KRAKEN: A provenance-tracked knowledge graph for multiomic and wellness research

En el vasto paisaje de la biología moderna, los científicos han buscado durante mucho tiempo una forma de conectar los puntos entre la maquinaria microscópica de nuestras células y el panorama más amplio de la salud humana. Durante décadas, la investigación se ha centrado intensamente en comprender cómo se desarrollan las enfermedades y cómo los fármacos existentes podrían ser reutilizados para combatirlas. Este enfoque ha construido mapas poderosos de relaciones biológicas, pero estos mapas a menudo dejan fuera los aspectos más silenciosos y cotidianos del bienestar. Con frecuencia omiten las firmas químicas detalladas de nuestro metabolismo, los marcadores genéticos específicos que influyen en nuestros rasgos y los datos complejos que definen qué tan viejos se sienten nuestros cuerpos en comparación con nuestra edad real. Sin una imagen completa que incluya estos detalles centrados en el bienestar, sigue siendo difícil ver la historia completa de cómo funciona nuestra biología en un estado saludable, no solo cuando está enferma.

Un nuevo proyecto llamado KRAKEN tiene como objetivo llenar este vacío mediante la creación de un mapa masivo e interconectado que cierre la brecha entre la investigación de enfermedades y el bienestar general. Los investigadores detrás de este trabajo se dieron cuenta de que, si bien los mapas existentes eran excelentes para encontrar curas, estaban incompletos para comprender a la persona en su totalidad. Para resolver esto, construyeron un sistema que recopila información de muchas fuentes diferentes, incluyendo bases de datos especializadas en lípidos, puntuaciones genéticas y mediciones de salud estandarizadas. Este nuevo mapa no solo enumera hechos; los vincula de una manera que permite a las computadoras rastrear conexiones a través de diferentes tipos de datos, desde las moléculas en nuestra sangre hasta los códigos genéticos en nuestro ADN. El resultado es una herramienta que ayuda a investigadores y clínicos a ver cómo se relacionan diversos factores de salud y bienestar, ofreciendo una visión más holística de la biología humana de lo que estaba disponible anteriormente en un sistema único y unificado.

El núcleo de este logro es un grafo de conocimiento que actúa como un centro para información biológica diversa. El equipo combinó datos de varias redes existentes de gran escala con fuentes especializadas que se centran en el bienestar, tales como catálogos de puntuaciones poligénicas y medidas de edad biológica. Al entrelazar estos hilos, crearon una estructura que contiene aproximadamente 15 millones de nodos, que representan piezas individuales de información, y alrededor de 113 millones de aristas, que representan las relaciones entre ellas. Esta red cubre 62 tipos diferentes de entidades, que van desde productos químicos específicos y genes hasta conceptos de salud más amplios. Para asegurar que esta enorme colección de datos hable un lenguaje común, los investigadores utilizaron un modelo semántico estándar que se alinea con los esfuerzos más amplios de los Institutos Nacionales de Salud para facilitar el intercambio y la comprensión de los datos biomédicos.

Lo que hace que este sistema sea particularmente útil es su flexibilidad y eficiencia. Los investigadores desarrollaron un proceso de construcción lo suficientemente ligero como para ejecutarse en hardware de computación estándar, requiriendo menos de 48 gigabytes de memoria en su punto máximo. Este diseño permite a los usuarios reconstruir el grafo completo rápidamente o seleccionar solo las partes específicas de los datos que sean relevantes para su área de interés particular. Ya sea que un científico esté estudiando una vía metabólica específica o buscando tendencias generales de bienestar, el sistema puede adaptarse para enfocarse en ese dominio sin necesidad de procesar todo el conjunto de datos. Esta modularidad asegura que la herramienta siga siendo accesible y práctica para una amplia gama de preguntas de investigación, en lugar de ser un archivo estático y pesado.

Más allá de simplemente almacenar información, KRAKEN incluye un conjunto de herramientas diseñadas para ayudar a los usuarios a explorar los datos. Estas herramientas permiten el razonamiento de múltiples saltos (multi-hop reasoning), lo que significa que el sistema puede seguir una cadena de conexiones para encontrar relaciones indirectas entre dos conceptos aparentemente no relacionados. Los usuarios también pueden realizar búsquedas utilizando texto, vectores o una combinación de ambos para encontrar entidades o patrones específicos dentro del grafo. La plataforma admite análisis de enriquecimiento, que ayudan a identificar si ciertos grupos de datos aparecen juntos con más frecuencia de la que se esperaría por azar. Todas estas capacidades son accesibles a través de una interfaz web interactiva y una interfaz de programación de aplicaciones (API) estándar, haciendo que los datos estén disponibles tanto para investigadores humanos como para sistemas automatizados.

El proyecto también introduce un servidor de Protocolo de Contexto de Modelo (Model Context Protocol), una característica que permite que agentes de inteligencia artificial y modelos de lenguaje extensos interactúen directamente con el grafo. Esta capacidad permite que estos sistemas avanzados consuman los datos estructurados y los utilicen para responder preguntas complejas o generar conocimientos sin necesidad de ser reentrenados con el conjunto de datos específico. Al poner los datos a disposición de esta manera, los investigadores están abriendo la puerta a nuevos tipos de análisis automatizado que pueden aprovechar toda la profundidad de la información de bienestar y multiómica contenida en el grafo. Todo el sistema está disponible gratuitamente para el público, permitiendo que cualquier persona con una conexión a Internet explore estas conexiones y contribuya a la creciente comprensión de la salud y el bienestar humano.