AutoSchema: Live Schema Grounding for Agentic Text-to-Sparql over Heterogeneous Knowledge Graphs

科学のインターネットを、あらゆる本が異なる言語で書かれ、それぞれ独自の分類システムを持ち、さらに他の誰にも理解できない方言を話す司書がいる、巨大で混沌とした図書館だと想像してみてください。これが、ライフサイエンスにおける「知識グラフ（Knowledge Graphs）」の現実です。単一の巨大なデータベースがあるのではなく、科学者たちは遺伝子、疾患、薬物などのために、数千もの専門的な「グラフ」（事実のデジタルマップ）を抱えています。それぞれのグラフは情報の宝庫ですが、それらはすべて異なる構造で構築されています。あるグラフではある薬を「Drug A」と呼び、別のグラフでは「Compound X」と呼ぶかもしれません。また、それらを疾患に結びつける方法も全く異なる場合があります。

「この特定の癌に対してどの薬が効くか？」といった質問をコンピュータに投げるには、自然な英語を、SPARQLと呼ばれる厳格なコンピュータ可読コードに翻訳する必要があります。それはまるで、司書に本を求める際に、正確なデューイ十進分類表の番号、特定の棚のコード、そしてカタログにおける著者の名前の正確な綴りを知っていなければならないようなものです。たった一つの細部でも間違えると、コンピュータは何も返してくれませんでした。長年、解決策としては、質問を開始する前に、人間（あるいは賢いAI）がすべての図書館に対して巨大で完璧な「参照ガイド」を作成することでした。しかし、もし図書館の棚が夜の間に変わってしまったらどうでしょう？あるいは、誰も見たことがない全く新しい図書館だったら？これこそが、この論文が取り組んでいる問題です。つまり、事前のマニュアルを必要とせずに、コンピュータ・エージェントがいかにして、その図書館の中に立ちながら、そのルールを解明できるかという問題です。

この論文は、これらの科学的ライブラリに対する「超スマートで好奇心旺盛な探偵」として機能する、AutoSchemaという新しいフレームワークを紹介しています。AutoSchemaは、人間が静的な「参照ガイド」（著者らがMIEファイルと呼ぶもの）を書くのを待つのではなく、AIエージェントが直接「ライブ」のデータベースへ行き、周囲を覗き見ることを可能にします。エージェントが質問を持つとき、ルールを推測するのではなく、データベース自身にこう問いかけます。「ねえ、あなたの棚の名前は何？この遺伝子の綴りはどうなっている？この薬とあの疾患はどうつながっているの？」このように、質問が行われたまさにその瞬間に、証拠をリアルタイムで収集するのです。

研究者たちは、さまざまな難解な生物医学的質問を用いて、この探偵を従来の手法（事前の参照ガイドに依存する方法）と比較検証しました。その結果、AutoSchemaの方が一般的に正しい答えを見つけるのが得意であることが分かりました。遺伝子や疾患に関するテストにおいて、新手法は従来の方法よりも正確に事実を捉え、ミスも少なかったのです。また、「ツール呼び出し」（データベースに質問を試みる回数）も少なく、ループに陥ることも頻繁には起こりませんでした。著者らは、このアプローチが、参照ガイドがまだ存在しないような、乱雑で不規則、あるいは全く新しいデータベースを扱う際に特に有用であると示唆しています。しかし、結果は有望であるものの、「ブリッジ（架け橋）」機能（2つの異なるライブラリを接続する機能）は彼らのテストではあまり使用されず、あらゆるシナリオで完璧に機能することを確信するにはさらなる実験が必要であることにも注意を促しています。

要約すると、この論文は、静的で事前に書かれた、誤っていたり古くなったりしている可能性のある地図に頼るのではなく、AIエージェントにその領域をライブで探索させるべきだと主張しています。質問を実際の現在のデータベースの状態に基づかせることで、エージェントは複雑で変化し続けるライフサイエンスのデータの風景を、より正確かつ効率的にナビゲートできるのです。これは、「地図を暗記すること」から「歩きながら地形を学ぶこと」への転換なのです。