KRAKEN: A provenance-tracked knowledge graph for multiomic and wellness research

Na vasta paisagem da biologia moderna, cientistas buscam há muito tempo uma maneira de conectar os pontos entre a maquinaria microscópica de nossas células e o quadro mais amplo da saúde humana. Durante décadas, a pesquisa concentrou-se intensamente em entender como as doenças se desenvolvem e como os medicamentos existentes podem ser reaproveitados para combatê-las. Essa abordagem construiu mapas poderosos de relações biológicas, mas esses mapas frequentemente deixam de fora os aspectos mais silenciosos e cotidianos do bem-estar. Eles frequentemente perdem as assinaturas químicas detalhadas do nosso metabolismo, os marcadores genéticos específicos que influenciam nossos traços e os dados complexos que definem o quão velhos nossos corpos parecem em comparação com a nossa idade real. Sem um quadro completo que inclua esses detalhes focados no bem-estar, continua sendo difícil ver a história completa de como nossa biologia funciona em um estado saudável, não apenas quando está doente.

Um novo projeto chamado KRAKEN visa preencher essa lacuna, criando um mapa massivo e interconectado que faz a ponte entre a pesquisa de doenças e o bem-estar geral. Os pesquisadores por trás deste trabalho perceberam que, embora os mapas existentes fossem excelentes para encontrar curas, eram incompletos para compreender a pessoa como um todo. Para resolver isso, eles construíram um sistema que reúne informações de muitas fontes diferentes, incluindo bancos de dados especializados para lipídios, escores genéticos e medições de saúde padronizadas. Este novo mapa não apenas lista fatos; ele os conecta de uma forma que permite aos computadores rastrear conexões através de diferentes tipos de dados, desde as moléculas em nosso sangue até os códigos genéticos em nosso DNA. O resultado é uma ferramenta que ajuda pesquisadores e clínicos a ver como vários fatores de saúde e bem-estar estão relacionados, oferecendo uma visão mais holística da biologia humana do que o anteriormente disponível em um único sistema unificado.

O cerne desta conquista é um grafo de conhecimento que atua como um hub central para informações biológicas diversas. A equipe combinou dados de várias redes existentes de grande escala com fontes especializadas que focam no bem-estar, como catálogos de escores poligênicos e medidas de idade biológica. Ao tecer esses fios, eles criaram uma estrutura contendo aproximadamente 15 milhões de nós, que representam partes individuais de informação, e cerca de 113 milhões de arestas, que representam as relações entre elas. Esta rede cobre 62 tipos diferentes de entidades, variando de produtos químicos específicos e genes a conceitos de saúde mais amplos. Para garantir que esta coleção massiva de dados fale uma linguagem comum, os pesquisadores utilizaram um modelo semântico padrão que se alinha aos esforços mais amplos dos Institutos Nacionais de Saúde (NIH) para tornar os dados biomédicos mais fáceis de compartilhar e compreender.

O que torna este sistema particularmente útil é sua flexibilidade e eficiência. Os pesquisadores desenvolveram um processo de construção que é leve o suficiente para rodar em hardware de computação padrão, exigindo menos de 48 gigabytes de memória em seu pico. Este design permite que os usuários reconstruam o gráfico inteiro rapidamente ou selecionem apenas partes específicas dos dados que sejam relevantes para sua área de interesse particular. Quer um cientista esteja estudando uma via metabólica específica ou observando tendências amplas de bem-estar, o sistema pode ser adaptado para focar nesse domínio sem a necessidade de processar todo o conjunto de dados. Essa modularidade garante que a ferramenta permaneça acessível e prática para uma ampla gama de questões de pesquisa, em vez de ser um arquivo estático e desajeitado.

Além de simplesmente armazenar informações, o KRAKEN inclui um conjunto de ferramentas projetadas para ajudar os usuários a explorar os dados. Essas ferramentas permitem o raciocínio de múltiplos saltos (multi-hop reasoning), o que significa que o sistema pode seguir uma cadeia de conexões para encontrar relações indiretas entre dois conceitos aparentemente não relacionados. Os usuários também podem realizar buscas usando texto, vetores ou uma combinação de ambos para encontrar entidades ou padrões específicos dentro do grafo. A plataforma suporta análises de enriquecimento, que ajudam a identificar se certos grupos de dados aparecem juntos com mais frequência do que seria esperado pelo acaso. Todas essas capacidades são acessíveis através de uma interface web interativa e uma interface de programação de aplicações (API) padrão, tornando os dados disponíveis tanto para pesquisadores humanos quanto para sistemas automatizados.

O projeto também introduz um servidor de Protocolo de Contexto de Modelo (Model Context Protocol), um recurso que permite que agentes de inteligência artificial e modelos de linguagem de grande escala (LLMs) interajam diretamente com o grafo. Essa capacidade permite que esses sistemas avançados consumam os dados estruturados e os utilizem para responder a perguntas complexas ou gerar insights sem a necessidade de serem treinados novamente no conjunto de dados específico. Ao disponibilizar os dados desta maneira, os pesquisadores estão abrindo as portas para novos tipos de análise automatizada que podem aproveitar toda a profundidade da informação de bem-estar e multiômica contida no grafo. Todo o sistema está disponível gratuitamente ao público, permitindo que qualquer pessoa com uma conexão à internet possa explorar essas conexões e contribuir para a crescente compreensão da saúde e do bem-estar humano.