Open Biomedical Knowledge Graphs at Scale: Construction, Federation, and AI Agent Access with Samyama Graph Database

Cet article présente la construction et la fédération de deux graphes de connaissances biomédicaux à grande échelle, basés sur la base de données Samyama, qui permettent une interrogation unifiée par des agents IA via le protocole MCP pour surmonter la fragmentation des données biologiques.

L'essentiel

🧠 Le Problème : Une Ville de Bibliothèques Fermées

Imaginez que le savoir médical (les médicaments, les gènes, les maladies) est dispersé dans des dizaines de bibliothèques différentes.

• Une bibliothèque contient les recettes de la cuisine (les voies biologiques).
• Une autre contient les annuaires des médicaments (ClinicalTrials.gov).
• Une troisième liste les interactions entre les protéines (STRING).

Le problème ? Chaque bibliothèque a sa propre langue, ses propres étiquettes et ses propres règles. Si un chercheur veut savoir "Quel médicament pour le cancer du sein touche quelle voie biologique ?", il doit courir de bibliothèque en bibliothèque, copier des papiers à la main, et essayer de les assembler. C'est lent, ennuyeux et plein d'erreurs.

🛠️ La Solution : Deux Super-Bibliothèques et un Traducteur Magique

Les auteurs (Madhulatha et Sandeep) ont construit deux énormes bibliothèques numériques, appelées Graphes de Connaissance, en utilisant un moteur ultra-rapide appelé Samyama.

1. Les Deux Bibliothèques (Les Graphes)

Ils ont nettoyé et organisé les données pour créer deux livres géants :

• Le Livre des Voies (Pathways KG) : Il contient environ 118 000 pages (nœuds) décrivant comment les protéines travaillent ensemble dans le corps.
• Le Livre des Essais Cliniques (Clinical Trials KG) : C'est une encyclopédie massive avec 7,8 millions de pages qui recense tous les essais de médicaments, les maladies et les patients.

L'analogie : Imaginez que vous avez deux Lego géants. L'un est un château (les voies biologiques), l'autre est une ville (les essais cliniques). Avant, ils étaient dans des boîtes séparées. Maintenant, ils sont sur la même table.

2. La Fédération : Relier les Boîtes sans tout mélanger

La grande innovation, c'est qu'ils n'ont pas fondu les deux livres en un seul gros pavé illisible. Au lieu de cela, ils les ont chargés dans le même système mais ont laissé les pages distinctes.

Comment font-ils le lien ? Grâce à des ponts invisibles.

• Si le "Livre des Essais" parle d'un médicament nommé "Herceptin" qui cible une protéine "HER2"...
• Et que le "Livre des Voies" explique comment "HER2" fonctionne...
• Le système crée un pont automatique entre les deux.

Le résultat : Vous pouvez poser une question qui traverse les deux livres en une fraction de seconde : "Quelles voies biologiques sont perturbées par les médicaments en phase 3 pour le cancer du sein ?"
Le système saute du livre des essais au livre des voies, trouve la réponse, et vous la donne en 2,1 secondes. C'est comme si vous demandiez à un bibliothécaire de courir dans deux bâtiments différents et de revenir avec le bon livre instantanément.

3. L'Intelligence Artificielle : Le Traducteur Magique (MCP)

C'est la partie la plus "futuriste". Habituellement, pour interroger ces bases de données, il faut être un expert en code informatique (savoir écrire du langage Cypher).

Les auteurs ont créé un traducteur automatique (appelé serveur MCP).

• Avant : Vous deviez apprendre le code pour demander : "Trouve-moi les protéines liées à X".
• Maintenant : Vous pouvez parler à une intelligence artificielle (comme un chatbot) en langage naturel : "Dis-moi quels médicaments touchent les gènes du cancer du sein."
• Le traducteur comprend votre phrase, regarde la structure des bibliothèques, écrit le code pour vous, pose la question, et vous donne la réponse.

C'est comme si vous aviez un concierge dans une grande bibliothèque qui connaît par cœur tous les rayonnages et qui peut aller chercher n'importe quel livre pour vous, juste en écoutant votre demande.

🚀 Pourquoi c'est impressionnant ?

1. Vitesse : Tout cela tourne sur un ordinateur portable standard (un Mac Mini), pas sur un supercalculateur.
2. Ouverture : Tout est gratuit. Les données, le code pour construire les bibliothèques, et le traducteur sont disponibles pour tout le monde.
3. Flexibilité : Cette méthode fonctionne pour n'importe quel domaine. Si demain vous voulez relier des données sur le cricket et l'industrie, vous pouvez utiliser la même recette !

En Résumé

Les auteurs ont pris des données médicales éparpillées et chaotiques, les ont transformées en deux cartes géantes et connectées, et ont ajouté un assistant vocal intelligent pour que n'importe qui puisse poser des questions complexes sur la santé sans avoir besoin d'être un expert en informatique. C'est une clé pour accélérer la découverte de nouveaux traitements.

Résumé technique

1. Problématique

La connaissance biomédicale est actuellement fragmentée dans de nombreuses bases de données en silos (Reactome, STRING, Gene Ontology, ClinicalTrials.gov, etc.), chacune possédant ses propres schémas, identifiants et formats d'accès incompatibles (TSV, XML, JSON, OBO).

• Défis actuels : Les chercheurs doivent télécharger manuellement des fichiers plats et écrire des scripts sur mesure pour croiser ces données. Ce processus est lent, sujet aux erreurs et difficilement reproductible.
• Limites des approches précédentes : Des projets antérieurs comme Bio2RDF (nécessitant une infrastructure SPARQL complexe), Hetionet (jeu de données statique sans pipeline de mise à jour) ou le Clinical Knowledge Graph (ciblant une seule source) ne résolvent pas entièrement les problèmes de scalabilité, de mise à jour dynamique et d'intégration fluide pour l'IA.

2. Méthodologie

Les auteurs proposent une approche basée sur Samyama, une base de données graphes haute performance écrite en Rust, pour construire et fédérer deux graphes de connaissances (KG) ouverts.

A. Construction des Graphes (Pattern ETL Reproductible)

Deux graphes distincts sont construits à partir de sources de données à licence ouverte :

1. Pathways KG : Intègre 5 sources (Reactome, STRING, Gene Ontology, WikiPathways, UniProt) pour modéliser la biologie moléculaire.
   • Taille : 118 686 nœuds, 834 785 arêtes.
2. Clinical Trials KG : Intègre 5 sources (ClinicalTrials.gov, MeSH, RxNorm, OpenFDA, PubMed) pour modéliser la médecine translationnelle.
   • Taille : 7,77 millions de nœuds, 26,97 millions d'arêtes.

Le pipeline ETL (Extract-Transform-Load) suit cinq phases :

1. Téléchargement : Récupération des fichiers avec reprise sur erreur.
2. Analyse et Filtrage : Extraction des entités, filtrage sur l'organisme humain (ID 9606).
3. Déduplication : Utilisation d'un registre partagé pour éviter la création de doublons lors du chargement.
4. Chargement par lots : Utilisation d'instructions Cypher par lots via l'API HTTP de Samyama.
5. Export de Snapshot : Génération de fichiers .sgsnap (JSON-lignes compressés en gzip) pour un déploiement instantané.

B. Fédération Cross-KG

Au lieu de fusionner les données lors du chargement (ETL), les auteurs utilisent une fédération par propriétés :

• Les deux snapshots sont chargés dans un seul "locataire" (tenant) de la base de données Samyama.
• Les entités communes (Protéines via UniProt, Médicaments via DrugBank, Gènes via NCBI) sont liées dynamiquement via des requêtes basées sur la propriété (ex: WHERE prot1.uniprot_id = prot2.uniprot_id).
• Cela permet de répondre à des questions transversales, comme : « Quelles voies biologiques sont perturbées par des médicaments actuellement en essais de phase 3 pour le cancer du sein ? ».

C. Accès par Agents IA (MCP)

L'article introduit la génération de serveurs MCP (Model Context Protocol) pilotée par le schéma :

• Le serveur MCP découvre automatiquement le schéma du graphe en cours d'exécution.
• Il génère des outils typés (fonctions) pour chaque label de nœud et type d'arête.
• Les agents LLM peuvent interroger le graphe en langage naturel sans nécessiter de définition d'outils manuelle.

3. Contributions Clés

1. Construction reproductible à grande échelle : Un modèle ETL standardisé pour créer des graphes biomédicaux massifs à partir de sources hétérogènes, avec export de snapshots portables.
2. Fédération sans fusion (Property-based Federation) : Démonstration de la capacité à joindre deux graphes distincts en temps réel via des identifiants communs, permettant des requêtes transversales complexes (6 sauts) sans fusion préalable des données.
3. Intégration IA native : Un système de génération automatique d'outils MCP permettant aux agents de langage naturel d'interroger les graphes biomédicaux de manière fluide.
4. Open Source : Tous les codes, snapshots, pipelines ETL et configurations MCP sont disponibles publiquement sous licence Apache 2.0.

4. Résultats et Performances

Les tests ont été réalisés sur du matériel grand public (Mac Mini M4, 16 Go de RAM).

• Performance d'importation :
  • Le graphe Pathways (119k nœuds) s'importe en 1 seconde.
  • Le graphe Clinical Trials (7,8M nœuds) s'importe en 72 secondes.
  • Le graphe fédéré complet (7,89M nœuds, 27,8M arêtes) est chargé en 76 secondes au total.
• Performance de requête :
  • La requête signature fédérée (6 sauts : Essai Clinique → Condition → Intervention → Médicament → Protéine → Voie) s'exécute en 2,1 secondes.
  • Les requêtes sur un seul graphe s'exécutent généralement en moins de 1,5 seconde.
• Validité biologique : La requête fédérée a retourné des résultats validés biologiquement, identifiant des voies clés comme la transduction du signal, le système immunitaire et le cycle cellulaire, en lien avec des médicaments connus (Trastuzumab, Palbociclib, etc.).

5. Signification et Impact

Ce travail démontre qu'il est possible de construire et d'interroger des graphes de connaissances biomédicaux massifs et fédérés sur du matériel standard, rendant la recherche translationnelle plus accessible.

• Pour la recherche : Il élimine la barrière technique de l'intégration manuelle de données, permettant des hypothèses complexes (ex: lien entre essais cliniques et mécanismes moléculaires) en quelques secondes.
• Pour l'IA : Il ouvre la voie à des agents IA capables de naviguer dans des bases de connaissances complexes sans programmation manuelle, grâce à l'approche MCP pilotée par le schéma.
• Généralisabilité : Le modèle de fédération par snapshots et propriétés n'est pas limité à la biomédecine et peut s'appliquer à d'autres domaines partageant des identifiants communs (ex: sport, opérations industrielles).

En résumé, cette étude propose une architecture robuste, rapide et open-source pour transformer des données biomédicales fragmentées en une ressource unifiée, interrogeable par des humains et des agents intelligents.