Open Biomedical Knowledge Graphs at Scale: Construction, Federation, and AI Agent Access with Samyama Graph Database

Diese Arbeit stellt zwei Open-Source-biomedizinische Wissensgraphen vor, die auf der in Rust entwickelten Samyama-Datenbank basieren und durch eine reproduzierbare ETL-Pipeline, eine federierte Abfrage über Datensatzgrenzen hinweg sowie eine automatische Schema-gesteuerte Schnittstelle für KI-Agenten eine skalierbare und effiziente Integration fragmentierter biomedizinischer Daten ermöglichen.

Das Wesentliche

Stellen Sie sich vor, das Wissen über Biologie und Medizin ist wie eine riesige, weltweite Bibliothek. Aber diese Bibliothek ist chaotisch: Die Bücher liegen in verschiedenen Sprachen, auf verschiedenen Böden und in verschiedenen Regalen.

• Ein Regal enthält nur Informationen über Proteine (die Bausteine des Lebens).
• Ein anderes Regal hat nur Listen von Klinischen Studien (wo neue Medikamente getestet werden).
• Ein drittes Regal kennt nur Krankheitswege im Körper.

Bisher mussten Forscher wie müde Bibliothekare sein: Sie liefen von Regal zu Regal, kopierten Seiten aus verschiedenen Büchern, legten sie auf einen Tisch und versuchten, manuell zu erraten, wie die Informationen zusammenhängen. Das ist langsam, fehleranfällig und oft unmöglich, wenn man eine komplexe Frage stellt wie: "Welche biologischen Wege werden durch Medikamente blockiert, die gerade in großen Studien gegen Brustkrebs getestet werden?"

Diese Frage ist wie ein Rätsel, das keine Antwort in einem einzigen Buch findet.

Die Lösung: Ein super-schneller, intelligenter Bibliothekar (Samyama)

Die Autoren dieses Papers haben eine neue Art von Bibliothekar entwickelt, der auf einer extrem schnellen Technologie namens Samyama (geschrieben in der Programmiersprache Rust) basiert. Sie haben zwei riesige, digitale Wissensnetze (Knowledge Graphs) gebaut:

1. Der "Weg-Atlas" (Pathways KG): Ein Netz aus 118.000 Knoten, das zeigt, wie Proteine und Gene im Körper zusammenarbeiten.
2. Der "Klinik-Atlas" (Clinical Trials KG): Ein riesiges Netz aus fast 8 Millionen Knoten, das alle aktuellen Medikamententests, Krankheiten und Patientenstudien verbindet.

Das Besondere ist nicht nur, dass diese Atlanten existieren, sondern wie sie zusammenarbeiten.

Die drei genialen Tricks

1. Der "Koffer-Transport" (Reproduzierbarkeit)

Statt dass Forscher komplizierte Software installieren müssen, um diese Daten zu nutzen, haben die Autoren die kompletten Atlanten in portable Koffer gepackt (Snapshots).

• Die Analogie: Stellen Sie sich vor, Sie können den gesamten Inhalt einer Bibliothek in einen Rucksack stecken. Wenn Sie diesen Rucksack auf einen anderen Computer legen, ist die Bibliothek sofort da, bereit zur Nutzung. Das dauert nur Sekunden, selbst auf einem normalen Heimcomputer (wie einem Mac Mini).

2. Die "Brücke ohne Umzug" (Föderation)

Normalerweise müsste man zwei verschiedene Datenbanken verschmelzen, was wie das Zusammenkleben zweier verschiedener Landkarten wäre – eine riesige, fehleranfällige Aufgabe.

• Die Analogie: Die Autoren haben eine magische Brücke gebaut. Sie laden beide Atlanten in denselben Raum, aber sie kleben sie nicht zusammen. Stattdessen nutzen sie gemeinsame "Ankerpunkte" (wie die ID-Nummern von Proteinen oder Medikamenten).
• Wenn Sie fragen: "Welcher Weg wird durch das Medikament X blockiert?", springt der Bibliothekar sofort von der "Klinik-Karte" (wo das Medikament getestet wird) über die Brücke zur "Weg-Karte" (wo der biologische Effekt liegt).
• Das Ergebnis: Eine Frage, die früher Tage gedauert hätte, wird in 2,1 Sekunden beantwortet.

3. Der "Sprach-Übersetzer" für KI (MCP Server)

Früher musste man komplizierte Befehlszeilen (Cypher-Abfragen) lernen, um Daten abzufragen.

• Die Analogie: Die Autoren haben einen automatischen Dolmetscher gebaut. Dieser Dolmetscher (basierend auf dem "Model Context Protocol" oder MCP) schaut sich die Struktur der Daten an und erstellt automatisch eine Liste von Werkzeugen für eine Künstliche Intelligenz (KI).
• Das Szenario: Ein Forscher kann einfach zu einer KI sagen: "Zeig mir, welche Wege durch Brustkrebs-Medikamente beeinflusst werden." Die KI versteht das, nutzt die automatisch erstellten Werkzeuge, fragt die Datenbank und liefert die Antwort – ohne dass der Forscher jemals eine einzige Zeile Code schreiben musste.

Warum ist das wichtig?

Stellen Sie sich vor, Sie sind ein Arzt, der ein neues Medikament entwickelt.

• Ohne dieses System: Sie müssten stundenlang in verschiedenen Datenbanken suchen, um herauszufinden, ob Ihr Medikament vielleicht einen unerwarteten Effekt auf das Immunsystem hat.
• Mit diesem System: Sie stellen die Frage an die KI. In weniger als 3 Sekunden erhalten Sie eine Liste von biologischen Wegen (wie "Zellzyklus" oder "Immunsystem"), die von Ihrem Medikament beeinflusst werden.

Zusammenfassung in einem Satz

Die Autoren haben zwei riesige, getrennte Wissensschätze (Biologie und Medizin) mit einem schnellen, offenen System verbunden, das es erlaubt, sie wie ein einziges, riesiges Gehirn zu durchsuchen – und das alles so einfach, dass man es wie einen Rucksack transportieren und mit einer KI per Sprachbefehl steuern kann.

Das ist ein großer Schritt hin zu einer Zukunft, in der medizinische Entdeckungen nicht mehr durch Daten-Chaos gebremst werden, sondern blitzschnell passieren.

Technische Zusammenfassung

1. Problemstellung

Biomedizinisches Wissen ist derzeit stark fragmentiert und über zahlreiche isolierte Datenbanken verteilt (z. B. Reactome für Stoffwechselwege, STRING für Protein-Interaktionen, Gene Ontology für funktionelle Annotationen, ClinicalTrials.gov für Studienregister). Forscher müssen diese Daten manuell als flache Dateien herunterladen und individuelle Skripte schreiben, um sie zu verknüpfen. Dieser Prozess ist langsam, fehleranfällig und nicht reproduzierbar.

Bestehende Lösungen wie Bio2RDF, Hetionet oder der Clinical Knowledge Graph (CKG) haben zwar Fortschritte gebracht, leiden jedoch unter Einschränkungen: Sie sind oft statisch, erfordern komplexe Infrastruktur (z. B. SPARQL-Endpunkte), nutzen veraltete Engines (Neo4j) oder decken nur einzelne Datenquellen ab. Es fehlt an einer skalierbaren, reproduzierbaren Methode, um heterogene Datenquellen in Echtzeit zu integrieren und sie für KI-Agenten zugänglich zu machen.

2. Methodik und Architektur

Die Autoren stellen eine End-to-End-Pipeline vor, die auf der Samyama Graph Database basiert, einer hochleistungsfähigen, in Rust geschriebenen Graph-Datenbank.

A. ETL-Pattern (Extrahieren, Transformieren, Laden)

Die Konstruktion der Knowledge Graphs (KGs) folgt einem fünfstufigen, reproduzierbaren Muster:

1. Download: Automatisierter Abruf von Quelldateien mit Unterbrechungsschutz.
2. Parsing & Filterung: Extraktion von Entitäten und Beziehungen; Filterung auf menschliche Organismen (Organism ID 9606).
3. Deduplizierung: Ein gemeinsamer „Registry"-Mechanismus verhindert die Neuanlage von Entitäten, die bereits aus anderen Quellen geladen wurden.
4. Batch-Loading: Laden von Knoten und Kanten über gebündelte Cypher-CREATE-Anweisungen (50–100 Entitäten pro Batch) via HTTP-API.
5. Snapshot-Export: Export des Graphen als portables .sgsnap-Format (gzip-komprimierte JSON-Lines), das eine sofortige Wiederherstellung auf jeder Samyama-Instanz ermöglicht.

B. Die zwei Knowledge Graphs

1. Pathways KG: Integriert molekulare Biologiedaten (Reactome, STRING, Gene Ontology, WikiPathways, UniProt).
   • Umfang: 118.686 Knoten, 834.785 Kanten.
   • Schema: 5 Knotentypen, 9 Kantentypen.
2. Clinical Trials KG: Modelliert translative Medizin (ClinicalTrials.gov, MeSH, RxNorm, OpenFDA, PubMed).
   • Umfang: 7.774.446 Knoten, 26.973.997 Kanten.
   • Schema: 15 Knotentypen, 25 Kantentypen.

C. Cross-KG-Föderation (Föderation über KGs hinweg)

Statt die Daten bei der ETL-Phase physisch zu mergen, werden beide KGs als separate Snapshots in einen einzigen Graphen-Tenant geladen. Die Verknüpfung erfolgt über eigenschaftsbasierte Joins (Property-based Joins) zur Laufzeit.

• Join-Punkte: Gemeinsame Identifikatoren wie UniProt-Zugangsnummern (Proteine), DrugBank-IDs (Arzneimittel) und NCBI Gene IDs.
• Mechanismus: Eine Cypher-Abfrage verbindet Knoten aus dem Clinical-Trials-Snapshot mit denen aus dem Pathways-Snapshot, indem sie auf übereinstimmende Eigenschaften (z. B. uniprot_id) zugreift, ohne dass die Knoten physisch fusioniert sein müssen.

D. Schema-gesteuerte MCP-Server-Generierung

Um den Zugriff durch Large Language Models (LLMs) zu ermöglichen, wird ein Model Context Protocol (MCP)-Server generiert.

• Der Server entdeckt automatisch das Schema des laufenden Samyama-Instanz.
• Er generiert typisierte Tools (Funktionen) basierend auf Knotenlabels und Kantentypen.
• LLM-Agenten können komplexe Graph-Abfragen über natürliche Sprache stellen, ohne dass manuell Cypher-Code oder Tool-Definitionen geschrieben werden müssen.

3. Wichtige Beiträge

1. Reproduzierbare ETL-Pipeline: Ein standardisiertes Muster für den Aufbau großer biomedizinischer KGs aus heterogenen Quellen mit portablen Snapshots.
2. Cross-KG-Föderation: Demonstration, dass das Laden mehrerer Snapshots in einen Tenant komplexe, domänenübergreifende Fragen beantwortbar macht (z. B. „Welche biologischen Pfade werden durch Medikamente in Phase-3-Studien für Brustkrebs gestört?").
3. Schema-getriebener KI-Zugriff: Automatisierte Generierung von MCP-Tools, die LLMs ermöglichen, den Graphen ohne manuelle Programmierung zu befragen.
4. Open Source: Alle Datenquellen, ETL-Code, Snapshots und MCP-Konfigurationen sind öffentlich verfügbar.

4. Ergebnisse und Leistung

Die Evaluation erfolgte auf einem Mac Mini M4 (16 GB RAM, 10 Kerne).

• Ladezeiten:
  • Pathways KG: 1 Sekunde.
  • Clinical Trials KG: 72 Sekunden.
  • Gesamter Föderations-Import (inkl. Drug-Enrichment): 76 Sekunden.
• Abfrageleistung:
  • Die signifikante 6-Hop-Föderationsabfrage („Welche Pfade werden durch Brustkrebs-Medikamente gestört?") lieferte validierte Ergebnisse in 2,1 Sekunden.
  • Einzelne KG-Abfragen liegen meist unter 1,5 Sekunden.
• Validierung:
  • Die Abfrage lieferte biologisch plausible Ergebnisse (z. B. Signaltransduktion, Immunsystem, Zellzyklus), die mit bekannten Wirkmechanismen von Medikamenten wie Trastuzumab oder Pembrolizumab übereinstimmen.
  • Alle 36 Drug-Target-Proteine aus den klinischen Studien waren im Pathways KG vorhanden und verknüpfbar.

5. Bedeutung und Ausblick

Dieses Paper zeigt einen praktischen Weg auf, wie biomedizinische Datenintegration ohne massive manuelle Vorarbeit und komplexe Infrastruktur erfolgen kann.

• Skalierbarkeit: Die Lösung funktioniert auf handelsüblicher Hardware (Commodity Hardware) und bewältigt Graphen mit fast 8 Millionen Knoten.
• KI-Integration: Durch die MCP-Generierung wird der Graph direkt für autonome KI-Agenten nutzbar, was die Barriere für die Nutzung von Graphdaten in der KI-Forschung senkt.
• Flexibilität: Der Ansatz der „Föderation durch Joins" statt „Fusion" erlaubt es, Datenquellen unabhängig zu halten und flexibel zu kombinieren, was für sich schnell ändernde Datenbanken (wie ClinicalTrials.gov) ideal ist.

Die Autoren betonen, dass dieser Ansatz nicht auf die Biomedizin beschränkt ist, sondern auf jede Domäne mit gemeinsamen Identifikatoren übertragbar ist (z. B. Sport oder industrielle Operationen). Die Arbeit legt den Grundstein für eine neue Generation von dynamischen, KI-freundlichen Wissensgraphen.