Resumo Técnico: MultiCNKG – Integrando Grafos de Conhecimento de Neurociência Cognitiva, Genes e Doenças Usando Grandes Modelos de Linguagem

Declaração do Problema

A integração de dados biomédicos e cognitivos enfrenta desafios significativos devido à fragmentação do conhecimento em distintos domínios: mecanismos genéticos (Ontologia de Genes), transtornos neurológicos (Ontologia de Doenças) e processos cognitivos (Grafo de Conhecimento de Neurociência Cognitiva). Métodos tradicionais de aprendizado de máquina, particularmente aqueles que dependem de embeddings superficiais como Bag-of-Words ou Word2Vec, têm dificuldade em capturar a natureza polissêmica dos termos biomédicos e os vínculos semânticos profundos necessários para conectar dados moleculares a resultados comportamentais. Além disso, os Grafos de Conhecimento (KGs) existentes frequentemente carecem da estrutura coesa necessária para rastrear vias desde genes até doenças e funções cognitivas. O artigo postula que os Grandes Modelos de Linguagem (LLMs), com seu extenso conhecimento pré-treinado e capacidades sensíveis ao contexto, oferecem uma solução para superar as limitações semânticas das Redes Neurais de Grafos (GNNs) tradicionais e facilitar a integração dessas fontes de dados díspares.

Metodologia

Os autores propõem o MultiCNKG, um framework projetado para fundir três fontes distintas de conhecimento em um único grafo de múltiplas camadas. A metodologia procede através de quatro estágios primários:

1. Coleta e Pré-processamento de Dados:

   • Fontes: O framework integra o Grafo de Conhecimento de Neurociência Cognitiva (CNKG), a Ontologia de Genes (GO) e a Ontologia de Doenças (DO).
   • Pré-processamento: As descrições textuais brutas das entidades são tokenizadas e normalizadas. LLMs (especificamente GPT-4 e BioGPT) são utilizados para mapear entidades com múltiplas formas (ex: "doença de Alzheimer" vs. "AD") para formas canônicas usando similaridade de embedding. A remoção de ruído é realizada via filtragem baseada em limiar de escores de similaridade.

2. Representação do Grafo de Conhecimento:

   • O grafo integrado é modelado como um multigrafo direcionado $G = (V, E, R)$, onde os nós representam genes, doenças e conceitos cognitivos, e as arestas representam relações como "causa", "associado a" e "regula".
   • A estrutura é codificada usando matrizes de adjacência e triplas de conhecimento $(h, r, t)$.

3. Alinhamento e Integração de Grafos:

   • Alinhamento de Nós: Os nós dos três grafos de origem são fundidos se sua similaridade de embedding exceder um limiar $\tau$ predefinido.
   • Alinhamento de Arestas: Relações equivalentes (ex: "causa" vs. "induz") são unificadas através de comparação semântica baseada em LLM.
   • Atualização de Adjacência: A matriz de adjacência final combina as matrizes de origem mais uma matriz delta ($\Delta A$) representando relações recém-descobertas.

4. Expansão de Grafo usando LLMs:

   • Predição de Relação: LLMs estimam a probabilidade de novas relações entre nós ($P(r_{new}|h, t)$). Se a probabilidade exceder um limiar, a relação é adicionada.
   • Expansão Iterativa: O grafo evolui iterativamente, com novas entidades e arestas descobertas ($\Delta G$) sendo adicionadas à estrutura existente.
   • Validação: Novas relações recebem escores de confiança e são validadas via bases de dados externas ou revisão manual por especialistas do domínio. Relações com confiança abaixo de um limiar são removidas.

Principais Contribuições

• Framework MultiCNKG: O desenvolvimento de um novo framework que integra com sucesso o CNKG, GO e DO em um único grafo coeso contendo 6,9K nós e 11,3K arestas.
• Integração Impulsionada por LLM: A aplicação de LLMs (GPT-4) não apenas para processamento de texto, mas para operações críticas de grafos, incluindo alinhamento de entidades, computação de similaridade semântica e a descoberta de conexões inéditas e anteriormente não descobertas entre domínios genéticos, de doenças e cognitivos.
• Arquitetura de Múltiplas Camadas: A criação de um grafo que vincula explicitamente três camadas: a Camada Genética (GO), a Camada de Doenças (DO) e a Camada de Neurociência Cognitiva (CNKG), permitindo uma visão holística de mecanismos moleculares a construtos comportamentais.
• Avaliação Abrangente: Uma avaliação rigorosa do grafo integrado usando métricas tradicionais (Precisão, Recall, F1-Score) e métricas especializadas de KG (Consistência de Grafo, Detecção de Novidade, Validação de Especialistas), juntamente com benchmarks de predição de links.

Resultados

O desempenho do MultiCNKG foi avaliado contra seus componentes de origem e benchmarks padrão:

• Métricas de Integração:

  • Precisão: 85,20%
  • Recall: 87,30%
  • Cobertura: 92,18% (indicando transferência bem-sucedida de dados dos grafos de origem)
  • Consistência do Grafo: 82,50%
  • Validação de Especialistas: 89,50% (confirmando a plausibilidade biológica e cognitiva das novas arestas)
  • Detecção de Novidade: 40,28% (representando a proporção de arestas descobertas pelo LLM que não estavam nos grafos originais).
  • Comparação: O MultiCNKG demonstrou melhoria no recall e na cobertura em comparação com os grafos de origem individuais (GO, DO, CNKG), embora a precisão tenha sido ligeiramente inferior à do GO isolado, provavelmente devido à inclusão de conexões novas e menos certas.

• Predição de Links:

  • O grafo foi testado usando modelos como TransE e RotatE.
  • TransE: Mean Rank (MR) de 391, Mean Reciprocal Rank (MRR) de 0,411.
  • RotatE: MR de 263, MRR de 0,395.
  • Estes resultados mostram um desempenho competitivo contra benchmarks padrão como FB15k-237 e WN18RR, validando a integridade estrutural e a capacidade preditiva do grafo.

Significância e Alegações

O artigo afirma que o MultiCNKG representa um avanço significativo na integração de conhecimento biomédico ao alavancar a profundidade semântica dos LLMs para preencher lacunas entre genética molecular, transtornos neurológicos e funções cognitivas.

• Utilidade Científica: O framework facilita uma visão de múltiplas camadas que permite aos pesquisadores rastrear vias de genes para doenças e processos cognitivos, apoiando aplicações em medicina personalizada, diagnósticos de transtornos cognitivos e formulação de hipóteses.
• Mudança Metodológica: O estudo demonstra que os LLMs podem compensar efetivamente as deficiências contextuais e semânticas dos pipelines tradicionais de GNN, particularmente em tarefas que exigem raciocínio de estrutura de grafo implícita e inferência de múltiplos saltos (multi-hop).
• Potencial Futuro: Ao reconhecer desafios relacionados à escalabilidade e à dependência de modelos proprietários (GPT-4), os autores postulam que o MultiCNKG estabelece uma base para pesquisa interdisciplinar. Eles sugerem que trabalhos futuros poderiam envolver a integração de outras ontologias (ex: DrugBank) e o uso de LLMs de código aberto para aumentar a transparência e apoiar o reposicionamento de fármacos e a detecção precoce de transtornos cognitivos.