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

Le corps humain est un réseau vaste et interconnecté où un problème dans une zone peut se propager pour affecter des systèmes distants. Pendant des années, les scientifiques ont soupçonné que les effets persistants du virus SARS-CoV-2, connus sous le nom de COVID longue, pourraient faire plus que simplement causer de la fatigue ou des problèmes respiratoires ; ils pourraient également accélérer le déclin du cerveau, contribuns à des conditions comme la maladie d'Alzheimer ou la maladie de Parkinson. Pour étudier ces connexions complexes, les chercheurs construisent de vastes cartes numériques appelées graphes de connaissances. Imaginez une toile géante où chaque nœud est une information biologique — un gène, une protéine, un symptôme ou une maladie — et chaque ligne les reliant représente une relation connue. Ces cartes détiennent la clé pour comprendre comment un virus pourrait déclencher une réaction en chaîne menant à la neurodégénérescence. Cependant, pour la plupart des médecins et des biologistes, ces cartes sont verrouillées derrière un mur élevé de langage technique. Pour poser une question à la carte, un utilisateur doit écrire un code spécifique et complexe appelé Cypher, une compétence qui nécessite une formation spécialisée et qui est souvent trop difficile pour les personnes mêmes qui ont le plus besoin des réponses.

Une équipe de chercheurs de l'Institut Fraunhofer pour l'algorithmique et le calcul scientifique en Allemagne a construit un nouvel outil conçu pour abattre ce mur. Ils ont créé un système interactif appelé CGEx, qui agit comme un traducteur entre la curiosité humaine et ces cartes numériques complexes. Au lieu de forcer les chercheurs à apprendre un nouveau langage de programmation, le système leur permet de simplement taper une question en langage clair, telle que « Comment le virus affecte-t-il le système nerveux ? ». Le logiciel prend ensuite cette question, comprend la structure de la carte spécifique utilisée, et écrit automatiquement le code correct pour trouver la réponse. Il exécute ensuite ce code, rassemble les résultats, et traduit les données brutes en une explication claire et détaillée. Les chercheurs ont testé ce système sur deux cartes différentes et massives contenant des milliers de connexions entre la COVID-19 et les maladies neurodégénératives. Ils ont constaté que le système pouvait générer avec succès le code correct et fournir des réponses précises pour une partie significative des questions posées, même lorsque les questions nécessitaient de retracer un chemin à travers plusieurs étapes de relations biologiques, bien que les performances varient selon la carte et la version du système.

Le cœur de ce travail est un système qui apprend et s'adapte au fil de son fonctionnement. Lorsqu'un utilisateur pose une question, le logiciel examine d'abord la carte spécifique pour comprendre quels types de données elle contient, un peu comme un bibliothécaire consultant le catalogue avant de chercher un livre. Il utilise ensuite un modèle de langage puissant pour construire une requête, mais il ne devine pas aveuglément. Le système est guidé par des règles strictes et des exemples qui lui apprennent à gérer les particularités des données biologiques, comme savoir que « neurodégénérescence » et « système nerveux » peuvent se référer au même concept dans différentes parties de la carte. Si le système est bloqué ou produit un résultat qui n'a pas de sens, il peut demander un retour à l'utilisateur. Si un utilisateur approuve un résultat, le système enregistre ce succès comme une leçon pour l'avenir ; s'il le désapprouve, le système essaie à nouveau, en utilisant le retour pour affiner son approche. Cela crée un cycle où l'outil devient plus intelligent et plus précis à chaque interaction.

Les chercheurs ont évalué leur système à l'aide de cinquante-deux questions soigneusement élaborées qui couvraient un large éventail de scénarios biologiques, allant des connexions simples aux raisonnements complexes à plusieurs étapes. Ils ont comparé les performances de leur système original contre une version améliorée utilisant un modèle de langage plus avancé. Les résultats ont montré une amélioration significative de la précision. Le système original était capable de générer des réponses correctes pour environ 83 % des questions sur une carte et environ 56 % sur l'autre. La version améliorée, cependant, a atteint un taux de réussite de 94 % sur la première carte et de 83 % sur la seconde. Ce bond de performance démontre que le système n'est pas seulement un simple traducteur, mais un outil robuste capable de gérer la nature désordonnée et incohérente des données biologiques réelles.

L'une des découvertes les plus importantes est la manière dont le système gère les lacunes et les incohérences qui existent dans les données scientifiques. La connaissance biologique est souvent stockée de différentes manières à travers diverses bases de données, et parfois, l'information dont un chercheur a besoin n'est tout simplement pas là. Les chercheurs ont constaté que leur système pouvait naviguer dans ces défis en cherchant des chemins alternatifs ou des synonymes. Par exemple, lorsqu'on l'interrogeait sur des thérapies ciblant une protéine spécifique, le système apprenait à chercher des mots comme « inhibiteur », « bloqueur » ou « antagoniste » si le mot exact « thérapie » manquait dans la carte. Dans les cas où les données étaient véritablement absentes, le système ne se contentait pas de mélanger ses propres connaissances d'entraînement pour fabriquer une réponse ; au contraire, il identifiait la cause probable de l'échec, comme des nœuds manquants ou des relations intermédiaires absentes, mettant ainsi en évidence les lacunes du graphe de connaissances tout en offrant des perspectives fondées à la fois sur les preuves récupérées et sur une compréhension clinique plus large.

L'étude a également souligné la valeur de maintenir des cartes différentes séparées plutôt que d'essayer de les fusionner en une seule base de données géante et uniforme. Les chercheurs ont constaté que leur système pouvait interroger deux cartes différentes simultanément, utilisant les forces de l'une pour combler les faiblesses de l'autre. Cette approche s'est avérée plus pratique et flexible que la méthode traditionnelle consistant à forcer toutes les données dans une structure unique et rigide. En permettant au système d'accéder directement à diverses sources de preuves, les chercheurs ont pu découvrir des connexions qui auraient pu être manquées si les données avaient été contraintes à un format unique. Le système a réussi à tracer des voies complexes, telles que la manière dont un virus pourrait pénétrer dans le cerveau, déclencher une inflammation et finalement mener à un déclin cognitif, en fournissant une explication visuelle et textuelle de ces mécanismes.

En fin de compte, ce travail représente un changement dans la manière dont les scientifiques interagissent avec leurs données. Il s'éloigne de l'idée que seuls les experts en informatique peuvent déverrouiller les secrets des réseaux biologiques. En supprimant la barrière technique de l'écriture de code, le système ouvre la porte aux cliniciens, aux biologistes et à d'autres chercheurs pour explorer des hypothèses complexes directement. L'outil ne remplace pas le besoin de jugement humain ; il agit plutôt comme un assistant puissant qui gère le travail lourd de récupération des données, permettant aux experts de se concentrer sur l'interprétation des résultats et la génération de nouvelles idées. Les chercheurs concluent que cette approche offre une manière pratique et évolutive d'explorer les liens entre les maladies infectieuses et les conditions de santé à long terme, ce qui pourrait mener à de nouvelles perspectives sur la façon de prévenir ou de traiter les maladies neurodégénératives dans le monde post-pandémique.