KRAKEN: A provenance-tracked knowledge graph for multiomic and wellness research

현대 생물학의 광활한 풍경 속에서, 과학자들은 세포의 미세한 기계 장치와 인류 건강이라는 더 넓은 그림 사이의 점들을 연결할 방법을 오랫동안 모색해 왔습니다. 수십 년 동안 연구는 질병이 어떻게 발생하는지, 그리고 기존의 약물을 어떻게 재창출하여 질병과 싸울 수 있는지에 중점을 두어 왔습니다. 이러한 접근 방식은 생물학적 관계에 대한 강력한 지도를 구축했지만, 이 지도들은 종종 웰빙의 조용하고 일상적인 측면들을 놓치곤 합니다. 이 지도들은 우리의 대사를 나타내는 상세한 화학적 서명, 우리의 형질에 영향을 미치는 특정 유전적 표식, 그리고 실제 나이에 비해 우리 몸이 얼마나 늙었는지를 정의하는 복잡한 데이터 등을 빈번히 놓칩니다. 웰빙 중심의 이러한 세부 사항들을 포함하는 완전한 그림 없이는, 질병이 있을 때뿐만 아니라 건강한 상태에서 우리의 생물학이 어떻게 기능하는지에 대한 전체 이야기를 보는 것이 여전히 어렵습니다.

KRAKEN이라 불리는 새로운 프로젝트는 질병 연구와 일반적인 웰빙 사이의 간극을 메우는 거대하고 상호 연결된 지도를 구축함으로써 이 격차를 채우고자 합니다. 이 작업을 수행한 연구자들은 기존의 지도들이 치료법을 찾는 데는 탁nel하지만, 인간 전체를 이해하는 데는 불완전하다는 점을 깨달았습니다. 이를 해결하기 위해 그들은 지질을 위한 특화된 데이터베이스, 유전 점수, 표준화된 건강 측정치를 포함한 다양한 출처로부터 정보를 수집하는 시스템을 구축했습니다. 이 새로운 지도는 단순히 사실을 나열하는 데 그치지 않고, 혈액 속의 분자에서부터 DNA 속의 유전 암호에 이르기까지 다양한 유형의 데이터를 가로질러 컴퓨터가 연결 고리를 추적할 수 있는 방식으로 이들을 서로 연결합니다. 그 결과, 이 도구는 연구자와 임상의들이 다양한 건강 및 웰빙 요소들이 어떻게 서로 연관되어 있는지 볼 수 있게 하여, 이전에는 단일한 통합 시스템에서 볼 수 없었던 인간 생물학에 대한 보다 총체적인 관점을 제공합니다.

이 성취의 핵심은 다양한 생물학적 정보의 중앙 허브 역할을 하는 지식 그래프입니다. 연구팀은 여러 기존 대규모 네트워크와 함께 다유전자 점수(polygenic scores) 및 생물학적 연령 측정치와 같은 웰빙에 초점을 맞춘 특화된 출처의 데이터를 결합했습니다. 이 실타래들을 함께 엮음으로써, 그들은 개별 정보 조각을 나타내는 약 1,500만 개의 노드(nodes)와 그들 사이의 관계를 나타내는 약 1억 1,300만 개의 엣지(edges)를 포함하는 구조를 만들어냈습니다. 이 네트워크는 특정 화학 물질과 유전자를 넘어 더 넓은 건강 개념에 이르기까지 62가지의 서로 다른 엔티티(entities) 유형을 다룹니다. 이 방대한 데이터 수집이 공통된 언어를 사용하도록 보장하기 위해, 연구진은 생물학적 데이터를 더 쉽게 공유하고 이해할 수 있도록 하려는 국립보건연구원(NIH)의 광범위한 노력과 일치하는 표준 시맨틱 모델을 사용했습니다.

이 시스템을 특히 유용하게 만드는 것은 그 유연성과 효율성입니다. 연구진은 표준 컴퓨팅 하드웨어에서도 실행될 수 있을 만큼 가벼운 빌드 프로세스를 개발했으며, 이는 정점에서도 48기가바이트 미만의 메모리를 요구합니다. 이러한 설계 덕데 사용자는 전체 그래프를 빠르게 다시 구축하거나, 자신의 특정 관심 분야와 관련된 데이터의 특정 부분만을 선택할 수 있습니다. 과학자가 특정 대사 경로를 연구하든 광범위한 웰빙 트렌드를 살피든, 시스템은 전체 데이터셋을 처리할 필요 없이 해당 도메인에 집중하도록 맞춤화될 수 있습니다. 이러한 모듈성은 이 도구가 정적인, 다루기 힘든 아카이브가 아니라 다양한 연구 질문에 대해 접근 가능하고 실용적인 상태를 유지하도록 보장합니다.

단순히 정보를 저장하는 것을 넘어, KRAEN은 사용자가 데이터를 탐색할 수 있도록 설계된 일련의 도구들을 포함하고 있습니다. 이러한 도구들은 멀티 홉 추론(multi-hop reasoning)을 가능하게 하는데, 이는 시스템이 연결 고리를 따라가서 겉보기에 서로 관련 없어 보이는 두 개념 사이의 간접적인 관계를 찾을 수 있음을 의미합니다. 사용자 또한 텍스트, 벡터 또는 이 둘의 조합을 사용하여 그래프 내에서 특정 엔티티나 패턴을 검색할 수 있습니다. 플랫폼은 특정 데이터 그룹이 우연에 의해 예상되는 것보다 더 자주 함께 나타나는지를 식별하는 데 도움을 주는 농축 분석(enrichment analyses)을 지원합니다. 이 모든 기능은 대화형 웹 인터페이스와 표준 애플리케이션 프로그래밍 인터페이스(API)를 통해 접근 가능하여, 인간 연구자와 자동화된 시스템 모두에게 데이터를 제공합니다.

또한 이 프로젝트는 인공지능 에이전트와 대규모 언어 모델이 그래프와 직접 상호작용할 수 있게 해주는 기능인 모델 컨텍스트 프로토콜(Model Context Protocol) 서버를 도입했습니다. 이 기능은 이러한 고급 시스템이 구조화된 데이터를 소비하고, 특정 데이터셋에 대해 재학습할 필요 없이 복잡한 질문에 답하거나 통찰력을 생성할 수 있게 합니다. 데이터를 이러한 방식으로 공개함으로써, 연구진은 그래프 내에 포함된 웰빙 및 멀티오믹스(multiomic) 정보의 깊이를 활용할 수 있는 새로운 유형의 자동화된 분석에 대한 문을 열고 있습니다. 전체 시스템은 대중에게 무료로 공개되어 있어, 인터넷 연결이 가능한 사람이라면 누구나 이러한 연결 고리를 탐색하고 인류의 건강과 웰빙에 대한 이해를 높이는 데 기여할 수 있습니다.