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

Sintesi Tecnica: BioKG Explorer

Problematica
I grafi di conoscenza biomedica (KG), come PrimeKG, integrano vasti ed eterogenei entità (malattie, farmaci, geni, fenotipi, ecc.) per supportare la generazione di ipotesi traslazionali. Tuttavia, la scala e la complessità di questi grafi (PrimeKG contiene circa 129k nodi e ~4M di relazioni) creano barriere significative all'esplorazione. Gli strumenti esistenti spesso richiedono competenze nei linguaggi di interrogazione (es. Cypher), si affidano a visualizzazioni statiche o mancano di interfacce interattive "no-code" capaci di gestire la scala specifica di PrimeKG. Inoltre, sebbene i Large Language Models (LLM) siano sempre più utilizzati per la spiegazione dei percorsi, le implementazioni attuali trattano tipicamente il grafo come un substrato di recupero silenzioso o offrono solo interfacce basate sulla chat, fallendo nell'integrare le narrazioni generate dagli LLM direttamente con una tela grafica visiva e interattiva. Esiste una lacuna critica negli strumenti open-source che combinino l'esplorazione a scala completa di PrimeKG, la visualizzazione di sottografi incrementali limitati e le spiegazioni di percorso guidate da LLM all'interno di un unico ambiente basato su browser.

Metodologia
BioKG Explorer è un'applicazione web full-stack progettata per colmare queste lacune attraverso un'architettura a tre livelli:

1. Livello Dati (Neo4j): Il sistema ingerisce PrimeKG tramite un workflow riproducibile basato su notebook. Questo processo normalizza i dati CSV grezzi in un grafo a proprietà, preservando i metadati biomedici e le descrizioni testuali. Le relazioni vengono de-duplicate in coppie non dirette e i nodi vengono arricchiti con campi di testo ricercabili e label specifiche di Neo4j (es. Disease, Drug, GeneProtein). L'analisi pre-calcolata, inclusi i gradi dei nodi e i punteggi di similarità delle malattie (basati su geni, pathway e fenotipi condivisi), è memorizzata per facilitare una rapida interazione.
2. Livello Servizi (FastAPI): Un backend basato su Python espone endpoint RESTful per la ricerca nel grafo, l'espansione del vicinato a un salto (one-hop), il calcolo dei top-k percorsi più brevi (utilizzando l'algoritmo di Yen di Neo4j Graph Data Science) e l'analisi specifica per malattia. Gestisce la connessione a Neo4j e restituisce payload JSON contenenti strutture grafiche e metadati.
3. Livello di Presentazione (React/D3.js): Il frontend renderizza una tela SVG interattiva utilizzando D3.js. Supporta l'esplorazione incrementale in cui gli utenti possono fissare (pin) le entità, espandere i vicinati a un salto e manipolare la vista senza ricaricare l'intero grafo. Le codifiche visive mappano i tipi di nodo ai colori e i gradi pre-calcolati alle dimensioni dei nodi.
4. Integrazione LLM Guidata: Una caratteristica unica è il modulo opzionale di spiegazione del percorso. Quando un utente seleziona un percorso breve, il backend costruisce un contesto JSON limitato del sottografo visualizzato. Questo contesto viene inviato a un modello Gemini configurato con prompt di sistema rigorosi che istruiscono l'LLM a riassumere solo i fatti del grafo forniti, evitando esplicitamente la causalità clinica, la diagnosi o i consigli terapeutici. La spiegazione Markdown risultante viene memorizzata nella cache e visualizzata accanto al percorso visivo.

Contributi Chiave
Il documento presenta BioKG Explorer come un contributo di strumenti con quattro successi tecnici primari:

• Workflow di Ingestione: Una pipeline che trasforma PrimeKG in un formato compatibile con Neo4j preservando le etichette semantiche, i tipi di relazione e il testo ricercabile.
• API Specializzata: Un'API REST che supporta operazioni grafiche complesse (ricerca, espansione, percorsi brevi) e analisi centrate sulle malattie (farmaci candidati, malattie simili) senza richiedere all'utente la conoscenza di Cypher.
• Visualizzazione Interattiva: Un'interfaccia basata su browser che presenta layout incrementali stabili, capacità di undo/redo e pannelli di evidenza specifici per malattia (farmaci candidati e punteggi di similarità) che renderizzano sottografi limitati anziché l'intero grafo.
• Workflow di Spiegazione Guidata: Un sistema che integra le narrazioni di percorso generate da LLM direttamente con il grafo visivo, garantendo che la spiegazione sia strettamente ancorata al contesto del sottografo visibile all'utente.

Risultati
Il sistema carica e gestisce con successo l'intera scala di PrimeKG (129.375 nodi e 4.050.249 relazioni de-duplicate). Lo strumento consente agli utenti di:

• Effettuare ricerche full-text per localizzare entità biomediche.
• Espandere incrementalmente i vicinati locali per ispezionare il contesto senza degradazione delle prestazioni.
• Calcolare e visualizzare i top-k percorsi più brevi tra l'entità sorgente e quella target.
• Accedere a pannelli specifici per malattia che elencano farmaci approvati, off-label e controindicati, nonché malattie simili con conteggi di evidenza.
• Generare spiegazioni in linguaggio naturale per i percorsi selezionati che riassumono le evidenze del grafo senza fare affermazioni cliniche.

Significatività e Rivendicazioni
L'autore posiziona BioKG Explorer come un modello di implementazione pratica per l'analisi visiva consapevole delle ontologie. La sua significatività risiede nel colmare due lacune specifiche nell'ecosistema open-source:

1. Fornire uno strumento open-source, no-code e basato su browser capace di esplorazione interattiva alla scala completa di 4 milioni di archi di PrimeKG, distinguendosi dai sistemi esistenti nativi di PrimeKG come TxGNN Explorer, che sono limitati alle predizioni di modelli pre-calcolati piuttosto che al libero attraversamento del grafo.
2. Integrare spiegazioni di percorso narrate da LLM direttamente in una tela grafica interattiva, andando oltre le interfacce di sola chat o la generazione di figure statiche.

Il documento afferma esplicitamente che lo strumento è progettato per la navigazione esplorativa, l'interpretazione e la generazione di ipotesi, non per formulare affermazioni cliniche. Sottolinea che il sistema supporta l'analisi "ancorata al grafo", permettendo ai ricercatori di muoversi fluidamente tra ricerca di entità, ispezione locale e analisi dei percorsi. L'autore riconosce i limiti, notando che lo strumento eredita i bias di PrimeKG, che i percorsi più brevi non implicano causalità e che le spiegazioni dell'LLM sono ausili interpretativi piuttosto che autorità biomediche. Il lavoro serve come fondamento per la ricerca futura nell'analisi visiva consapevole delle ontologie e nell'IA spiegabile in ambito biomedico.