KG-Orchestra: An Open-Source Multi-Agent Framework for Evidence-Based Biomedical Knowledge Graphs Enrichment.

KG-Orchestra ist ein Open-Source-Framework für Multi-Agenten-Systeme, das durch den Einsatz von Retrieval-Augmented Generation und spezialisierten Agenten lückenhafte biomedizinische Wissensgraphen in granulare, evidenzbasierte und nachvollziehbare Ressourcen verwandelt.

Das Wesentliche

Stellen Sie sich vor, das medizinische Wissen der Welt ist ein riesiges, chaotisches Lagerhaus. Tausende von Wissenschaftlern schreiben jeden Tag neue Berichte über Krankheiten, Medikamente und wie unser Körper funktioniert. Das Problem: Diese Berichte liegen alle einzeln herum, in verschiedenen Sprachen und mit unterschiedlichen Formaten. Ein einzelner Arzt oder Forscher kann unmöglich alles lesen und verstehen, was gerade passiert.

Bisher gab es zwei Möglichkeiten, dieses Chaos zu ordnen:

1. Der mühsame Handwerker: Ein Team von Experten liest jeden Artikel manuell und trägt die Fakten in eine große Datenbank ein. Das ist sehr genau, aber extrem langsam. Wenn ein neuer Artikel kommt, dauert es Wochen, bis er berücksichtigt ist.
2. Der schnelle Roboter: Computerprogramme scannen die Texte automatisch. Das geht schnell, aber die Roboter machen oft Fehler, erfinden Fakten oder verstehen die feinen Zusammenhänge nicht richtig.

KG-Orchestra ist wie ein neues, hochmodernes Orchester, das die besten Eigenschaften beider Welten vereint. Es ist ein offenes, kostenloses System, das darauf abzielt, diese medizinischen Datenbanken nicht nur zu füllen, sondern sie zu verfeinern und zu erweitern.

Hier ist die Erklärung, wie es funktioniert, mit ein paar einfachen Bildern:

1. Der Startpunkt: Das "Saatkorn" (Seed Graph)

Stellen Sie sich vor, Sie haben ein kleines, perfekt gezeichnetes Stadtmodell von einer einzigen Straße (das ist Ihr "Saatkorn" oder Seed Graph). Es ist genau, aber sehr klein. Sie wissen, dass Haus A zu Haus B führt, aber Sie wissen nicht, wie man von Haus A zum ganzen Stadtzentrum kommt.
KG-Orchestra nimmt dieses kleine, genaue Modell und sagt: "Lass uns herausfinden, wie wir von hier aus in die ganze Stadt kommen."

2. Die Detektive: Das Multi-Agenten-Team

Anstatt einen einzigen Roboter zu schicken, der alles tun muss, schickt KG-Orchestra ein Team aus spezialisierten "Agenten" (KI-Programme), die wie ein gut eingespieltes Orchester oder eine Detektivtruppe zusammenarbeiten:

• Der Bibliothekar (Retrieval-Agent): Dieser Agent rennt in die riesige Bibliothek der medizinischen Literatur (Millionen von Artikeln). Er sucht nicht nur nach Wörtern, sondern versteht den Sinn. Er fragt: "Was sagt die Wissenschaft über die Verbindung zwischen Medikament X und Krankheit Y?" Er holt sich die relevantesten Absätze wie Beweismittel.
• Der Übersetzer (Schema-Aligner): Die Bibliothek hat ihre eigene Sprache, und Ihre Stadtplanung hat eine andere. Dieser Agent sorgt dafür, dass die gefundenen Fakten in das Format Ihres Stadtmodells passen. Er verhindert, dass plötzlich 50 verschiedene Namen für "Herz" in Ihrer Datenbank auftauchen.
• Der Baumeister (Path Builder): Dieser Agent versucht, die Lücken zu schließen. Er nimmt die Beweise des Bibliothekars und baut eine Brücke: "Ah, Medikament X blockiert einen Rezeptor, der Stress verursacht, und Stress führt zu Krankheit Y. Also ist die Verbindung: X → Stress → Y."
• Der Qualitätskontrolleur (Validator): Bevor ein neuer Weg in das Stadtmodell aufgenommen wird, prüft dieser Agent streng: "Stimmt das wirklich? Ist die Quelle glaubwürdig? Passt die Richtung (von A nach B)?" Wenn etwas unsicher ist, markiert er es als "Bitte vom Menschen prüfen".

3. Die Magie: Warum ist das besser?

Frühere KI-Systeme waren wie ein einsamer Schüler, der versucht, eine ganze Bibliothek auswendig zu lernen. Oft halluzinierte er (erfand Fakten).
KG-Orchestra ist wie ein Team von Experten, das sich gegenseitig kontrolliert.

• Wenn der Bibliothekar einen Artikel findet, prüft der Qualitätskontrolleur, ob er wirklich passt.
• Wenn der Baumeister eine Verbindung vorschlägt, sucht der Bibliothekar noch einmal nach weiteren Beweisen, um sicherzugehen.

Das System nutzt eine Technik namens RAG (Retrieval-Augmented Generation). Das bedeutet: Die KI erfindet nichts. Sie liest erst die echten Beweise und formuliert dann ihre Antwort nur basierend auf dem, was sie gelesen hat. Jede neue Information im Stadtmodell ist mit einem "Fingerabdruck" (einem Zitat aus dem Originalartikel) versehen, damit man genau nachvollziehen kann, woher sie kommt.

4. Das Ergebnis: Ein lebendiges Netzwerk

Am Ende haben Sie nicht nur eine Liste von Fakten, sondern ein dichtes, vernetztes Netz.

• Beispiel aus dem Papier: Das System untersuchte, ob ein Medikament namens Nelivaptan (eigentlich für Depressionen gedacht) auch bei Alzheimer helfen könnte. Das war ein unbekanntes Gebiet. KG-Orchestra durchsuchte die Literatur, fand versteckte Pfade (z. B. über Stresshormone im Gehirn) und baute eine Brücke zwischen dem Medikament und der Krankheit, die vorher niemand so klar gesehen hatte.

Zusammenfassung in einem Satz

KG-Orchestra ist wie ein intelligenter, selbstkorrigierender Architekt, der ein kleines, genaues medizinisches Modell nimmt, mit Hilfe von KI-Agenten die neuesten wissenschaftlichen Beweise sucht, diese streng auf Richtigkeit prüft und das Modell so zu einem riesigen, detaillierten und verlässlichen Atlas des menschlichen Körpers erweitert – und das alles so schnell, dass es mit der Geschwindigkeit der wissenschaftlichen Entdeckungen mithalten kann.

Es ist ein Werkzeug, das Wissenschaftlern hilft, die "Warum"-Fragen zu beantworten, nicht nur das "Was".

Technische Zusammenfassung

1. Problemstellung

Biomedizinische Wissensgraphen (BKGs) sind entscheidend für die Integration komplexer biologischer Daten, doch ihre praktische Nutzbarkeit wird durch zwei gegensätzliche Herausforderungen eingeschränkt:

• Manuelle Kuratierung: Bietet zwar hohe Genauigkeit und Granularität, ist aber nicht skalierbar und kann mit der Geschwindigkeit neuer wissenschaftlicher Entdeckungen nicht mithalten.
• Automatisierte Ansätze (LLMs): Große Sprachmodelle (LLMs) können Daten schnell extrahieren, neigen jedoch oft zu „Halluzinationen", liefern breite Netzwerke ohne mechanistische Tiefe und fehlt es an nachvollziehbarer Evidenz (Provenance). Zudem basieren viele bestehende Graphen auf statischen Korpora, die veraltet oder verzerrt sein können.

Es besteht ein dringender Bedarf an einem Framework, das die Skalierbarkeit der Automatisierung mit der hohen Präzision und Evidenzbasiertheit manueller Kuratierung verbindet, um spezifische, kausale und granulare biologische Zusammenhänge zu extrahieren.

2. Methodik: Das KG-Orchestra Framework

KG-Orchestra ist ein Open-Source-Framework, das auf einer Multi-Agenten-Architektur basiert und darauf abzielt, bestehende „Seed"-Wissensgraphen (manuell kuratierte Startgraphen) durch autonome, evidenzbasierte Anreicherung zu erweitern.

Kernkomponenten und Workflow:

1. Evidenz-Retrieval-Pipeline:

   • Das System nutzt eine Hybrid-Suchstrategie (Dense + Sparse Embeddings), um relevante Textabschnitte aus einem großen Korpus biomedizinischer Literatur (z. B. PubMed Central) zu finden.
   • Chunking-Strategie: Es wurde gezeigt, dass eine token-basierte Begrenzung (512-Token-Blöcke) besser funktioniert als reine Satz-basierte Aufteilung, da sie den semantischen Kontext von biologischen Pfaden besser erhält.
   • Embedding-Modell: Das Modell Nomic-V2-MOE wurde als effizienteste Lösung für die dichte Einbettung ausgewählt, ergänzt durch SPLADE-v3 für die lexikalische Suche.

2. Multi-Agenten-Architektur:
   Die Extraktion und Validierung wird auf spezialisierte Agenten verteilt, um die Zuverlässigkeit zu erhöhen:

   • Paragraph Evaluator: Bewertet die Relevanz von zurückgegebenen Textabschnitten für die Abfrage.
   • Path Builder: Konstruiert gerichtete, evidenzgestützte Pfade (Head → Relation → Tail) aus den relevanten Abschnitten.
   • Schema Aligner: Passt extrahierte Entitäten und Relationen an das Schema des Seed-Graphen an und verhindert so eine Explosion der Ontologie-Typen.
   • Entity Matcher: Löst Entitäten auf (z. B. via UMLS-Normalisierung), um Redundanzen zu vermeiden.
   • Triplet Validation Team: Ein Team von Agenten (Evaluator, Fixer) prüft die biologische Plausibilität, die Richtung und die Evidenz-Kompatibilität der Triplets. Falsche Triplets werden repariert oder zur manuellen Prüfung markiert.

3. Backbone LLM:
   Das Framework nutzt Qwen 3 (insbesondere die 32B- und 235B-Varianten) als Haupt-LLM für die Agenten, da diese Modelle in Benchmarks die beste Balance aus logischem Schlussfolgern, biologischer Validität und Skalierbarkeit boten.

3. Schlüsselbeiträge

• Evidenzbasierte Anreicherung: KG-Orchestra fügt dem Graphen nicht nur neue Knoten hinzu, sondern verknüpft diese explizit mit zitierfähigen Textstellen (DOI/PMID), was eine vollständige Nachvollziehbarkeit (Provenance) ermöglicht.
• Multi-Agenten-Selbstkorrektur: Durch die Aufteilung der Aufgaben und iterative Kreuzvalidierung zwischen Agenten werden Halluzinationen signifikant reduziert und die Qualität der Extraktion gesteigert.
• Skalierbarkeit und Flexibilität: Das Framework ist modular aufgebaut und kann auf verschiedenen Hardware-Konfigurationen (von Laptop-GPUs bis zu High-Performance-Clustern) betrieben werden, indem die Größe des verwendeten LLM angepasst wird.
• Open-Source-Verfügbarkeit: Der gesamte Code, einschließlich der Prompts und Workflows, ist öffentlich verfügbar.

4. Ergebnisse

Die Evaluation erfolgte an zwei spezifischen Anwendungsfällen: dem NADKG (Verbindung zwischen Nelivaptan und Alzheimer) und dem ProPreSyn-GBA (Probiotika und Darm-Hirn-Achse).

• Retrieval-Optimierung: Hybrid-Suche (Dense + Sparse) verbesserte die Retrieval-Qualität (NDCG@10) gegenüber rein dichten Methoden, insbesondere bei kleineren Modellen.
• Modellleistung: Qwen 3 (32B) zeigte die beste Gesamtleistung bei der Triplet-Generierung (biologische Validität: ~89%, Richtungsgültigkeit: ~86%). Größere Modelle (235B) erhöhten die Abdeckung, während kleinere Modelle (14B) eine höhere Präzision bei geringerer Abdeckung zeigten.
• Qualitätssicherung: Die Multi-Agenten-Architektur führte zu einer hohen Qualität der finalen Triplets. Die Validierungs-Agenten filterten ineffektive Extraktionen heraus.
• Reproduzierbarkeit: Drei unabhängige Durchläufe des Systems zeigten eine semantische Ähnlichkeit von 0,97 bis 0,98, was die Stabilität des Systems trotz der stochastischen Natur von LLMs unterstreicht.
• Anreicherungserfolg:
  • Beim ProPreSyn-GBA-Graphen wurden ca. 1.037 neue Knoten (+141%) und 2.473 neue Relationen (+182%) hinzugefügt.
  • Die manuelle und automatische (GPT-5-basierte) Evaluation bestätigte eine hohe biologische Validität (über 93%) und Evidenz-Kompatibilität.
• Einfluss der Seed-Größe: Größere Startgraphen führten zu einer breiteren Wissensabdeckung, beeinträchtigten jedoch nicht die Qualität der einzelnen extrahierten Triplets.

5. Bedeutung und Ausblick

KG-Orchestra adressiert kritische Lücken in der biomedizinischen Datenwissenschaft, indem es den Weg von rein korrelativen zu kausalen und mechanistischen Wissensgraphen ebnet.

• Anwendungsbereiche: Das Framework unterstützt die Entdeckung neuer Wirkstoffziele (Drug Repurposing), die Validierung fehlender mechanistischer Pfade und die Erstellung von Subgraphen für spezifische Forschungsfragen.
• Ontologie-Entwicklung: Es bietet Potenzial zur Automatisierung der Erweiterung von Ontologien wie der Gene Ontology (GO) und GO-CAM-Modellen, die derzeit stark auf manuelle Arbeit angewiesen sind.
• Zukünftige Entwicklungen: Die Autoren planen die Integration von semantischen Operatoren (z. B. LOTUS) für eine bessere kausale Inferenz und die Nutzung von Biological Expression Language (BEL) zur Standardisierung der extrahierten Aussagen.

Zusammenfassend demonstriert KG-Orchestra, dass eine Kombination aus spezialisierten Agenten, hybrider Evidenzsuche und großen Sprachmodellen eine skalierbare, hochpräzise und nachvollziehbare Methode zur Erweiterung biomedizinischen Wissens darstellt.