Multi-Agent Orchestration for Knowledge Extraction and Retrieval: AI Expert System for GPCRs

Das Papier stellt GPCR-Nexus vor, eine KI-gestützte Multi-Agenten-Plattform, die strukturierte Datenbanken und unstrukturierte wissenschaftliche Literatur integriert, um vertrauenswürdige, belegte und kontextbewusste Erkenntnisse über G-Protein-gekoppelte Rezeptoren für die Forschung und Wirkstoffentwicklung zu generieren.

Das Wesentliche

🧬 GPCR-Nexus: Der super-organisierte Bibliothekar für Zellen

Stell dir vor, dein Körper ist eine riesige Stadt, und die GPCRs (G-Protein-gekoppelte Rezeptoren) sind die Türsteher an den Eingängen der einzelnen Gebäude (Zellen). Diese Türsteher entscheiden, wer hereinkommt und welche Nachrichten ins Gebäude gebracht werden. Sie sind extrem wichtig für unsere Gesundheit und fast ein Drittel aller Medikamente wirken direkt auf diese Türsteher.

Das Problem? Die Informationen über diese Türsteher sind chaotisch verteilt.

• Datenbanken (wie GPCRdb) sind wie riesige Excel-Tabellen: Sie wissen genau, wie viele Schlüssel (Liganden) es gibt und wie sie aussehen, aber sie erzählen keine Geschichten darüber, warum das wichtig ist.
• Wissenschaftliche Artikel sind wie Tausende von Büchern in einer Bibliothek voller Details und Zusammenhänge, aber niemand hat Zeit, sie alle zu lesen.
• Normale KI-Chatbots (wie ChatGPT) sind wie sehr gut redende, aber manchmal etwas verwirrte Studenten. Sie können fließend sprechen, erfinden aber manchmal Fakten oder zitieren Bücher, die es gar nicht gibt (das nennt man „Halluzinieren").

GPCR-Nexus ist die Lösung für dieses Chaos. Es ist keine einzelne KI, sondern ein Team aus spezialisierten Robotern, die zusammenarbeiten, um die perfekte Antwort zu finden.

---

🤖 Wie funktioniert das Team? (Die 4 Agenten)

Stell dir GPCR-Nexus wie ein hochmodernes Nachrichten-Redaktionsbüro vor, in dem vier verschiedene Spezialisten an einem Fall arbeiten:

1. Der Detektiv (Source Planner):
   Wenn du eine Frage stellst (z. B. „Welcher Schlüssel passt zu Türsteher X?"), schickt der Detektiv sofort zwei Teams los.

   • Team A sucht in den Excel-Tabellen (Datenbanken) nach harten Fakten.
   • Team B durchsucht die Bibliothek (wissenschaftliche Artikel) nach den neuesten Geschichten und Zusammenhängen.

2. Der Prüfer (Reviewer):
   Bevor die Informationen weitergegeben werden, kommt der Prüfer ins Spiel. Er ist sehr streng und nüchtern. Er liest alles, was die Teams gefunden haben, und wirft alles weg, was unsicher, irrelevant oder falsch klingt. Er sorgt dafür, dass nur die besten Beweise übrig bleiben. Er nutzt dabei eine KI, die so genau arbeitet, dass sie keine Fehler macht (keine „Halluzinationen").

3. Der Archivist (Database Agent):
   Dieser Spezialist hat einen eigenen, kleinen, aber perfekten Ordner mit den offiziellen Stammbäumen der Türsteher. Er prüft, ob die Namen und die grundlegenden Fakten stimmen. Er ist wie das „Nachschlagewerk", das immer 100 % korrekt ist.

4. Der Autor (Synthesizer):
   Jetzt kommen alle Beweise zusammen. Der Autor nimmt die harten Fakten vom Archivisten, die Geschichten aus der Bibliothek und die Bestätigung vom Prüfer und schreibt daraus eine klare, verständliche Antwort. Das Wichtigste: Er fügt an jede Aussage einen Fußnote hinzu, damit du genau nachsehen kannst, woher die Information stammt.

---

🏗️ Die Technik dahinter (in einfachen Worten)

Das System nutzt zwei Arten von „Gedächtnis":

1. Das semantische Gedächtnis (Vektor-Index): Das ist wie ein riesiges Netz, das Begriffe nach ihrer Bedeutung verbindet. Wenn du nach „Krebs" suchst, versteht das System, dass es auch nach „Tumor" oder „bösartig" suchen muss, auch wenn diese Wörter nicht genau so geschrieben sind.
2. Das strukturierte Gedächtnis (Wissensgraph): Das ist wie eine Landkarte, die zeigt, wer mit wem verbunden ist (z. B. „Schlüssel A öffnet Tür B, was zu Signal C führt").

Durch die Kombination aus diesen beiden und dem strengen Prüfer-Team kann GPCR-Nexus Fragen beantworten, die normale KIs nicht lösen können. Es ist nicht nur „schlau", sondern faktisch abgesichert.

---

🏆 Das Ergebnis: Wer ist besser?

Die Forscher haben GPCR-Nexus gegen die besten normalen KIs (wie GPT-4, Sonnet und Gemini) getestet.

• Das Szenario: Man fragte alle Systeme: „Welche Schlüssel (natürliche Botenstoffe) passen zu welchem Türsteher?"
• Das Ergebnis: GPCR-Nexus war deutlich besser.
  • Die normalen KIs erfinden oft falsche Schlüssel oder vergessen wichtige.
  • GPCR-Nexus lieferte fast immer die vollständige und korrekte Liste und konnte sogar sagen: „Ich weiß es nicht", wenn es keine Antwort gab (statt etwas zu erfinden).

💡 Warum ist das wichtig?

Stell dir vor, du bist ein Arzt oder ein Forscher, der ein neues Medikament entwickeln will.

• Wenn du eine normale KI fragst, könntest du auf eine falsche Information stoßen, die dich Jahre der Forschung kostet.
• Mit GPCR-Nexus bekommst du eine Antwort, die auf echten Daten und aktuellen Artikeln basiert, mit genauen Quellenangaben. Es ist wie ein vertrauenswürdiger Assistent, der nie müde wird, nie lügt und immer die neuesten Bücher in der Bibliothek kennt.

Zusammenfassend: GPCR-Nexus ist kein einzelner „Super-Intellekt", sondern ein perfekt koordiniertes Team aus KI-Agenten, das die Lücke zwischen trockenen Datenbanken und unübersichtlichen wissenschaftlichen Artikeln schließt, um Wissenschaftlern und Ärzten verlässliche Antworten zu geben.

Technische Zusammenfassung

1. Problemstellung

G-Protein-gekoppelte Rezeptoren (GPCRs) sind die größte Familie menschlicher Zellrezeptoren und Ziele für etwa ein Drittel aller von der FDA zugelassenen Medikamente. Das Wissen über GPCR-Ligand-Interaktionen ist jedoch stark fragmentiert:

• Strukturierte Datenbanken (wie GPCRdb, ChEMBL) bieten hochwertige, kuratierte Daten zu Sequenzen und Bioaktivitäten, liefern aber keinen narrativen Kontext aus der wissenschaftlichen Literatur (z. B. physiologische Mechanismen oder Krankheitszusammenhänge).
• Unstrukturierte Literatur enthält diese mechanistischen Details, ist aber für Forscher schwer zu durchsuchen.
• Allgemeine Large Language Models (LLMs) wie ChatGPT neigen zu „Halluzinationen" (falsche Zitate, erfundene Fakten), haben Trainings-Cutoffs (verpassen neue Studien) und können keine verifizierbaren Quellen liefern.

Es fehlte bisher an einem System, das strukturierte Datenbanken und unstrukturierte Literatur nahtlos integriert, um kontextbewusste, zitierfähige und faktenbasierte Antworten zu generieren.

2. Methodik: Architektur von GPCR-Nexus

GPCR-Nexus ist eine KI-getriebene Plattform, die auf einer Multi-Agenten-Architektur basiert und drei Hauptkomponenten kombiniert: einen Vektor-Index, einen Wissensgraphen und eine deterministische Offline-Datenbank.

A. Datenverarbeitung und Wissensrepräsentation

• Dokumenten-Ingestion: Neue PDF-Studien werden in Azure Blob Storage hochgeladen. Ein Trigger-Pipeline extrahiert Text und Metadaten.
• Text-Splitting: Dokumente werden in semantisch kohärente Segmente von ca. 500 Token unterteilt (mit 50-Token-Überlappung), um Kontext zu erhalten.
• Vektor-Indexierung: Textchunks werden mit dem Modell text-embedding-3-small (1536 Dimensionen) eingebettet und in einem HNSW-Graphen (Hierarchical Navigable Small World) in Azure Cognitive Search gespeichert. Dies ermöglicht schnelle semantische Suchen.
• Wissensgraph-Konstruktion: Parallel dazu extrahiert ein LangChain-Workflow mit GPT-4o-mini (Temperatur 0) strukturierte Entitäten (Rezeptoren, Liganden, Pfade) und Relationen (bindet, aktiviert) aus den Chunks. Diese werden als JSON in Azure Cosmos DB (via Gremlin API) als Graph gespeichert.
• Offline-Referenzdatenbank: Eine lokale SQLite-Datenbank enthält kuratierte, receptor-zentrierte Profile (aus IUPHAR/GtoPdb, UniProt), die als deterministische „Grounding"-Schicht dienen, um die Genauigkeit zu erhöhen und die Nachvollziehbarkeit zu sichern.

B. Multi-Agenten-Orchestrierung

Bei einer Benutzerabfrage koordiniert LangChain vier spezialisierte Agenten:

1. Source Planner Agent: Identifiziert den Fokus der Anfrage (Rezeptor) und initiiert parallele Abfragen im Vektor-Index (für Text) und im Wissensgraphen (für Relationen).
2. Reviewer Agent: Filtert, komprimiert und validiert die gefundenen Beweise. Er nutzt GPT-4o-mini mit deterministischen Einstellungen (Temperatur 0), um irrelevante Inhalte zu entfernen und die Reproduzierbarkeit zu gewährleisten.
3. Database Agent: Queryt die lokale SQLite-Datenbank, um strukturierte Rezeptorprofile (Synonyme, endogene Liganden) abzurufen.
4. Synthesizer Agent: Integriert die validierten Textbeweise, die graphbasierten Relationen und die strukturierten Datenbankdaten zu einer kohärenten, zitierfähigen Antwort.

3. Schlüsselbeiträge

• Hybride RAG-Architektur: Kombination von Vektor-Suche (für narrative Tiefe), Wissensgraphen (für explizite Relationen) und einer lokalen Datenbank (für faktische Genauigkeit).
• Multi-Agenten-Orchestrierung: Ein Workflow, der Planung, Überprüfung, Datenbankabfrage und Synthese trennt, um Halluzinationen zu minimieren und die Nachvollziehbarkeit zu maximieren.
• Deterministische Grounding: Durch die Nutzung von Temperatur 0 beim Reviewer und die SQLite-Referenzschicht wird die Antwortgenerierung auditierbar und weniger anfällig für Zufälligkeiten.
• Dynamische Aktualisierung: Das System kann kontinuierlich neue PDFs in den Vektor-Index und Graphen integrieren, um den neuesten Forschungsstand abzubilden.

4. Ergebnisse

Die Leistung von GPCR-Nexus wurde in einem 100-Fragen-Benchmark gegen drei führende geschlossene LLMs (GPT-4o, Sonnet 4.5, Gemini 2.5) evaluiert.

• Aufgabe: Identifikation endogener Liganden für spezifische Rezeptoren (75 beantwortbare Fragen, 25 synthetische unbeantwortbare Kontrollen).
• Bewertungsmetrik: Ein abgestuftes Scoring-System (1 = vollständig korrekt, 0.5 = teilweise korrekt, 0 = Halluzination/Fehler).
• Ergebnisse:
  • GPCR-Nexus erzielte die höchste durchschnittliche Punktzahl (Mean Graded Correctness).
  • In gepaarten Vergleichen (Question-Level) schnitt GPCR-Nexus signifikant besser ab als alle Vergleichsmodelle (p < 0.001 nach Holm-Korrektur).
  • Die Vergleichsmodelle zeigten häufiger unvollständige Antworten oder Halluzinationen, insbesondere bei unbeantwortbaren Fragen (wo sie oft falsche Liganden erfanden).
  • Sensitivitätsanalyse: Selbst wenn der Wert für teilweise korrekte Antworten variiert wurde, behielt GPCR-Nexus einen deutlichen Vorteil, was zeigt, dass es nicht nur teilweise relevante Informationen findet, sondern vollständige Ligandensätze konsistenter liefert.

5. Bedeutung und Ausblick

GPCR-Nexus demonstriert, dass spezialisierte, retrieval-basierte KI-Systeme in domänenspezifischen biomedizinischen Aufgaben (wie der Ligandenidentifikation) leistungsstärker sind als allgemeine, geschlossene LLMs.

• Vertrauenswürdigkeit: Die Architektur adressiert das Problem der „Halluzination" durch explizite Quellenangabe und faktenbasierte Grounding.
• Skalierbarkeit: Das Framework kann auf andere Zielklassen (z. B. Kinasen, Ionenkanäle) erweitert werden, um ein übergreifendes „Drug-Nexus" zu schaffen.
• Zukunft: Die Arbeit legt den Grundstein für vertrauenswürdige, KI-gestützte Wissenssynthese in der Arzneimittelforschung, wobei der Fokus auf der Trennung von deterministischen Faktenabfragen und explorativen Hypothesengenerierung liegt.

Zusammenfassend bietet GPCR-Nexus einen skalierbaren Ansatz, um strukturierte und unstrukturierte biomedizinische Kenntnisse zu vereinen und dabei Genauigkeit, Interpretierbarkeit und Abdeckung zu verbessern.