Let Me Cypher That for You: A Multi-Graph Agent for Deciphering Biomedical Knowledge

Der menschliche Körper ist ein riesiges, vernetztes System, in dem ein Problem in einem Bereich Wellen schlagen und ferne Systeme beeinflussen kann. Jahrelang haben Wissenschaftler vermutet, dass die anhaltenden Auswirkungen des SARS-CoV-2-Virus, bekannt als Long COVID, mehr bewirken könnten als nur Müdigkeit oder Atembeschwerden; sie könnten auch den Verfall des Gehirns beschleunigen und zu Erkrankungen wie Alzheimer oder Parkinson beitragen. Um diese komplexen Verbindungen zu untersuchen, erstellen Forscher massive digitale Karten, sogenannte Knowledge Graphs (Wissensgraphen). Stellen Sie sich ein riesiges Netz vor, in dem jeder Knotenpunkt ein biologisches Informationsstück ist – ein Gen, ein Protein, ein Symptom oder eine Krankheit – und jede Linie, die sie verbindet, eine bekannte Beziehung darstellt. Diese Karten halten den Schlüssel dazu bereit, wie ein Virus eine Kettenreaktion auslösen kann, die zu Neurodegeneration führt. Für die meisten Ärzte und Biologen sind diese Karten jedoch hinter einer hohen Mauer aus technischer Sprache verschlossen. Um eine Frage an die Karte zu stellen, muss ein Benutzer einen spezifischen, komplexen Code namens Cypher schreiben – eine Fähigkeit, die eine spezialisierte Ausbildung erfordert und oft zu schwierig für genau die Menschen ist, die die Antworten am dringendsten benötigen.

Ein Forschungsteam am Fraunhofer-Institut für Algorithmen und Softwaretechnik in Deutschland hat ein neues Werkzeug entwickelt, das darauf abzielt, diese Mauer einzureißen. Sie haben ein interaktives System namens CGEx geschaffen, das als Übersetzer zwischen menschlicher Neugier und diesen komplexen digitalen Karten fungiert. Anstatt Forscher zu zwingen, eine neue Programmiersprache zu lernen, ermöglicht das System ihnen, einfach eine Frage in klarem Englisch einzutippen, wie etwa: „Wie beeinflusst das Virus das Nervensystem?“ Die Software analysiert dann diese Frage, ermittelt die Struktur der verwendeten spezifischen Karte und schreibt automatisch den korrekten Code, um die Antwort zu finden. Sie führt diesen Code anschließend aus, sammelt die Ergebnisse und übersetzt die Rohdaten zurück in eine klare, detaillierte Erklärung. Die Forscher testeten dieses System an zwei verschiedenen, massiven Karten, die Tausende von Verbindungen zwischen COVID-19 und neurodegenerativen Erkrankungen enthalten. Sie fanden heraus, dass das System in der Lage war, den korrekten Code zu generieren und präzise Antworten auf einen signifikanten Teil der gestellten Fragen zu liefern, selbst wenn die Fragen erforderten, einen Pfad durch mehrere Schritte biologischer Beziehungen nachzuverfolgen, wobei die Leistung je nach spezifischer Karte und Systemversion variierte.

Der Kern dieser Arbeit ist ein System, das lernt und sich während der Arbeit anpasst. Wenn ein Benutzer eine Frage stellt, betrachtet die Software zuerst die spezifische Karte, um zu verstehen, welche Arten von Daten sie enthält, ganz ähnlich wie ein Bibliothekar, der den Katalog prüft, bevor er nach einem Buch sucht. Sie verwendet dann ein leistungsstarkes Sprachmodell, um eine Abfrage zu konstruieren, doch sie rät nicht blindlings. Das System wird von strengen Regeln und Beispielen geleitet, die es lehren, mit den spezifischen Besonderheiten der biologischen Daten umzugehen, wie etwa der Erkenntnis, dass „Neurodegeneration“ und „Nervensystem“ in verschiedenen Teilen der Karte dasselbe Konzept bezeichnen könnten. Wenn das System stecken bleibt oder ein Ergebnis liefert, das keinen Sinn ergibt, kann es den Benutzer um Feedback bitten. Wenn ein Benutzer ein Ergebnis bestätigt, speichert das System diesen Erfolg als Lektion für die Zukunft; wenn er es ablehnt, versucht das System es erneut und nutzt das Feedback, um seine Herangehensweise zu verfeinern. Dies schafft einen Kreislauf, in dem das Werkzeug mit jeder Interaktion intelligenter und genauer wird.

Die Forscher evaluierten ihr System anhand von zweiundfünfzig sorgfältig gestalteten Fragen, die ein breites Spektrum biologischer Szenarien abdeckten, von einfachen Verbindungen bis hin zu komplexen, mehrstufigen Schlussfolgerungen. Sie verglichen die Leistung ihres ursprünglichen Systems mit einer verbesserten Version, die ein fortgeschritteneres Sprachmodell verwendete. Die Ergebnisse zeigten eine signifikante Verbesserung der Genauigkeit. Das ursprüngliche System konnte korrekte Antworten für etwa 83 Prozent der Fragen auf einer Karte und etwa 56 Prozent auf der anderen generieren. Die verbesserte Version erreichte jedoch eine Erfolgsquote von 94 Prozent auf der ersten Karte und 83 Prozent auf der zweiten. Dieser Sprung in der Leistung zeigt, dass das System nicht nur ein einfacher Übersetzer ist, sondern ein robustes Werkzeug, das in der Lage ist, mit der unordentlichen, inkonsistenten Natur realer biologischer Daten umzugehen.

Eine der wichtigsten Erkenntnisse ist, wie das System mit den Lücken und Inkonsistenzen umgeht, die in wissenschaftlichen Daten existieren. Biologisches Wissen wird oft auf unterschiedliche Weise in verschiedenen Datenbanken gespeichert, und manchmal ist die Information, die ein Forscher benötigt, schlichtweg nicht vorhanden. Die Forscher fanden heraus, dass ihr System diese Herausforderungen bewältigen kann, indem es nach alternativen Pfaden oder Synonymen sucht. Wenn beispielsweise nach Therapien gefragt wird, die auf ein bestimmtes Protein abzielen, lernte das System, nach Begriffen wie „Inhibitor“, „Blocker“ oder „Antagonist“ zu suchen, falls das exakte Wort „Therapie“ in der Karte fehlte. In Fällen, in denen die Daten tatsächlich fehlten, vermischte das System nicht einfach sein eigenes Trainingswissen, um eine Antwort zu fabricieren; stattdessen identifizierte es die wahrscheinliche Ursache des Fehlers, wie etwa fehlende Knoten oder abwesende Zwischenbeziehungen, und machte damit die Lücken im Knowledge Graph sichtbar, während es gleichzeitig Erkenntnisse lieferte, die sowohl auf der abgerufenen Evidenz als auch auf einem breiteren klinischen Verständnis basierten.

Die Studie hob auch den Wert hervor, verschiedene Karten getrennt zu halten, anstatt zu versuchen, sie zu einer einzigen, einheitlichen Datenbank zusammenzuführen. Die Forscher stellten fest, dass ihr System in der Lage war, zwei verschiedene Karten gleichzeitig abzufragen, wobei es die Stärken der einen nutzt, um die Schwächen der anderen auszugleichen. Dieser Ansatz erwies sich als praktischer und flexibler als die traditionelle Methode, alle Daten in eine einzige, starre Struktur zu zwingen. Durch die Ermöglichung des direkten Zugriffs des Systems auf vielfältige Quellen von Evidenz konnten die Forscher Verbindungen aufdecken, die möglicherweise übersehen worden wären, wenn die Daten in ein einziges Format gepresst worden wären. Das System verfolgte erfolgreich komplexe Pfade, wie etwa die Frage, wie ein Virus in das Gehirn eindringen kann, Entzündungen auslöst und letztlich zu kognitivem Abbau führt, und lieferte dabei eine visuelle und textliche Erklärung dieser Mechanismen.

Letztendlich stellt diese Arbeit eine Verschiebung in der Art und Weise dar, wie Wissenschaftler mit ihren Daten interagieren. Sie bewegt sich weg von der Vorstellung, dass nur Experten in der Informatik in der Lage sind, die Geheimnisse biologischer Netzwerke zu entschlüsseln. Durch das Entfernen der technischen Barriere des Codierens öffnet das System die Tür für Kliniker, Biologen und andere Forscher, um komplexe Hypothesen direkt zu untersuchen. Das Werkzeug ersetzt nicht die Notwendigkeit menschlichen Urteilsvermögens; vielmehr fungiert es als leistungsstarker Assistent, der die Schwerstarbeit der Datenabfrage übernimmt, sodass sich Experten auf die Interpretation der Ergebnisse und die Generierung neuer Ideen konzentrieren können. Die Forscher kommen zu dem Schluss, dass dieser Ansatz eine praktische und skalierbare Methode darstellt, um die Verbindungen zwischen Infektionskrankheiten und langfristigen Gesundheitszuständen zu erforschen, was potenziell zu neuen Erkenntnissen darüber führen kann, wie neurodegenerative Erkrankungen in der Post-Pandemie-Welt verhindert oder behandelt werden können.