Open Biomedical Knowledge Graphs at Scale: Construction, Federation, and AI Agent Access with Samyama Graph Database

Este artigo apresenta a construção e federação de dois grandes grafos de conhecimento biomédico abertos (Pathways e Clinical Trials) utilizando o banco de dados Samyama em Rust, demonstrando um padrão de ETL reprodutível e a geração automática de servidores MCP para permitir que agentes de IA acessem e consultem dados federados complexos via linguagem natural com alta performance.

O essencial

Imagine que o conhecimento sobre a medicina e a biologia é como uma biblioteca gigante, mas em vez de ter um único livro organizado, ela é dividida em dezenas de caixas de sapatos diferentes, cada uma guardada em um cômodo separado.

• Uma caixa tem os caminhos que as células usam (Reactome).
• Outra tem como as proteínas se abraçam (STRING).
• Outra tem a lista de todos os testes de novos remédios (ClinicalTrials.gov).
• E assim por diante.

O problema é que, para responder a uma pergunta simples como "Qual remédio para câncer de mama está sendo testado agora e qual caminho biológico ele está quebrando?", um cientista teria que abrir cada caixa, ler os papéis, copiar dados para um caderno e tentar conectar os pontos manualmente. É lento, chato e cheio de erros.

Este artigo apresenta uma solução mágica chamada Samyama (um banco de dados super rápido feito com a linguagem Rust) que transforma essas caixas de sapatos em uma única cidade inteligente e conectada.

Aqui está o resumo do que eles fizeram, usando analogias do dia a dia:

1. A Construção: O "Mestre de Obras" (ETL)

Os autores criaram um robô (um processo de construção) que vai até cada caixa de sapato, pega os dados, limpa a poeira e organiza tudo em um formato padrão.

• O que eles fizeram: Criaram duas "cidades" digitais (Conhecimento Gráfico):
  • Cidade dos Caminhos (Pathways KG): Com cerca de 118 mil "edifícios" (nós) que mostram como as células funcionam.
  • Cidade dos Ensaios Clínicos (Clinical Trials KG): Uma cidade gigante com quase 8 milhões de "edifícios" que mostram todos os testes de remédios no mundo.
• A mágica: Eles não misturaram tudo de uma vez. Eles criaram "fotografias" (snapshots) de cada cidade. É como ter um mapa da cidade A e um mapa da cidade B.

2. A Federação: A "Ponte Suspensa"

Aqui está a parte mais legal. Em vez de fundir as duas cidades em uma massa gigante e confusa, eles colocaram as duas cidades no mesmo terreno e construíram pontes entre elas.

• O problema: Na Cidade A, um remédio é chamado de "Nome X". Na Cidade B, o mesmo remédio é "Nome Y".
• A solução: Eles usaram "identificadores universais" (como um CPF ou RG) para conectar os pontos. Se o remédio na Cidade B tem o mesmo "RG" (ID do DrugBank) que o remédio na Cidade A, a ponte se forma automaticamente.
• O resultado: Agora, você pode fazer uma pergunta que atravessa as duas cidades.
  • Pergunta: "Quais caminhos biológicos estão sendo afetados por remédios que estão na fase final de testes para câncer de mama?"
  • Como funciona: O sistema sai da Cidade dos Ensaios (acha o remédio), atravessa a ponte (acha a proteína que o remédio ataca) e entra na Cidade dos Caminhos (acha qual caminho celular essa proteína controla).
  • Tempo: Tudo isso acontece em 2,1 segundos em um computador comum (um Mac Mini).

3. A Inteligência Artificial: O "Guia Turístico Automático"

Geralmente, para um robô de IA (como um Chatbot) conversar com esses dados, um programador teria que escrever centenas de linhas de código para ensinar o robô a fazer perguntas.

• A inovação: Eles criaram um sistema onde a própria estrutura da cidade (o esquema) gera automaticamente as ferramentas para a IA.
• Analogia: É como se a cidade tivesse um "Guia Turístico" que se atualiza sozinho. Se você pergunta ao robô: "Quais caminhos o TP53 (uma proteína famosa) participa?", o robô não precisa saber programar. Ele apenas olha no guia, vê que existe uma ferramenta chamada pathway_members, usa-a e te dá a resposta em linguagem natural.
• Protocolo MCP: Eles usaram um padrão chamado Model Context Protocol (MCP), que é como um "plugue universal" que permite que qualquer IA moderna se conecte a esses dados sem precisar de manuais complexos.

Por que isso é importante?

1. Velocidade: O que antes levava dias de trabalho manual, agora leva segundos.
2. Acesso: Qualquer pessoa (ou IA) pode fazer perguntas complexas sem saber a linguagem de programação do banco de dados.
3. Reprodutibilidade: Como tudo é código aberto e as "fotografias" (snapshots) são públicas, qualquer cientista no mundo pode baixar as duas cidades, conectar as pontes e fazer as mesmas descobertas em menos de 2 minutos.

Em resumo: Os autores pegaram dados médicos fragmentados e caóticos, organizaram-nos em duas cidades digitais, construíram pontes entre elas e deram um "guia turístico" automático para que a Inteligência Artificial possa explorar tudo isso e responder perguntas que salvam vidas, tudo isso rodando em um computador de mesa comum.

Resumo técnico

Resumo Técnico: Grafos de Conhecimento Biomédico em Escala com Samyama

1. O Problema

O conhecimento biomédico está fragmentado em dezenas de bancos de dados siloed (isolados), como Reactome (vias metabólicas), STRING (interações proteicas), Gene Ontology (anotações funcionais) e ClinicalTrials.gov (registros de ensaios clínicos). Cada fonte possui seu próprio esquema, identificadores e formatos de arquivo incompatíveis (TSV, XML, JSON, OBO).

• Desafio Atual: Os pesquisadores precisam baixar arquivos planos de cada fonte e escrever scripts personalizados para cruzar dados. Esse processo é lento, propenso a erros e não reprodutível.
• Limitações de Trabalhos Anteriores: Projetos anteriores como Bio2RDF, Hetionet e Clinical Knowledge Graph (CKG) enfrentam limitações como dependência de infraestrutura SPARQL dedicada, serem conjuntos de dados estáticos sem pipelines de atualização, ou focarem em apenas uma fonte de dados.

2. Metodologia

Os autores propõem uma abordagem baseada no Samyama, um banco de dados de grafos de alto desempenho escrito em Rust, para construir e federar dois grafos de conhecimento (KGs) biomédicos de grande escala.

A. Padrão de Construção ETL Reprodutível
Ambos os KGs seguem um pipeline de cinco fases:

1. Download: Coleta de arquivos com suporte a retomada e descompressão automática.
2. Análise e Filtro: Extração de entidades e relações específicas da fonte, aplicando filtros para humanos (ID de organismo 9606).
3. Deduplicação: Uso de um registro compartilhado para evitar a recriação de entidades (ex: uma proteína carregada do Reactome não é duplicada se encontrada no STRING).
4. Carregamento em Lote: Inserção de nós e arestas via instruções Cypher em lotes (50–100 entidades) através da API HTTP do Samyama.
5. Exportação de Snapshot: O grafo carregado é exportado como um arquivo .sgsnap (JSON-lines comprimido com gzip), permitindo restauração instantânea em qualquer instância do Samyama.

B. Os Dois Grafos de Conhecimento

1. Pathways KG (Conhecimento de Vias):
   • Fontes: Reactome, STRING, Gene Ontology, WikiPathways, UniProt.
   • Escala: ~118 mil nós, ~834 mil arestas.
   • Foco: Biologia molecular (proteínas, complexos, reações, vias).
2. Clinical Trials KG (Conhecimento de Ensaios Clínicos):
   • Fontes: ClinicalTrials.gov, MeSH, RxNorm, OpenFDA, PubMed.
   • Escala: ~7,77 milhões de nós, ~26,9 milhões de arestas.
   • Foco: Medicina translacional (ensaios, condições, intervenções, eventos adversos).

C. Federação Cross-KG (Entre Grafos)
Em vez de mesclar os dados no momento do carregamento (ETL), os autores utilizam uma federação baseada em propriedades:

• Ambos os snapshots são carregados em um único "tenant" (inquilino) do banco de dados.
• As entidades idênticas (ex: Proteína TP53) existem como nós separados em cada snapshot, mas compartilham identificadores comuns (UniProt, DrugBank, NCBI Gene).
• Consultas cruzadas são realizadas unindo os nós através desses identificadores compartilhados (ex: WHERE prot1.uniprot_id = prot2.uniprot_id).

D. Acesso via Agentes de IA (MCP)
Introdução de Geração de Servidores MCP (Model Context Protocol) Orientada a Esquema:

• Um servidor MCP é gerado automaticamente a partir do esquema do grafo.
• Ele expõe ferramentas tipadas para Agentes LLM (Large Language Models), permitindo que eles façam consultas complexas em linguagem natural sem a necessidade de codificação manual de ferramentas ou conhecimento de Cypher.

3. Principais Contribuições

1. Construção Reprodutível: Pipelines ETL abertos para dois KGs biomédicos massivos com exportação de snapshots portáteis.
2. Federação Cross-KG: Demonstração de que é possível realizar joins baseados em propriedades entre grafos independentes para responder a perguntas que nenhum grafo isolado consegue responder (ex: "Quais vias biológicas são disruptadas por drogas em ensaios de Fase 3 para câncer de mama?").
3. Integração com IA: Implementação de servidores MCP que automatizam a criação de ferramentas para agentes de IA acessarem o grafo.
4. Open Source: Todos os dados (licenças abertas), código de ETL, snapshots e configurações MCP são públicos.

4. Resultados e Desempenho

Os testes foram realizados em hardware de consumo (Mac Mini M4, 16GB RAM).

• Velocidade de Importação:
  • Pathways KG (118K nós): 1 segundo.
  • Clinical Trials KG (7,7M nós): 72 segundos.
  • Grafo Federado Completo: Carregado em 76 segundos no total.
• Desempenho de Consulta:
  • A consulta federada complexa de 6 saltos ("vias disruptadas por drogas de câncer de mama em Fase 3") retornou resultados validados em 2,1 segundos.
  • Consultas individuais dentro de cada KG foram executadas em menos de 1,5 segundos.
• Validação Biológica:
  • A consulta federada identificou corretamente vias conhecidas na biologia do câncer de mama, como Transdução de Sinal (HER2), Controle do Ciclo Celular (CDK4/6) e Sistema Imunológico, cruzando dados de ensaios clínicos com interações proteicas.

5. Significado e Impacto

• Aceleração da Pesquisa: Elimina a necessidade de scripts manuais para cruzar dados heterogêneos, permitindo que pesquisadores e agentes de IA realizem descobertas translacionais em segundos.
• Escalabilidade e Portabilidade: A abordagem de "snapshots" permite que grafos massivos sejam distribuídos e carregados instantaneamente em hardware modesto, sem depender de infraestrutura complexa de SPARQL ou clusters distribuídos.
• Interoperabilidade com IA: A integração nativa com o protocolo MCP abre caminho para que Agentes de IA autônomos explorem e raciocinem sobre dados biomédicos complexos de forma segura e estruturada.
• Generalização: O padrão de federação baseado em propriedades pode ser aplicado a qualquer domínio com identificadores compartilhados (ex: esportes, operações industriais), não se limitando à biomedicina.

Em suma, o trabalho demonstra que é possível construir, federar e consultar grafos de conhecimento biomédico de escala massiva de forma rápida, reprodutível e acessível a agentes de IA, utilizando uma arquitetura moderna baseada em Rust e padrões abertos.