KG-Orchestra: An Open-Source Multi-Agent Framework for Evidence-Based Biomedical Knowledge Graphs Enrichment.

O KG-Orchestra é um framework de código aberto baseado em agentes múltiplos que utiliza RAG e validação iterativa para enriquecer automaticamente Grafos de Conhecimento Biomédicos com evidências detalhadas e rastreáveis, superando as limitações de escalabilidade da curadoria manual e da falta de granularidade das abordagens puramente automatizadas.

O essencial

Imagine que o conhecimento médico é como uma biblioteca gigante e bagunçada, cheia de livros (artigos científicos) que explicam como nosso corpo funciona, como as doenças surgem e como os remédios agem. O problema é que essa biblioteca cresce tão rápido que é impossível para um único bibliotecário (um cientista humano) ler tudo e organizar os livros.

Além disso, muitas vezes os livros estão espalhados em prateleiras diferentes, e as conexões entre eles são sutis. Por exemplo: "Este remédio X pode ajudar na doença Y", mas ninguém escreveu isso explicitamente em um único livro; você precisa juntar pistas de três livros diferentes para descobrir.

É aqui que entra o KG-Orchestra, a "Orquestra do Conhecimento".

O que é o KG-Orchestra?

Pense no KG-Orchestra não como um robô solitário, mas como uma orquestra de especialistas trabalhando juntos. O objetivo deles é pegar um "esboço" inicial de conhecimento (uma pequena parte organizada da biblioteca) e usá-lo para encontrar, validar e adicionar novas informações, criando um mapa de conhecimento biológico muito mais detalhado e preciso.

Aqui está como funciona, passo a passo, usando analogias simples:

1. O Esboço Inicial (A Semente)

Imagine que você tem um mapa antigo e pequeno de uma cidade (o "Seed KG"). Ele mostra algumas ruas principais, mas falta muita coisa. O KG-Orchestra começa com esse mapa e pergunta: "O que mais existe por aqui que não está no mapa?"

2. A Equipe de Agentes (A Orquestra)

Em vez de uma única inteligência artificial tentando fazer tudo sozinha (o que pode levar a erros ou alucinações), o KG-Orchestra usa vários "agentes" (robôs especializados), cada um com uma função específica, como músicos em uma orquestra:

• O Caçador de Evidências (Retrieval Agent): Ele é como um detetive muito rápido. Quando precisa saber se o Remédio X trata a Doença Y, ele vasculha milhões de artigos científicos na internet em segundos, procurando apenas os parágrafos que realmente falam sobre isso. Ele não lê tudo, ele sabe exatamente onde olhar.
• O Tradutor de Linguagem (Schema Aligner): Os artigos usam termos diferentes. Um diz "célula do fígado", outro "hepatócito". Este agente é o tradutor que garante que todos os nomes estejam padronizados, para que o mapa não fique confuso com nomes duplicados.
• O Construtor de Caminhos (Path Builder): Ele pega as pistas encontradas e tenta montar uma história lógica. "O Remédio X bloqueia a Proteína A, que por sua vez reduz a Inflamação B, que melhora a Doença Y". Ele conecta os pontos para formar um caminho claro.
• O Juiz Crítico (Triplet Validation Team): Este é o mais importante. Antes de aceitar uma nova informação no mapa, este agente (e sua equipe) questiona: "Isso faz sentido biologicamente? A prova que encontramos realmente apoia essa afirmação? Estamos interpretando a direção correta?" Se a resposta for "talvez", eles pedem para revisar. Se for "não", eles descartam.

3. A Validação (O Teste de Realidade)

Muitas inteligências artificiais tendem a inventar fatos (alucinar). O KG-Orchestra evita isso exigindo provas. Cada nova conexão no mapa deve vir acompanhada de um "recorte" do artigo científico original que a comprova. É como se cada nova rua no mapa tivesse uma placa com a fonte da informação.

Por que isso é revolucionário?

• Precisão vs. Velocidade: Métodos antigos eram rápidos, mas cheios de erros. Métodos manuais eram precisos, mas lentos demais. O KG-Orchestra é rápido e preciso porque usa a orquestra de agentes para se corrigir mutuamente.
• Descoberta de Segredos: Ele consegue encontrar conexões que humanos não viram porque estão escondidas entre muitos artigos. Por exemplo, ele descobriu como um remédio para depressão (Nelivaptan) poderia ajudar no Alzheimer, traçando um caminho complexo de hormônios e estresse que ninguém havia mapeado antes.
• Flexibilidade: Funciona tanto em um computador portátil quanto em supercomputadores. Você pode escolher o "tamanho" da orquestra dependendo de quanto poder de processamento você tem.

O Resultado Final

Ao final do processo, o KG-Orchestra entrega um mapa de conhecimento vivo. Ele não é apenas uma lista de fatos; é uma rede de conexões causais (o "porquê" das coisas acontecerem) com fontes verificadas.

Isso ajuda os cientistas a:

1. Encontrar novos usos para remédios antigos (repurposing).
2. Entender melhor como as doenças funcionam.
3. Validar hipóteses científicas rapidamente.

Em resumo, o KG-Orchestra é como ter um exército de bibliotecários, tradutores e detetives trabalhando 24 horas por dia para organizar a biblioteca médica do mundo, garantindo que cada nova informação seja verdadeira, útil e conectada ao que já sabemos. Isso acelera a descoberta de curas e torna a medicina mais precisa para todos nós.

Resumo técnico

Resumo Técnico: KG-Orchestra

1. Problema e Motivação

Os Grafos de Conhecimento Biomédicos (BKGs) são essenciais para integrar dados complexos de biologia e medicina, mas enfrentam um dilema fundamental na sua construção:

• Curadoria Manual: Oferece alta fidelidade e precisão, mas não é escalável devido ao volume exponencial de novas publicações científicas.
• Abordagens Automatizadas (LLMs): Escaláveis, mas frequentemente produzem redes amplas que carecem de granularidade mecanística, sofrendo com alucinações, falta de rastreabilidade de evidências e dependência de corpora estáticos e parciais.

Existe uma lacuna crítica para frameworks que combinem a escalabilidade da automação com a precisão da curadoria humana, permitindo a extração de relações causais e direcionais específicas, com evidências rastreáveis, para enriquecer grafos seminais (seed graphs) existentes.

2. Metodologia: O Framework KG-Orchestra

O KG-Orchestra é um framework de código aberto baseado em agentes múltiplos (Multi-Agent Systems) e Geração Aumentada por Recuperação (RAG). Seu objetivo é enriquecer grafos de conhecimento seminais, transformando-os em recursos de alta resolução e densidade.

Arquitetura e Fluxo de Trabalho:

1. Entrada: Um "Seed KG" (grafo seminal) composto por triplas (Cabeça-Relação-Cauda) com evidências, construído manualmente a partir de um número limitado de artigos.
2. Pipeline de Recuperação de Evidências:
   • Formulação de Consulta: Criação de consultas templadas para preservar a direcionalidade (ex: "Qual o caminho biológico que conecta X a Y?").
   • Estratégia de Chunking: Uso de segmentos de texto limitados por tokens (512 tokens) em vez de sentenças isoladas, preservando o contexto discursivo necessário para entender vias biológicas.
   • Recuperação Híbrida: Combinação de embeddings densos (semânticos) e esparsos (SPLADE-v3 para correspondência lexical) em um banco de dados vetorial (Qdrant) para maximizar a relevância.
3. Orquestração de Agentes Especializados:
   • Paragraph Evaluator: Classifica parágrafos recuperados como "fortemente relevantes", "parcialmente relevantes" ou "irrelevantes".
   • Path Builder: Constrói caminhos direcionados (sequências de triplas) conectando a entidade de origem à de destino com base nas evidências.
   • Schema Aligner: Mapeia entidades e relações extraídas para o esquema do grafo seminal, estendendo o esquema apenas quando estritamente necessário para evitar explosão de tipos.
   • Entity Matcher: Resolve entidades usando correspondência exata e normalização baseada no UMLS (Unified Medical Language System).
   • Triplet Validation Team: Um conjunto de agentes (avaliador e reparador) que valida a validade biológica, coerência semântica e direcionalidade das triplas. Triplas inválidas são tentadas de reparo ou marcadas para revisão humana.
4. Integração e Proveniência: As triplas validadas são integradas ao grafo, mantendo a proveniência completa (IDs do PubMed/DOI e trechos de texto de suporte).

3. Contribuições Principais

• Framework Multi-Agente para BKGs: Uma arquitetura que divide tarefas complexas de extração e validação entre agentes especializados, reduzindo alucinações e melhorando a precisão através de verificação cruzada e auto-correção.
• Estratégia de Recuperação Híbrida Otimizada: Demonstrou que a combinação de embeddings densos e esparsos, com chunking baseado em tokens, supera métodos tradicionais na recuperação de evidências biomédicas complexas.
• Validação Baseada em Evidências: O sistema não apenas extrai dados, mas exige que cada nova tripla seja sustentada por um parágrafo textual explícito da literatura, garantindo rastreabilidade e auditabilidade.
• Flexibilidade Computacional: O framework foi projetado para operar desde GPUs de laptops até clusters de alto desempenho, permitindo a escolha de modelos LLM (como variantes do Qwen 3) conforme os recursos disponíveis.
• Código Aberto: Disponibilização completa do framework, prompts e fluxos de trabalho para reprodutibilidade.

4. Resultados Experimentais

O framework foi avaliado em dois cenários de uso real:

1. NADKG: Conexão entre o medicamento Nelivaptan e a Doença de Alzheimer.
2. ProPreSyn-GBA: Interações de probióticos, prebióticos e simbióticos no eixo intestino-cérebro.

Principais Descobertas:

• Desempenho do Modelo LLM: O modelo Qwen 3 (32B) demonstrou o melhor equilíbrio entre qualidade de raciocínio e custo computacional, superando modelos como DeepSeek-R1, Magistral e Gemma 3 em validação de triplas (validade biológica de 89% e integridade de entidades de 92%).
• Escala de Parâmetros: O modelo Qwen 3 de 235B ofereceu a melhor qualidade absoluta e cobertura, mas o modelo de 32B apresentou um trade-off excelente entre qualidade e eficiência.
• Impacto do Multi-Agente: Estudos de ablação mostraram que o agente de validação de triplas é crucial para a qualidade final, enquanto o Schema Aligner é essencial para controlar a ontologia, reduzindo o número de tipos de relações de 197 para 76, mantendo a utilidade analítica.
• Expansão do Conhecimento:
  • No ProPreSyn-GBA, o sistema adicionou ~1.037 nós (+141%) e ~2.473 relações (+182%) ao grafo seminal.
  • No NADKG, o grafo enriquecido cresceu de 3.273 para 9.142 triplas.
• Qualidade e Consistência: A validação automática (GPT-5) e manual confirmou alta validade biológica (>93% em ProPreSyn-GBA). Estudos de reprodutibilidade mostraram uma similaridade semântica de 0,97 a 0,98 entre execuções independentes, indicando estabilidade robusta.
• Influência do Tamanho do Seed KG: Grafos seminais maiores resultaram em maior cobertura de conhecimento, mas a qualidade das triplas individuais permaneceu consistente independentemente do tamanho do grafo inicial.

5. Significado e Impacto

O KG-Orchestra representa um avanço significativo na bioinformática e na descoberta de fármacos ao:

• Superar a Escalabilidade: Permitir que pesquisadores enriqueçam grafos de nicho com milhares de novas conexões baseadas em evidências, algo impossível manualmente.
• Foco em Causalidade: Ao priorizar relações direcionais e mecanísticas (causa-efeito) em vez de meras associações, o framework apoia a geração de hipóteses mais profundas e a identificação de alvos terapêuticos não canônicos.
• Auditoria Transparente: A capacidade de rastrear cada afirmação até o parágrafo original da literatura facilita a validação por especialistas e a depuração de erros.
• Aplicações Futuras: O framework abre caminho para a automação da expansão de ontologias (como Gene Ontology e GO-CAM), a descoberta de reposicionamento de fármacos e a construção de subgrafos direcionados para doenças específicas.

Em suma, o KG-Orchestra oferece uma solução robusta, reprodutível e de alta fidelidade para transformar a literatura biomédica não estruturada em grafos de conhecimento acionáveis e mecanisticamente ricos.