Resumo Técnico: DeepRoot – Um Sistema Multiagente Coordenado por KG para Raciocínio Terapêutico sobre Textos Médicos Históricos

Definição do Problema

Arquivos médicos históricos e medicinas tradicionais representam um recurso vasto e subutilizado para a descoberta de fármacos, tendo fornecido a base para drogas importantes como a morfina e a artemisinina. No entanto, converter esses textos em prosa pré-ontológica em leads verificáveis para pipelines biomédicos modernos é dificultado por taxonomias idiossincráticas e pela falta de mecanismos padronizados. Os sistemas existentes de agentes de LLM (Large Language Model) — sejam eles de chamada de ferramentas (tool-calling), de recuperação aumentada (RAG) ou de pesquisa profunda agêntica — falham em escalar a conversão de tal texto em leads de descoberta de fármacos verificáveis. Eles frequentemente carecem de um traço de raciocínio fundamentado em evidências biológicas verificadas, levando a altas taxas de alucinação ao tentar conectar reivindicações históricas com mecanismos modernos.

Metodologia: O Sistema DeepRoot

O DeepRoot é um pipeline de LLM multiagente projetado para construir e utilizar conjuntamente um Grafo de Conhecimento (KG) verificado para realizar o raciocínio terapêutico. O sistema é dividido em duas fases primárias: Montagem (Assembly) e Descoberta (Discovery), operando sobre um grafo Neo4j.

1. Construção do Grafo de Conhecimento (DeepRoot Assembly)

A fase de Montagem emprega sete agentes especializados para popular o KG a partir de texto bruto (especificamente o Shen Nong Ben Cao Jing), garantindo a verificação estrita contra bases de dados biomédicas curadas.

• Extração e Auditoria: Um Agente de Extração emite nós para Fontes, Maldições Tradicionais e métodos de Preparação. Um Agente Auditor canonicaliza fontes (ex: resolvendo binômios latinos) e verifica os intervalos de evidência contra o texto de origem para evitar citações alucinadas.
• Fundamentação e Vinculação: Três agentes de vinculação (linker agents) fundamentam entidades auditadas em conceitos biomédicos modernos:
  • Fonte-para-Composto: Vincula fontes a compostos químicos usando COCONUT 2.0 e PubChem.
  • Composto-para-Alvo: Vincula compostos a alvos moleculares usando ChEMBL.
  • Alvo-para-Doença: Vincula alvos a doenças modernas usando Open Targets, NCBI Taxonomy e OLS4.
• Mapeamento: Um Mapeador de Maldição-para-Doença utiliza um protocolo de "gerar-então-verificar". O LLM propõe nomes canônicos, mas os códigos de ontologia (ICD-10, MeSH, SNOMED) são recuperados apenas via correspondências exatas tolerantes contra serviços externos, eliminando identificadores alucinados.
• Esquema: O grafo resultante contém seis tipos de nós (Fonte, Maldição Tradicional, Doença Moderna, Composto Químico, Alvo Biológico, Método de Preparação) e sete tipos de arestas. Uma reivindicação terapêutica é considerada "mecanisticamente fechada" quando existe um loop: Fonte → Composto → Alvo → Doença Moderna, onde a Fonte também TRATA TRADICIONALMENTE uma Maldição Tradicional que MAPEIA PARA a Doença Moderna.

2. Raciocínio Terapêutico (DeepRoot Discovery)

A fase de Descoberta aproveita o KG construído para avaliar reivindicações e nomear candidatos.

• Agente Crítico (Critic Agent): Avalia as reivindicações de Fonte–Maldição históricas através da travessia do grafo para encontrar loops mecanísticos. Ele pontua a plausibilidade com base em níveis de confiança de caminho (T1–T4) e tipos de evidência de aresta.
• Agente de Descoberta (Discovery Agent): Nomeia novos candidatos a compostos para um alvo de Doença Moderna caminhando pelo grafo para trás (Doença ← Maldição ← Fonte ← Composto) e para frente (Composto → Alvo → Doença) para pontuar a plausibilidade mecanística.
• Lógica de Pontuação: Os caminhos são classificados lexicograficamente pelo seu "elo mais fraco" (tier/bucket) e depois pelo produto multiplicativo das confianças das arestas. Isso garante que uma cadeia seja tão forte quanto seu componente menos verificado.

Principais Contribuições

1. Separação de Fundamentação e Raciocínio: O artigo demonstra que a fundamentação (recuperação de fatos verificados) e o raciocínio (síntese desses fatos) são eixos separáveis. O DeepRoot compõe estes ao usar um KG verificado para fundamentação e um LLM para raciocínio, superando sistemas que confundem ambos.
2. Construção de KG Agêntica: Ao contrário das abordagens anteriores de Graph-RAG que dependem de supervisão especializada ou pura geração de LLM, o DeepRoot utiliza um processo de montagem agêntico com verificação determinística estrita contra bases de dados externas (COCONUT, PubChem, ChEMBL, Open Targets) para construir um grafo de alta fidelidade.
3. Supressão de Alucinação: O sistema mostra que a construção de um KG verificado a priori suprime a alucinação de forma mais eficaz do que a chamada de ferramentas sob demanda durante a inferência.

Resultados

O sistema foi avaliado no corpus Shen Nong Ben Cao Jing (71 chunks) através de várias métricas:

• Recuperação de Dados Retidos (Held-Out Recovery): Em uma tarefa de redescoberta cega, o DeepRoot recuperou 10 de 21 pares composto–doença retidos em Recall@20 (47,6%). Isso superou significativamente o baseline de LLM de corpus bruto (4,8%) e o acaso aleatório (~2,4%).
• Recuperação Mecanística: O DeepRoot Discovery alcançou 1,95× maior recall de fonte e 6,11× maior recall de composto em comparação com um baseline de LLM ao classificar candidatos a partir de texto histórico ruidoso.
• Auditoria de Qualidade de Raciocínio: Um juiz LLM independente (Claude Sonnet 4.6) avaliou a qualidade do raciocínio em seis dimensões. O DeepRoot (KG + LLM) obteve as pontuações gerais mais altas (3,70–3,83) e as menores taxas de alucinação (7–10%).
  • Baseline de Chamada de Ferramenta (Tool-Calling): LLMs com acesso direto à API para as mesmas bases de dados alucinaram evidências em 87% das reivindicações.
  • Baseline de Apenas Grafo (Graph-Only): Produziu 0% de alucinações, mas obteve a menor pontuação em coerência de raciocínio (2,69).
  • DeepRoot: Ocupou o meio-termo ideal, mantendo baixas taxas de alucinação enquanto preservava as capacidades de síntese de raciocínio.
• Estudos de Ablação: A permutação das arestas do KG demonstrou que a confiança do agente Crítico na plausibilidade terapêutica degrada linearmente com a perturbação das arestas, confirmando a dependência genuína da estrutura do grafo em vez de vieses (priors) do LLM.

Significância e Alegações

O artigo afirma que o DeepRoot fornece uma rota para a mineração sistemática e o reaproveitamento do conhecimento médico histórico. Ao converter prosa pré-ontológica em um grafo de conhecimento biomédico auditável, o sistema permite:

• Raciocínio Terapêutico Mecanístico: Indo além da classificação de texto para mecanismos biológicos rastreáveis.
• Descoberta de Fármacos Escalável: Identificando candidatos para nomeação de novo e priorização de hipóteses de produtos naturais.
• Eficiência de Custo: A construção do KG é um custo único (~$0,25 por corpus), evitando o gasto recorrente e os riscos de alucinação da recuperação de banco de dados sob demanda para cada consulta.

Os autores enfatizam que o DeepRoot é uma ferramenta de pesquisa para geração de hipóteses, não um conselho médico. O valor do sistema reside em sua capacidade de priorizar candidatos para acompanhamento experimental, fornecendo cadeias rastreáveis e fundamentadas em mecanismos, desde reivindicações históricas até a biologia moderna, sinalizando explicitamente casos onde o grafo não consegue fechar um loop ou onde a evidência é fraca.