BioKG Explorer: Interactive Visual Analytics for Biomedical Knowledge Graph Exploration over PrimeKG

Resumen Técnico: BioKG Explorer

Planteamiento del Problema
Los grafos de conocimiento biomédico (KGs, por sus siglas en inglés) como PrimeKG integran una vasta cantidad de entidades heterogéneas (enfermedades, fármacos, genes, fenotipos, etc.) para apoyar la generación de hipótesis traslacionales. Sin embargo, la escala y complejidad de estos grafos (PrimeKG contiene aproximadamente 129 mil nodos y 4 millones de relaciones) crean barreras significativas para la exploración. Las herramientas existentes a menudo requieren conocimientos de lenguajes de consulta (por ejemplo, Cypher), dependen de visualizaciones estáticas o carecen de interfaces interactivas sin código capaces de manejar la escala específica de PrimeKG. Además, aunque los Modelos de Lenguaje de Gran Escala (LLMs) se utilizan cada vez más para la explicación de rutas, las implementaciones actuales suelen tratar al grafo como un sustrato de recuperación silencioso o solo ofrecen interfaces basadas en chat, fallando al no integrar las narrativas generadas por el LLM directamente con un lienzo de grafo interactivo y visual. Existe una brecha crítica en las herramientas de código abierto que combinen la exploración a escala completa de PrimeKG, la visualización de subgrafos incrementales acotados y las explicaciones de rutas con LLM protegidas dentro de un único entorno basado en el navegador.

Metodología
BioKG Explorer es una aplicación web de pila completa (full-stack) diseñada para cerrar estas brechas mediante una arquitectura de tres capas:

1. Capa de Datos (Neo4j): El sistema ingesta PrimeKG mediante un flujo de trabajo reproducible basado en cuadernos (notebooks). Este proceso normaliza los datos CSV brutos en un grafo de propiedades, preservando los metadatos biomédicos y las descripciones textuales. Las relaciones se deduplican en pares no dirigidos, y los nodos se enriquecen con campos de texto buscables y etiquetas específicas de Neo4j (por ejemplo, Disease, Drug, GeneProtein). Se almacenan analíticas precomputadas, incluyendo el grado de los nodos y las puntuaciones de similitud de enfermedades (basadas en genes, vías y fenotipos compartidos), para facilitar una interacción rápida.
2. Capa de Servicio (FastAPI): Un backend basado en Python expone puntos de conexión (endpoints) RESTful para la búsqueda en el grafo, la expansión de vecindad de un salto (one-hop), el cómputo de las $k$ rutas más cortas (usando el algoritmo de Yen de Neo4j Graph Data Science) y analíticas específicas de enfermedades. Gestiona la conexión con Neo4j y devuelve cargas útiles JSON que contienen estructuras de grafos y metadatos.
3. Capa de Presentación (React/D3.js): El frontend renderiza un lienzo de grafo SVG interactivo utilizando D3.js. Soporta la exploración incremental donde los usuarios pueden fijar entidades, expandir vecindades de un salto y manipular la vista sin recargar el grafo completo. Las codificaciones visuales mapean los tipos de nodos a colores y los grados precomputados a tamaños de nodo.
4. Integración de LLM Protegida: Una característica única es el módulo opcional de explicación de rutas. Cuando un usuario selecciona una ruta corta, el backend construye un contexto JSON acotado del subgrafo visualizado. Este contexto se envía a un modelo Gemini configurado con instrucciones de sistema estrictas que ordenan al LLM resumir únicamente los hechos del grafo proporcionados, evitando explícitamente la causalidad clínica, el diagnóstico o las recomendaciones de tratamiento. La explicación resultante en Markdown se almacena en caché y se muestra junto a la ruta visual.

Contribuciones Clave
El artículo presenta BioKG Explorer como una contribución de herramienta con cuatro logros técnicos primarios:

• Flujo de Trabajo de Ingesta: Un flujo que transforma PrimeKG en un formato compatible con Neo4j mientras preserva etiquetas semánticas, tipos de relación y texto buscable.
• API Especializada: Una API REST que soporta operaciones de grafo complejas (búsqueda, expansión, rutas cortas) y analíticas centradas en enfermedades (fármacos candidatos, similitud de enfermedades) sin requerir conocimiento de Cypher por parte del usuario.
• Visualización Interactiva: Una interfaz basada en el navegador que cuenta con diseños incrementales estables, capacidades de deshacer/rehacer y paneles de evidencia específicos de enfermedades (fármacos candidatos y puntuaciones de similitud) que renderizan subgrafos acotados en lugar del grafo completo.
• Flujo de Trabajo de Explicación Protegida: Un sistema que integra narrativas de rutas generadas por LLM directamente con el grafo visual, asegurando que la explicación esté estrictamente fundamentada en el contexto del subgrafo visible para el usuario.

Resultados
El sistema carga y gestiona con éxito la escala completa de PrimeKG (129,375 nodos y 4,050,249 relaciones deduplicadas). La herramienta permite a los usuarios:

• Realizar búsquedas de texto completo para localizar entidades biomédicas.
• Expandir incrementalmente las vecindades locales para inspeccionar el contexto sin degradación del rendimiento.
• Computar y visualizar las $k$ rutas más cortas entre entidades de origen y destino.
• Acceder a paneles específicos de enfermedades que enumeran fármacos aprobados, de uso fuera de etiqueta (off-label) y contraindicados, así como enfermedades similares con recuentos de evidencia.
• Generar explicaciones en lenguaje natural para rutas seleccionadas que resumen la evidencia del grafo sin realizar afirmaciones clínicas.

Significancia y Reivindicaciones
El autor posiciona a BioKG Explorer como un patrón de implementación práctica para la analítica visual consciente de la ontología. Su significancia radica en llenar dos brechas específicas en el ecosoistema de código abierto:

1. Proporcionar una herramienta de código abierto, sin código y basada en el navegador capaz de la exploración interactiva a la escala completa de 4 millones de aristas de PrimeKG, distinguiéndose de sistemas existentes nativos de PrimeKG como TxGNN Explorer, que están limitados a predicciones de modelos precomputados en lugar de un recorrido de grafo abierto.
2. Integrar explicaciones de rutas narradas por LLM directamente en un lienzo de grafo interactivo, yendo más allá de las interfaces de solo chat o la generación de figuras estáticas.

El artículo establece explícitamente que la herramienta está diseñada para la navegación exploratoria, la interpretación y la generación de hipótesis, no para realizar afirmaciones clínicas. Enfatiza que el sistema soporta el análisis "fundamentado en el grafo", permitiendo a los investigadores moverse fluidamente entre la búsqueda de entidades, la inspección local y el análisis de rutas. El autor reconoce las limitaciones, señalando que la herramienta hereda los sesgos de PrimeKG, que las rutas cortas no implican causalidad y que las explicaciones del LLM son ayudas interpretativas en lugar de autoridades biomédicas. El trabajo sirve como base para futuras investigaciones en analítica visual consciente de la ontología y la IA explicable en biomedicina.