Terapötik tedavi için yeni yollar, Tablo 4'te bildirilen değerlendirme metrikleri ile, çalışma hastalığı ve ilaç düğümlerinden 1 atlama içindeki düğümler ve bunların ara bağlantıları dahil olmak üzere, tam bilgi grafiğinin bir alt kümesi üzerinde bir Grafik Evrişimli Sinir Ağı bağlantı tahmin modeli kullanılarak değerlendirildi. Model tarafından her bir tahmin için ilgili ilk 10 kenar, sırasıyla her bir tahmine katkıda bulunan üst düğümleri ve kenarları belirlemek için bir grafik açıklanabilirlik modülü olan GNNExplainer44 tarafından daha fazla incelendi. Bu kullanım durumu için RUGGED protokolünün tüm adımları için ticari LLM kullanmanın toplam maliyetinin, yazma sırasında 1,50 ABD doları olduğu tahmin edilmektedir.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/67525/67525fig1v2.jpg"> 
Şekil 1: Grafik Kılavuzlu Açıklanabilir Hastalık Ayrımı (RUGGED) iş akışı altında alma. RUGGED dört ana bileşenden oluşur: (1) etik kaynaklı ve profesyonelce yönetilen kaynaklardan (örneğin, PubMed ve küratörlü biyomedikal bilgi tabanları) verilerin bir araya getirilmesi ve işlenmesi, (2) hakemli araştırma bulgularının birleşik bir bilgi grafiğine entegre edilmesi, (3) metin ve grafik verilerinin veritabanı hizmetleri içinde yapılandırılması, (4) bilgi grafiği içindeki biyomedikal varlıklar arasındaki açıklanabilir ilişkilerin modellenmesi ve tahmin edilmesi, ve (5) karmaşık moleküler ilişkileri doğrulamak ve yapay zeka güdümlü hastalık tahminlerini keşfetmek için bir Geri Alma Artırılmış Nesil (RAG) iş akışı (Şekil 2) aracılığıyla bilgi almak ve sentezlemek. Çıktının doğruluğunu artırmak için kullanıcı tarafından döngüdeki insan inceleme adımı gerçekleştirilebilir. <a href="https://www.jove.com/files/ftp_upload/67525/67525fig1v2large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/67525/67525fig2v2.jpg"> 
Şekil 2: Alma mimarisi ve yanlılık azaltma iş akışı. Retrieval Augmented Generation (RAG) çerçevesi, her biri kullanıcı sorgusuna dayalı olarak ilgili bilgilere erişimi desteklemek için belirli görevleri yerine getiren birden fazla LLM aracısı kullanır. Bu sistem, kullanıcıya dönük GPT tabanlı Akıl Yürütme Aracısı için belgelenmiş kanıtlar sağlayarak kullanıcı-aracılı etkileşimi ve bilgi sentezini kolaylaştırır. (1) Biyomedikal Metin Erişimi: Hakemli orijinal katkılar ve derleme makaleleri, hastalık ilişkilerini anlamakla ilgilerine göre filtrelenir. Yazar ve editör tarafından doğrulanmış metin kanıtları için yayının ilgili bölümüne göre ağırlıklandırılan bir vektör veritabanı oluşturulur: p Özet, Bulgular, Meta Veri ve diğer tüm alt bölümler için . Anahtar kelime araması ve kullanıcı sorgusunun metne gömülmesine karşı benzerlik araması, ilgili belgeleri tanımlar. Her belgenin özetleri, BERT tabanlı bir özetleyici kullanılarak oluşturulur ve GPT tabanlı Metin Değerlendirici Aracısı, sorgu-belge alaka düzeyini doğrulamak için aramayı iyileştirir. (2) Bilgi Grafiği Alma: BERT tabanlı bir adlandırılmış varlık tanıma ve GPT tabanlı ilişki çıkarma modülü, kullanıcı sorgusunu bilgi grafiğindeki ilgili varlıklara bağlar. Bir vektör veritabanındaki benzerlik araması, ilgili düğümleri ve kenarları tanımlar. Veriler, GPT tabanlı Cypher Query Agent tarafından oluşturulan Cypher sorguları aracılığıyla Neo4j veritabanından alınır ve Query Verification Agent tarafından rafine edilir. (3) Biyomedikal Metin Alma veya Bilgi Grafiği Alma boru hatlarından gelen bireysel yanıtlar, kullanıcının sorgusuna minimum önyargı ile kısa bir yanıt sentezleyen Akıl Yürütme Aracısına sunulur. Bu sistem, olgusal bilgilerin sunulmasında doğruluğu ve tarafsızlığı korumak için yönlendirilir. <a href="https://www.jove.com/files/ftp_upload/67525/67525fig2v2large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/67525/67525fig3.jpg"> 
Şekil 3: Uygulamalısorgu kaskad aracılığıyla bilgi sentezi ve hipotez keşfi üzerine kullanım örneği. Bu şekil, bir araştırmacının ve/veya sağlık uzmanının RUGGED sistemine yöneltebileceği ilgili sorular ve kavramlar zincirine odaklanan vurgulanmış bir kullanım durumunu göstermektedir. Kullanıcıdan gelen sorgular, her soru arasında çıkarılan mantıksal ve alana özgü akıl yürütmeyi temsil eden oklarla birlikte sisteme sayısal sırayla sunulur. Sistem, sorguya yanıt vererek örtük ve ilgili bilgilerden (mavi renkle gösterilen kaynak) alır. Sistem yanıtlarının örnekleri Şekil 4'te sunulmuştur. <a href="https://www.jove.com/files/ftp_upload/67525/67525fig3large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/67525/67525fig4.jpg"> 
Şekil 4: Kullanım örneği kardiyovasküler patoloji: CVD patogenezinin aydınlatılması. Kullanıcı ve RUGGED sistemi arasındaki sorgu-yanıt çiftleri gösterilir. Sol üst panelde, 1-6 arasındaki sorular, kanıta dayalı yanıtları formüle etmek için bilgi grafiği veritabanından bilgi çıkararak bilgi alır. Soru 7, en yüksek puanı alan terapötikleri belirlemek için açıklanabilir bir grafik bağlantı tahmini kullanır. Sorgu, sistem tarafından otomatik olarak yürütülen ve işlenen bir tahmin analizi ister ve önemli bulgular kısa ve öz bir şekilde özetlenir. Soru 8, tahmin edilen bulguyu doğrulamak, doğrulamak ve desteklemek için ilgili kanıt olarak alınan tanımlanmış metin veri külliyatından elde edilen literatür kanıtlarını değerlendirir. Sistem yanıtları, döngüdeki insan inceleme süreciyle gözden geçirildi ve okunabilirlik ve kısalık için değiştirildi. Bu bulguların tam bir transkripti Ek Dosya 1'de detaylandırılmıştır. <a href="https://www.jove.com/files/ftp_upload/67525/67525fig4large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Adım -ları</td>
			<td>Açıklama</td>
			<td>Saat</td>
		</tr>
		<tr>
			<td colspan="2">Biyomedikal Bilgiye Erişim</td>
			<td>Toplam 0</td>
		</tr>
		<tr>
			<td>Biyomedikal literatür külliyatı hazırlama</td>
			<td>PubMed ve PubMed Central'a bağlanın, aşağı akış görevleri için yayın verilerini indirin ve ayrıştırın.</td>
			<td>20%</td>
		</tr>
		<tr>
			<td>Bilgi bankası verilerini hazırlama</td>
			<td>Biyomedikal bilgi bankalarına bağlanın, aşağı akış görevleri için gerekli bilgileri indirin ve ayrıştırın.</td>
			<td>5%</td>
		</tr>
		<tr>
			<td colspan="2">Bilgi Çıkarma</td>
			<td>Toplam 0</td>
		</tr>
		<tr>
			<td>CaseOLAP LIFT Metin Madenciliği Analizi</td>
			<td>Biyomedikal metin külliyatı içindeki yüksek düzeyli hastalık-protein ilişkilerini tanımlayın.</td>
			<td>25%</td>
		</tr>
		<tr>
			<td>Bilgi Grafiği Oluşturma</td>
			<td>Biyomedikal bilgi tabanlarındaki farklı bilgileri birleşik bir bilgi grafiğine bağlayın ve entegre edin.</td>
			<td>5%</td>
		</tr>
		<tr>
			<td colspan="2">Tahmin Analizi</td>
			<td>Toplam </td>
		</tr>
		<tr>
			<td>Tren Grafiği Sinir Ağı</td>
			<td>Grafikteki gizli kalıpları öğrenmek için modeli biyomedikal bilgi grafiği verileri üzerinde eğitin.</td>
			<td>5%</td>
		</tr>
		<tr>
			<td>Alaka Düzeyi Sıralaması Analizi</td>
			<td>Hastalığı incelemekle ilgili en uygun düğümleri ve kenarları vurgulamak için açıklanabilirlik modülünü uygulayın.</td>
			<td>2.5%</td>
		</tr>
		<tr>
			<td>Bağlantı Tahmini</td>
			<td>Yeni tahmin edilen kenarlara katkıda bulunan önemli düğümleri ve kenarları belirlemek için açıklanabilirlik modülünü kullanın.</td>
			<td>2.5%</td>
		</tr>
		<tr>
			<td colspan="2">Hipotez Oluşturma ve/veya Doğrulama</td>
			<td>Toplam 0</td>
		</tr>
		<tr>
			<td>Artırılmış Nesil Alma için Veritabanı Kurulumu</td>
			<td>Bilgi grafiğini sorgulamak için grafik veritabanını ve metin alımı için vektör veritabanını başlatın.</td>
			<td>25%</td>
		</tr>
		<tr>
			<td>Hipotez Araştırması</td>
			<td>Hipotez keşfi için ilgili bilgilere erişmek ve bunları incelemek için RUGGED ile kullanıcı etkileşimini etkinleştirin.</td>
			<td>5%</td>
		</tr>
	</tbody>
</table>
Tablo 1: İş akışı ve hız sınırlama adımları. Bu tablo, iş akışının her aşaması için gereken hesaplama süresinin kabaca tahminlerini sağlar. Hız sınırlayıcı adımlar, geri alma ile artırılmış üretim için gerekli biyomedikal bilgiye erişmeyi, çıkarmayı ve indekslemeyi içerir. Hipotez araştırması, hız sınırlayıcı adımların yeniden uygulanmasına gerek kalmadan sürekli olarak tekrarlanabilir.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Hastalık Kategorisi</td>
			<td>MeSH Ağaç Numaraları</td>
			<td># PMID'ler</td>
			<td># Özgün Katkılar</td>
			<td># İnceleme Makaleleri</td>
		</tr>
		<tr>
			<td rowspan="2">Kardiyomiyopatiler (CM)</td>
			<td>C14.280.238</td>
			<td rowspan="2">132,531</td>
			<td rowspan="2">102,337</td>
			<td rowspan="2">19,942</td>
		</tr>
		<tr>
			<td>C14.280.434</td>
		</tr>
		<tr>
			<td rowspan="2">Kardiyak Aritmiler (ARR)</td>
			<td>C14.280.067</td>
			<td rowspan="2">125,286</td>
			<td rowspan="2">92,374</td>
			<td rowspan="2">13,854</td>
		</tr>
		<tr>
			<td>C23.550.073</td>
		</tr>
		<tr>
			<td>Konjenital Kalp Kusurları (KKH)</td>
			<td>14.280.400 civarı</td>
			<td>82,006</td>
			<td>54,023</td>
			<td>6,379</td>
		</tr>
		<tr>
			<td>Kalp Kapak Hastalıkları (VD)</td>
			<td>C14.280.484</td>
			<td>72,016</td>
			<td>50,119</td>
			<td>5,743</td>
		</tr>
		<tr>
			<td>Miyokard İskemisi (İBH)</td>
			<td>C14.280.647</td>
			<td>256,986</td>
			<td>210,042</td>
			<td>30,223</td>
		</tr>
		<tr>
			<td>Kardiyak İletim Sistemi Hastalığı (CCD)</td>
			<td>C14.280.123</td>
			<td>53,050</td>
			<td>35,399</td>
			<td>4,363</td>
		</tr>
		<tr>
			<td>Ventriküler Çıkış Tıkanıklığı (VOO)</td>
			<td>C14.280.955</td>
			<td>22,244</td>
			<td>15,504</td>
			<td>1,686</td>
		</tr>
		<tr>
			<td>Diğer Kalp Hastalıkları (OTH)</td>
			<td>C14.280.195 C14.280.282 C14.280.383 C14.280.470 C14.280.945 C14.280.459 C14.280.720</td>
			<td>114,085</td>
			<td>77,302</td>
			<td>11,799</td>
		</tr>
		<tr>
			<td></td>
			<td>Toplam</td>
			<td>635,696</td>
			<td>478,404</td>
			<td>69,690</td>
		</tr>
	</tbody>
</table>
Tablo 2: Biyomedikal literatür istatistikleri. Bu tablo, çalışma hastalık kategorilerini, karşılık gelen MeSH ağaç numaraları ve metin madenciliği için derlem olarak kullanılan Mayıs 2024'e kadar alınan PubMed belgelerinin sayısıyla birlikte detaylandırır. Bu yayınların özgün katkı araştırma makaleleri ve derleme makalelerinden oluşan bir alt kümesi, hipotez oluşturma sırasında RUGGED tarafından geri alınmak üzere bir vektör veritabanına indekslenmektedir.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Kategori</td>
			<td>Düğüm Sayısı</td>
			<td>Kenar Sayısı</td>
			<td>Veri Kaynakları</td>
		</tr>
		<tr>
			<td>Anatomi</td>
			<td>5,049</td>
			<td>122,533</td>
			<td>Bgee, PubMed, MeSH, Uberon, </td>
		</tr>
		<tr>
			<td>Biyolojik Süreç</td>
			<td>27,047</td>
			<td>108,106</td>
			<td>Gen Ontolojisi</td>
		</tr>
		<tr>
			<td>Hücresel Bileşen</td>
			<td>4,057</td>
			<td>52,238</td>
			<td>Gen Ontolojisi</td>
		</tr>
		<tr>
			<td>Bileşik</td>
			<td>27,278</td>
			<td>3,292,028</td>
			<td>DrugBank, MeSH, CTD, UMLS, KEGG, TTD, SIDER, Inxight İlaçlar, Hetionet, PathFX, MyChem.info</td>
		</tr>
		<tr>
			<td>Hastalık</td>
			<td>21,938</td>
			<td>311,773</td>
			<td>PubMed, MeSH, DisGeNET, SIDER, ClinVar, ClinGen, PharmGKB, MyDisease.info, PathFX, UMLS, OMIM, Mondo, DOID, KEGG</td>
		</tr>
		<tr>
			<td>İlaç Sınıfı</td>
			<td>5,721</td>
			<td>8,283</td>
			<td>ATC</td>
		</tr>
		<tr>
			<td>Gen</td>
			<td>29,810</td>
			<td>943,419</td>
			<td>HGNC, GRNdb, KEGG, ClinVar, ClinGen,</td>
		</tr>
		<tr>
			<td>Moleküler fonksiyon</td>
			<td>11,151</td>
			<td>47,086</td>
			<td>SMPDB, DisGENET, PharmGKB, MyGene.info</td>
		</tr>
		<tr>
			<td>Patika</td>
			<td>52,012</td>
			<td>234,944</td>
			<td>Gen Ontolojisi</td>
		</tr>
		<tr>
			<td>Protein</td>
			<td>20,740</td>
			<td>1,074,809</td>
			<td>Reaktom, KEGG, SMPDB</td>
		</tr>
		<tr>
			<td>Tepkime</td>
			<td>14,647</td>
			<td>128,038</td>
			<td>UniProt, Reactome, TTD, SMPDB, STRING, HGNC</td>
		</tr>
		<tr>
			<td>Ara toplam</td>
			<td>219,450</td>
			<td>6,323,257</td>
			<td>Reaktom</td>
		</tr>
		<tr>
			<td>Metin Madenciliği Dernekleri</td>
			<td>8</td>
			<td>4,670</td>
			<td></td>
		</tr>
		<tr>
			<td>Toplam</td>
			<td>219,458</td>
			<td>6,327,927</td>
			<td></td>
		</tr>
	</tbody>
</table>
Tablo 3: Bilgi grafiği istatistikleri. Bu tablo, metin madenciliği analizi ve tahmine dayalı analizden türetilen ek kenarlarla zenginleştirilmiş, yapılandırılmış Know2BIO bilgi grafiğini içeren 11 geniş biyomedikal kategoriyi detaylandırmaktadır. Elde edilen bilgi grafiği ve tahminler, hipotez oluşturma sırasında RUGGED tarafından alınmak üzere Neo4j grafik veritabanı tarafından yönetilir.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td></td>
			<td>Doğruluk</td>
			<td>Kesinlik</td>
			<td>Anımsamak</td>
			<td>F1 skoru</td>
			<td>AUROC (Avustralya Halk Cumhuriyeti)</td>
			<td>Avustralya Halk Cumhuriyeti</td>
		</tr>
		<tr>
			<td>Doğrulama</td>
			<td>0.7158</td>
			<td>0.6639</td>
			<td>0.8743</td>
			<td>0.7547</td>
			<td>0.8437</td>
			<td>0.8637</td>
		</tr>
		<tr>
			<td>Test</td>
			<td>0.703</td>
			<td>0.6367</td>
			<td>0.9455</td>
			<td>0.761</td>
			<td>0.8961</td>
			<td>0.9094</td>
		</tr>
	</tbody>
</table>
Tablo 4: Açıklanabilir yapay zeka modeli değerlendirmesi.<a href="https://www.jove.com/files/ftp_upload/67525/67525_Supplementary%20File%201.docx" target="_blank"></a>

Kanıta Dayalı Bilgi Sentezi ve Hipotez Doğrulama: Açıklanabilir Yapay Zeka ve Ajan Sistemler Aracılığıyla Biyomedikal Bilgi Tabanlarında Gezinme

The scale of biomedical knowledge, spanning scientific literature and curated knowledge bases, poses a significant challenge for investigators in ...

evidence-based-knowledge-synthesis-hypothesis-validation-navigating

Research

JoVE Journal

Medicine

Tıp

Biyomedikal raporlarda açıklandığı gibi mitokondriyal proteinleri ve bunların kardiyovasküler hastalıklarla ilişkilerini araştırmak için bir hesaplama protokolü olan CaseOLAP LIFT ve bir kullanım senaryosu sunulmaktadır. Bu protokol, kullanıcı tarafından seçilen hücresel bileşenleri ve hastalıkları incelemek için kolayca uyarlanabilir.

Organel Yolaklarının Hastalıktaki Rolünü Biyomedikal Raporlarla Aydınlatmak İçin Bir Bilgi Grafiği Yaklaşımı

Aşağıdaki bölümlerde, biyomedikal uygulamalarda kullanım için aljinat mikroküreler hazırlanması için prosedürleri özetlemektedir. Biz özellikle tip 1 diyabet için potansiyel bir tedavi olarak hücre ve protein encapsulation çift amaçlı çok katmanlı aljinat mikroküreler oluşturmak için bir teknik göstermektedir.

Biyomedikal Uygulamalar için Aljinatta Mikrokürelerin Üretimi

Biz bir kemirgen büyük bir beyin damar daimi tıkanıklığı için son derece tekrarlanabilir yöntem açıklanmaktadır. Bu teknik çok az çevresel zarar, en az kan kaybı, uzun süreli sağkalım oranının yüksek ve insan klinik nüfusu ile orantılı tutarlı infarkt hacmi ile gerçekleştirilebilir.

Kalıcı Serebral Gemi Tıkanıklığı<em&gt; Ile</em&gt; Çift Ligature ve transeksiyonu

Tibial sinir kesisi modeli iskelet kas atrofi bir, iyi tolere doğrulanmış ve tekrarlanabilir bir model. Model cerrahi protokol C57Black6 farelerde açıklanan ve gösterilmiştir.

Tibial Sinir transeksiyonu - Farelerde denervasyon bağlı İskelet Kas Atrofi için bir Standart Model

İnsan genomunun% 8'ini işgal insan endojen retrovirüsleri (herv), kıt kodlama kapasitelerini ama yüz bin uzun terminal tekrarları (LSY) korur. Özel bir Affymetrix mikroarray bireysel herv odağı ifade belirlemek için tasarlanmıştır ve gelecekteki klinik çalışmalar için kavramının bir kanıtı olarak prostat kanseri dokularda kullanıldı.

Prostat Kanserinde Biyomarker Discovery Uygulama: Bireysel herv Lokusları İfade Mikroarray tabanlı Kimlik

Burada, web tabanlı ilaç yeniden kullanım hipotezi oluşturma aracını kullanan bir protokolü açıklıyoruz: "RE:fine Drugs." Bu protokol, sorgu türü (gen, ilaç veya hastalık) düzeyinde ve/veya mevcut gelişmiş seçenekler aralığında kullanıcının tercihlerine göre değiştirilebilir.

&quot;RE: İnce ilaçlar kullanılması&quot; İlaç repurposing Hipotez Üretim Sistemi

Pratik uygulaması ve yöntemleri performansını aşağı akım analizleri biobank projeleri geniş bir yelpazede için domuz hayvan modellerin temsilcisi doku örnekleri oluşturmada, volumetry, dahil olmak üzere içinde gösterilen sistematik rastgele örnekleme, ve doku örnekleri nitel ve nicel morfolojik ve moleküler analiz türleri için farklı işleme.

Örnekleme stratejileri ve Biobank doku örnekleri domuz Biyomedikal modellerinden işlenmesi

Bu çalışmanın amacı hayaletler değişen yağ yüzdeleri ve birimler ile üretmek için özelleştirilebilir pratik bir yağ-su hayalet oluşturmak için bir protokol tarif etmektir.

Yağ-su hayaletler manyetik rezonans görüntüleme doğrulama için: esnek ve ölçeklenebilir iletişim kuralı

Burada, iskemi-reperfüzyon deneyinden sonra kemirgen dokusu hazırlığının standartlaştırılmış metodolojisi için bir protokol ve yüksek çözünürlüklü görüntü elde etmek için aydınlatma ve kamera kurulumları oluşturma kılavuzları sunulmaktadır. Bu yöntem tüm deneysel küçük hayvan organ fotoğrafçılığına uygulanabilir.

İskemi Reperfüzyonu Sonrası Dijital Makro Fotoğrafçılık için Kemirgen Kalp ve Beyin Dokusu Hazırlığı

3D organoid kültürler oluşturmak için köpek bağırsak ve hepatik dokularından yetişkin kök hücrelerin toplanması için deneysel yöntemler açıklanmaktadır. Ayrıca, tutarlı büyümeyi sağlamak ve köpek bağırsak ve hepatik organoid kültürlerini toplamak, biyobanka yapmak ve canlandırmak için standart çalışma prosedürleri sağlamak için laboratuvar teknikleri tartışılmaktadır.

Biyomedikal Araştırmalarda Kullanılmak Üzere 3D Köpek Hepatik ve Bağırsak Organoid Kültürlerinin Standardizasyonu ve Bakımı

Keşfedin, büyük dil modelleri ve açıklanabilir yapay zeka kullanarak biyomedikal bilgi tabanlarında gezinme ve hipotez üretme yöntemini. RUGGED platformu, kanıta dayalı bilgi sentezi sağlar.

Kanıta Dayalı Bilgi Sentezi ve Hipotez Doğrulama: Açıklanabilir Yapay Zeka ve Ajan Sistemler Aracılığıyla Biyomedikal Bilgi Tabanlarında Gezinme (Video) | JoVE Journal

Kanıta Dayalı Bilgi Sentezi ve Hipotez Doğrulama: Açıklanabilir Yapay Zeka ve Ajan Sistemler Aracılığıyla Biyomedikal Bilgi Tabanlarında Gezinme

Daha fazla video keşfet