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

Het menselijk lichaam is een uitgestrekt, onderling verbonden netwerk waarbij een probleem in één gebied een rimpeleffect kan hebben dat verre systemen beïnvloedt. Jarenlang hebben wetenschappers vermoed dat de langdurige effecten van het SARS-CoV-2-virus, bekend als long COVID, meer zouden kunnen doen dan alleen vermoeidheid of ademhalingsproblemen veroorzaken; ze zouden ook de achteruitgang van de hersenen kunnen versnellen, wat bijdraagt aan aandoeningen zoals de ziekte van Alzheimer of Parkinson. Om deze complexe verbanden te onderzoeken, bouwen onderzoekers enorme digitale kaarten die kennisgrafen worden genoemd. Stel je een gigantisch web voor waarbij elke knoop een stukje biologische informatie is—een gen, een eiwit, een symptoom of een ziekte—en elke lijn die hen verbindt een bekend verband vertegenwoordigt. Deze kaarten bevatten de sleutel tot het begrijpen van hoe een virus een kettingreactie kan triggeren die leidt tot neurodegeneratie. Echter, voor de meeste artsen en biologen zijn deze kaarten vergrendeld achter een hoge muur van technische taal. Om een vraag aan de kaart te stellen, moet een gebruiker een specifieke, complexe code schrijven die Cypher wordt genoemd, een vaardigheid die gespecialiseerde training vereist en vaak te moeilijk is voor de mensen die de antwoorden het hardst nodig hebben.

Een team van onderzoekers aan het Fraunhofer Instituut voor Algoritmen en Wetenschappelijke Computerwetenschappen in Duitsland heeft een nieuwe tool ontwikkeld die is ontworpen om die muur af te breken. Ze creëerden een interactief systeem genaamd CGEx, dat fungeert als een vertaler tussen menselijke nieuwsgierigheid en deze complexe digitale kaarten. In plaats van onderzoekers te dwingen een nieuwe programmeertaal te leren, stelt het systeem hen in staat om simpelweg een vraag in gewone menselijke taal te typen, zoals: "Hoe beïnvloedt het virus het zenuwstelsel?". De software neemt die vraag vervolgens, begrijpt de structuur van de specifieke kaart die wordt gebruikt, en schrijft automatisch de juiste code om het antwoord te vinden. Vervolgens voert het die code uit, verzamelt de resultaten en vertaalt de ruwe gegevens terug naar een heldere, gedetailleerde uitleg. De onderzoekers testten dit systeem op twee verschillende, enorme kaarten met duizenden verbindingen tussen COVID-19 en neurodegeneratieve ziekten. Ze ontdekten dat het systeem erin slaagde de juiste code te genereren en accurate antwoorden te bieden voor een aanzienlijk deel van de gestelde vragen, zelfs wanneer de vragen een pad door meerdere stappen van biologische relaties vereisten, hoewel de prestaties varieerden afhankelijk van de specifieke kaart en systeemversie.

De kern van dit werk is een systeem dat leert en zich aanpast terwijl het werkt. Wanneer een gebruiker een vraag stelt, kijkt de software eerst naar de specifieke kaart om te begrijpen welke soorten gegevens deze bevat, vergelijkbaar met een bibliothecaris die de catalogus controleert voordat hij een boek zoekt. Vervolgens gebruikt het een krachtig taalmodel om een query te construeren, maar het gokt niet blindelings. Het systeem wordt geleid door strikte regels en voorbeelden die het leren hoe het de specifieke eigenaardigheden van de biologische data moet afhandelen, zoals het weten dat "neurodegeneratie" en "zenuwstelsel" in verschillende delen van de kaart naar hetzelfde concept kunnen verwijzen. Als het systeem vastloopt of een resultaat produceert dat geen zin heeft, kan het de gebruiker om feedback vragen. Als een gebruiker een resultaat goedkeurt, slaat het systeem dit succes op als een les voor de toekomst; als de gebruiker het afwijst, probeert het systeem het opnieuw, waarbij het de feedback gebruikt om de aanpak te verfijnen. Dit creëert een cyclus waarbij de tool slimmer en nauwkeuriger wordt bij elke interactie.

De onderzoekers evalueerden hun systeem met tweeënvijftig zorgvuldig samengestelde vragen die een breed scala aan biologische scenario's bestreken, van eenvoudige verbindingen tot complexe, meerstaps redeneringen. Ze vergeleken de prestaties van hun originele systeem met een geüpgradede versie die gebruikmaakt van een geavanceerder taalmodel. De resultaten toonden een significante verbetering in nauwkeurigheid. Het originele systeem was in staat om correcte antwoorden te genereren voor ongeveer 83 procent van de vragen op de ene kaart en ongeveer 56 procent op de andere. De geüpgradede versie behaalde echter een succespercentage van 94 procent op de eerste kaart en 83 procent op de tweede. Deze sprong in prestaties toont aan dat het systeem niet slechts een eenvoudige vertaler is, maar een robuuste tool die in staat is om met de rommelige, inconsistente aard van echte biologische data om te gaan.

Een van de belangrijkste bevindingen is hoe het systeem omgaat met de hiaten en inconsistenties die bestaan in wetenschappelijke data. Biologische kennis wordt vaak op verschillende manieren opgeslagen in verschillende databases, en soms is de informatie die een onderzoeker nodig heeft er simpelweg niet. De onderzoekers ontdekten dat hun systeem deze uitdagingen kon navigeren door te zoeken naar alternatieve paden of synoniemen. Bijvoorbeeld, wanneer gevraagd werd naar therapieën die een specifiek eiwit targeten, leerde het systeem bijvoorbeeld te zoeken naar woorden als "inhibitor", "blocker" of "antagonist" als het exacte woord "therapie" ontbrak in de kaart. In gevallen waar de data werkelijk ontbrak, probeerde het systeem niet simpelweg de eigen trainingskennis te gebruiken om een antwoord te fabriceren; in plaats daarvan identificeerde het de waarschijnlijke oorzaak van de mislukking, zoals ontbrekende knopen of afwezige tussenliggende relaties, waardoor het hiaten in de kennisgrafiek effectief blootlegde terwijl het nog steeds inzichten bood die geworteld waren in zowel de opgehaalde bewijslast als een breder klinisch begrip.

De studie benadrukte ook de waarde van het gescheiden houden van verschillende kaarten, in plaats van te proberen ze samen te voegen tot één gigantische, uniforme database. De onderzoekers ontdekten dat hun systeem twee verschillende kaarten gelijktijdig kon bevragen, waarbij de sterke punten van de ene de zwaktes van de andere invullen. Deze aanpak bleek praktischer en flexibeler dan de traditionele methode om alle data in een enkele, rigide structuur te dwingen. Door het systeem toegang te geven tot diverse bronnen van bewijs, konden de onderzoekers verbindingen blootleggen die mogelijk gemist zouden zijn als de data in één enkel formaat zou zijn gedwongen. Het systeem slaagde erin complexe paden te traceren, zoals hoe een virus de hersenen kan binnendringen, ontsteking kan triggeren en uiteindelijk kan leiden tot cognitieve achteruitgang, waarbij het een visuele en tekstuele uitleg gaf van deze mechanismen.

Uiteindelijk vertegenwoordigt dit werk een verschuiving in de manier waarop wetenschappers met hun data omgaan. Het beweegt weg van het idee dat alleen experts in de computerwetenschappen de geheimen van biologische netwerken kunnen ontsluiten. Door de technische barrière van het schrijven van code weg te nemen, opent het systeem de deur voor clinici, biologen en andere onderzoekers om complexe hypothesen direct te verkennen. De tool vervangt niet de noodzaak voor menselijk oordeel; het fungeert eerder als een krachtige assistent die het zware werk van gegevensretrieval afhandelt, waardoor experts zich kunnen concentreren op het interpreteren van de resultaten en het genereren van nieuwe ideeën. De onderzoekers concluderen dat deze aanpak een praktische en schaalbare manier biedt om de verbanden tussen infectieziekten en langetermijngezondheidstoestanden te verkennen, wat potentieel kan leiden tot nieuwe inzichten in hoe neurodegeneratieve ziekten te voorkomen of te behandelen in de post-pandemische wereld.