Sintesi Tecnica: DeepRoot – Un Sistema Multi-Agente Coordinato da KG per il Ragionamento Terapeutico su Testi Medici Storici

Problema

Gli archivi medici storici e le medicine tradizionali rappresentano una risorsa vasta e sottoutilizzata per la scoperta di farmaci, avendo fornito la base per farmaci principali come la morfina e l'artemisinina. Tuttavia, convertire questi testi in prosa pre-ontologica in lead verificabili per i moderni pipeline biomedici è ostacolato da tassonomie idiosincratiche e dalla mancanza di meccanismi standardizzati. I sistemi esistenti di agenti LLM (Large Language Model) — siano essi basati su tool-calling, retrieval-augmented o ricerca profonda agentica — non riescono a scalare la conversione di tali testi in lead verificabili per la scoperta di farmaci. Spesso mancano di una traccia di ragionamento fondata su prove biologiche verificate, portando ad alti tassi di allucinazione quando tentano di collegare le rivendicazioni storiche con i meccanismi moderni.

Metodologia: Il Sistema DeepRoot

DeepRoot è una pipeline multi-agente LLM progettata per costruire e utilizzare congiuntamente un Knowledge Graph (KG) verificato per eseguire il ragionamento terapeutico. Il sistema è diviso in due fasi primarie: Assembly (Assemblaggio) e Discovery (Scoperta), operando su un grafo Neo4j.

1. Costruzione del Knowledge Graph (DeepRoot Assembly)

La fase di Assembly impiega sette agenti specializzati per popolare il KG partendo dal testo grezzo (nello specifico, lo Shen Nong Ben Cao Jing), garantendo una rigorosa verifica rispetto a database biomedici curati.

• Estrazione & Audit: Un Agente di Estrazione emette nodi per Fonti, Malattie Tradizionali e metodi di Preparazione. Un Agente Auditor canonicalizza le fonti (ad esempio, risolvendo i binomi latini) e verifica gli intervalli di evidenza rispetto al testo sorgente per prevenire citazioni allucinate.
• Grounding & Linking: Tre agenti di collegamento (linker) ancorano le entità auditate ai concetti biomedici moderni:
  • Source-to-Compound: Collega le fonti a composti chimici utilizzando COCONUT 2.0 e PubChem.
  • Compound-to-Target: Collega i composti a target molecolari utilizzando ChEMBL.
  • Target-to-Disease: Collega i target a malattie moderne utilizzando Open Targets, NCBI Taxonomy e OLS4.
• Mapping: Un Malady-to-Disease Mapper utilizza un protocollo "genera-e-verifica". L'LLM propone nomi canonici, ma i codici ontologici (ICD-10, MeSH, SNOMED) vengono recuperati solo tramite corrispondenze esatte tolleranti contro servizi esterni, eliminando identificatori allucinati.
• Schema: Il grafo risultante contiene sei tipi di nodi (Fonte, Malattia Tradizionale, Malattia Moderna, Composto Chimico, Target Biologico, Metodo di Preparazione) e sette tipi di archi. Una rivendicazione terapeutica è considerata "meccanicamente chiusa" quando esiste un ciclo: Fonte → Composto → Target → Malattia Moderna, dove la Fonte anche TRATTA TRADIZIONALMENTE una Malattia Tradizionale che MAPPA IN la Malattia Moderna.

2. Ragionamento Terapeutico (DeepRoot Discovery)

La fase di Discovery sfrutta il KG costruito per valutare le rivendicazioni e nominare i candidati.

• Agente Critic: Valuta le rivendicazioni Source–Malady storiche attraversando il grafo per trovare cicli meccanicistici. Valuta la plausibilità in base a livelli di fiducia dei percorsi (T1–T4) e tipi di evidenza degli archi.
• Agente Discovery: Nomina nuovi candidati composti per un target di Malattia Moderna camminando nel grafo all'indietro (Malattia ← Malattia ← Fonte ← Composto) e in avanti (Composto → Target → Malattia) per valutare la plausibilità meccanicistica.
• Logica di Scoring: I percorsi sono classificati lessicograficamente in base al loro "anello debole" (tier/bucket) e poi per il prodotto moltiplicativo delle confidenze degli archi. Ciò assicura che una catena sia forte quanto la sua componente meno verificata.

Contributi Chiave

1. Separazione di Grounding e Ragionamento: Il paper dimostra che l'ancoraggio (recupero di fatti verificati) e il ragionamento (sintesi di tali fatti) sono assi separabili. DeepRoot li compone utilizzando un KG verificato per il grounding e un LLM per il ragionamento, superando i sistemi che confondono i due.
2. Costruzione del KG Agentica: A differenza dei precedenti approcci Graph-RAG che si affidano alla supervisione di esperti o alla pura generazione LLM, DeepRoot utilizza un processo di assemblaggio agentico con una verifica rigorosa e deterministica contro database esterni (COCONUT, PubChem, ChEMBL, Open Targets) per costruire un grafo ad alta fedeltà.
3. Soppressione delle Allucinazioni: Il sistema dimostra che la costruzione di un KG verificato a priori sopprime le allucinazioni in modo più efficace rispetto al tool-calling on-demand durante l'inferenza.

Risultati

Il sistema è stato valutato sul corpus Shen Nong Ben Cao Jing (71 chunk) attraverso diversi benchmark:

• Recupero su Dati Tenuti in Aspetto (Held-Out Recovery): In un compito di ridiscovery cieca, DeepRoot ha recuperato 10 coppie su 21 composti–malattia tenute in aspetto a Recall@20 (47,6%). Questo ha superato significativamente la baseline LLM sul corpus grezzo (4,8%) e il caso casuale (~2,4%).
• Recupero Meccanicistico: DeepRoot Discovery ha ottenuto un ricordo della fonte (source recall) 1,95 volte superiore e un ricordo del composto (compound recall) 6,11 volte superiore rispetto a una baseline LLM quando classificava i candidati da testi storici rumorosi.
• Audit della Qualità del Ragionamento: Un giudice LLM indipendente (Claude Sonnet 4.6) ha valutato la qualità del ragionamento attraverso sei dimensioni. DeepRoot (KG + LLM) ha ottenuto i punteggi complessivi più alti (3,70–3,83) e i tassi di allucinazione più bassi (7–10%).
  • Baseline Tool-Calling: Gli LLM con accesso diretto alle API degli stessi database hanno allucinato evidenze sull'87% delle rivendicazioni.
  • Baseline Graph-Only: Ha prodotto lo 0% di allucinazioni ma ha ottenuto i punteggi più bassi sulla coerenza del ragionamento (2,69).
  • DeepRoot: Ha occupato il punto di equilibrio ottimale, mantenendo bassi i tassi di allucinazione pur preservando le capacità di sintesi del ragionamento.
• Studi di Ablazione: La rimescolanza (shuffling) degli archi del KG ha dimostrato che la fiducia dell'agente Critic nella plausibilità terapeutica degrada linearmente con la perturbazione degli archi, confermando la reale dipendenza dalla struttura del grafo piuttosto che dai prior dell'LLM.

Significato e Rivendicazioni

Il paper sostiene che DeepRoot fornisca una via per l'estrazione sistematica e il riutilizzo della conoscenza medica storica. Convertendo la prosa pre-ontologica in un grafo di conoscenza biomedica audibile, il sistema consente:

• Ragionamento Terapeutico Meccanicistico: Passare dalla classificazione del testo a meccanismi biologici tracciabili.
• Drug Repurposing Scalabile: Identificare candidati per la nomina de novo e la prioritizzazione di ipotesi di prodotti naturali.
• Efficienza dei Costi: La costruzione del KG è un costo una tantum (~$0,25 per corpus), evitando l'onere ricorrente e i rischi di allucinazione del retrieval on-demand dei database per ogni query.

Gli autori sottolineano che DeepRoot è uno strumento di ricerca per la generazione di ipotesi, non un consiglio medico. Il valore del sistema risiede nella sua capacità di dare priorità ai candidati per il follow-up sperimentale fornendo catene tracciabili e fondate sul meccanismo, dalla rivendicazione storica alla biologia moderna, segnalando esplicitamente i casi in cui il grafo non riesce a chiudere un ciclo o dove l'evidenza è debole.