Resumen Técnico: MultiCNKG – Integración de Grafos de Conocimiento de Neurociencia Cognitiva, Genes y Enfermedades mediante Modelos de Lenguaje de Gran Escala

Declaración del Problema

La integración de datos biomédicos y cognitivos enfrenta desafíos significativos debido a la fragmentación del conocimiento en distintos dominios: mecanismos genéticos (Ontología de Genes - GO), trastornos neurológicos (Ontología de Enfermedades - DO) y procesos cognitivos (Grafo de Conocimiento de Neurociencia Cognitiva - CNKG). Los métodos tradicionales de aprendizaje automático, particularmente aquellos que dependen de incrustaciones superficiales (shallow embeddings) como Bag-of-Words o Word2Vec, tienen dificultades para capturar la naturaleza polisémica de los términos biomédicos y los vínculos semánticos profundos necesarios para conectar los datos moleculares con los resultados conductuales. Además, los Grafos de Conocimiento (KG) existentes suelen carecer de la estructura cohesiva necesaria para rastrear vías desde los genes hacia las enfermedades y, finalmente, hacia las funciones cognitivas. El artículo postula que los Modelos de Lenguaje de Gran Escala (LLM), con su extenso conocimiento preentrenado y capacidades conscientes del contexto, ofrecen una solución para superar las limitaciones semánticas de las Redes Neuronales de Grafos (GNN) tradicionales y facilitar la integración de estas fuentes de datos dispares.

Metodología

Los autores proponen MultiCNKG, un marco diseñado para fusionar tres fuentes de conocimiento distintas en un KG unificado y multicapa. La metodología se desarrolla a través de cuatro etapas primarias:

1. Recopilación y Preprocesamiento de Datos:

   • Fuentes: El marco integra el Grafo de Conocimiento de Neurociencia Cognitiva (CNKG), la Ontología de Genes (GO) y la Ontología de Enfermedades (DO).
   • Preprocesamiento: Las descripciones de texto bruto de las entidades son tokenizadas y normalizadas. Se utilizan LLMs (específicamente GPT-4 y BioGPT) para mapear entidades con múltiples formas (por ejemplo, "enfermedad de Alzheimer" frente a "EA") a formas canónicas utilizando la similitud de sus embeddings. La eliminación de ruido se realiza mediante el filtrado basado en umbrales de puntuaciones de similitud.

2. Representación del Grafo de Conocimiento:

   • El grafo integrado se modela como un multigrafo dirigido $G = (V, E, R)$, donde los nodos representan genes, enfermedades y conceptos cognitivos, y las aristas representan relaciones tales como "causa", "asociado con" y "regula".
   • La estructura se codifica utilizando matrices de adyacencia y triples de conocimiento $(h, r, t)$.

3. Alineación e Integración de Grafos:

   • Alineación de Nodos: Los nodos de los tres grafos de origen se fusionan si su similitud de embedding supera un umbral predefinido $\tau$.
   • Alineación de Aristas: Las relaciones equivalentes (por ejemplo, "causa" frente a "induce") se unifican mediante comparación semántica basada en LLM.
   • Actualización de Adyacencia: La matriz de adyacencia final combina las matrices de origen más una matriz delta ($\Delta A$) que representa las relaciones recién descubiertas.

4. Expansión del Grafo mediante LLMs:

   • Predicción de Relaciones: Los LLM estiman la probabilidad de nuevas relaciones entre nodos ($P(r_{new}|h, t)$). Si la probabilidad supera un umbral, la relación se añade.
   • Expansión Iterativa: El grafo evoluciona iterativamente, con la adición de nuevas entidades y aristas ($\Delta G$) a la estructura existente.
   • Validación: Las nuevas relaciones reciben puntuaciones de confianza y son validadas mediante bases de datos externas o revisión manual por expertos en la materia. Las relaciones cuya confianza cae por debajo de un umbral son eliminadas.

Contribuciones Clave

• Marco MultiCNKG: El desarrollo de un nuevo marco que integra con éxito CNKG, GO y DO en un único grafo cohesivo que contiene 6.9K nodos y 11.3K aristas.
• Integración Impulsada por LLM: La aplicación de LLMs (GPT-4) no solo para el procesamiento de texto, sino para operaciones críticas de grafos, incluyendo la alineación de entidades, el cálculo de similitud semántica y el descubrimiento de conexiones novedosas y previamente no descubiertas entre los dominios genético, de enfermedades y cognitivo.
• Arquitectura de Capas Múltiples: La creación de un grafo que vincula explícitamente tres capas: la Capa Genética (GO), la Capa de Enfermedades (DO) y la Capa de Neurociencia Cognitiva (CNKG), permitiendo una visión holística desde los mecanismos moleculares hasta los constructos conductuales.
• Evaluación Exhaustiva: Una evaluación rigurosa del grafo integrado utilizando métricas tradicionales (Precisión, Recall, F1-Score) y métricas especializadas de KG (Consistencia del Grafo, Detección de Novedad, Validación de Expertos), junto con pruebas de referencia (benchmarks) de predicción de enlaces.

Resultados

El rendimiento de MultiCNKG fue evaluado frente a sus componentes de origen y estándares de referencia:

• Métricas de Integración:

  • Precisión: 85.20%
  • Recall (Recuperación): 87.30%
  • Cobertura: 92.18% (indicando una transferencia exitosa de datos de los grafos de origen)
  • Consistencia del Grafo: 82.50%
  • Validación de Expertos: 89.50% (confirmando la plausibilidad biológica y cognitiva de las nuevas aristas)
  • Detección de Novedad: 40.28% (representa la proporción de aristas descubiertas por el LLM que no estaban en los grafos originales).
  • Comparación: MultiCNKG demostró una mejora en el recall y la cobertura en comparación con los grafos de origen individuales (GO, DO, CNKG), aunque la precisión fue ligeramente inferior a la de GO por sí sola, probablemente debido a la inclusión de conexiones novedosas y menos seguras.

• Predicción de Enlaces:

  • El grafo fue probado utilizando modelos como TransE y RotatE.
  • TransE: Rango Medio (MR) de 391, Rango Recíproco Medio (MRR) de 0.411.
  • RotatE: MR de 263, MRR de 0.395.
  • Estos resultados muestran un rendimiento competitivo frente a estándares como FB15k-237 y WN18RR, validando la integridad estructural y la capacidad predictiva del grafo.

Significación y Reivindicaciones

El artículo afirma que MultiCNKG representa un avance significativo en la integración del conocimiento biomédico al aprovechar la profundidad semántica de los LLM para cerrar las brechas entre la genética molecular, los trastornos neurológicos y las funciones cognitivas.

• Utilidad Científica: El marco facilita una visión de múltiples capas que permite a los investigadores rastrear vías desde los genes hacia las enfermedades y los procesos cognitivos, apoyando aplicaciones en medicina personalizada, diagnóstico de trastornos cognitivos y formulación de hipótesis.
• Cambio Metodológico: El estudio demuestra que los LLM pueden compensar eficazmente las deficiencias contextuales y semánticas de los flujos de trabajo tradicionales de GNN, particularmente en tareas que requieren razonamiento de estructura de grafo implícita e inferencia de múltiples saltos (multi-hop).
• Potencial Futuro: Al reconocer los desafíos respecto a la escalabilidad y la dependencia de modelos propietarios (GPT-4), los autores postulan que MultiCNKG establece una base para la investigación interdisciplinaria. Sugieren que el trabajo futuro podría implicar la integración de otras ontologías (por ejemplo, DrugBank) y el uso de LLMs de código abierto para mejorar la transparencia y apoyar el reposicionamiento de fármacos y la detección temprana de trastornos cognitivos.