BioKG Explorer: Interactive Visual Analytics for Biomedical Knowledge Graph Exploration over PrimeKG

Resumo Técnico: BioKG Explorer

Declaração do Problema
Gráficos de conhecimento biomédico (KGs), como o PrimeKG, integram uma vasta gama de entidades heterogêneas (doenças, fármacos, genes, fenótipos, etc.) para apoiar a geração de hipóteses translacionais. No entanto, a escala e a complexidade desses grafos (o PrimeKG contém ~129 mil nós e ~4 milhões de relações) criam barreiras significativas à exploração. As ferramentas existentes frequentemente exigem conhecimento de linguagens de consulta (ex: Cypher), dependem de visualizações estáticas ou carecem de interfaces interativas sem necessidade de codificação (no-code) capazes de lidar com a escala específica do PrimeKG. Além disso, embora os Modelos de Linguagem de Grande Escala (LLMs) sejam cada vez mais utilizados para explicação de caminhos, as implementações atuais tipicamente tratam o grafo como um substrato de recuperação silencioso ou oferecem apenas interfaces baseadas em chat, falhando em integrar narrativas geradas por LLM diretamente com um canvas gráfico interativo. Existe uma lacuna crítica em ferramentas de código aberto que combinem a exploração de escala total do PrimeKG, visualização de subgrafos incrementais delimitados e explicações de caminhos por LLM protegidas dentro de um único ambiente baseado em navegador.

Metodologia
O BioKG Explorer é uma aplicação web de full-stack projetada para preencher essas lacunas através de uma arquitetura de três camadas:

1. Camada de Dados (Neo4j): O sistema ingere o PrimeKG por meio de um fluxo de trabalho reprodutível baseado em notebooks. Este processo normaliza os dados brutos de CSV em um grafo de propriedades, preservando metadados biomédicos e descrições textuais. As relações são deduplicadas em pares não direcionados, e os nós são enriquecidos com campos de texto pesquisáveis e rótulos específicos do Neo4j (ex: Disease, Drug, GeneProtein). Analíticos pré-computados, incluindo graus de nós e pontuações de similaridade de doenças (baseadas em genes, vias e fenótipos compartilhados), são armazenados para facilitar a interação rápida.
2. Camada de Serviço (FastAPI): Um backend baseado em Python expõe endpoints RESTful para busca em grafos, expansão de vizinhança de um salto (one-hop), computação de caminhos mais curtos top-k (usando o algoritmo de Yen do Neo4j Graph Data Science) e analíticos específicos de doenças. Ele gerencia a conexão com o Neo4j e retorna payloads JSON contendo estruturas de grafos e metadados.
3. Camada de Apresentação (React/D3.js): O frontend renderiza um canvas de grafo SVG interativo usando D3.js. Ele suporta exploração incremental onde os usuários podem fixar entidades, expandir vizinhanças de um salto e manipular a visualização sem recarregar o grafo inteiro. Codificações visuais mapeiam tipos de nós para cores e graus pré-computados para o tamanho dos nós.
4. Integração de LLM Protegida: Um recurso exclusivo é o módulo opcional de explicação de caminho. Quando um usuário seleciona um caminho mais curto, o backend constrói um contexto JSON delimitado do subgrafo exibido. Este contexto é enviado a um modelo Gemini configurado com prompts de sistema rigorosos, instruindo o LLM a resumir apenas os fatos do grafo fornecidos, evitando explicitamente causalidade clínica, diagnóstico ou recomendações de tratamento. A explicação em Markdown resultante é armazenada em cache e exibida ao lado do caminho visual.

Principais Contribuições
O artigo apresenta o BioKG Explorer como uma contribuição de ferramenta com quatro conquistas técnicas primárias:

• Fluxo de Ingestão: Um pipeline que transforma o PrimeKG em um formato compatível com Neo4j, preservando rótulos semânticos, tipos de relação e texto pesquisável.
• API Especializada: Uma API REST que suporta operações complexas de grafo (busca, expansão, caminhos mais curtos) e analíticos centrados em doenças (fármacos candidatos, similaridade de doenças) sem exigir conhecimento de Cypher por parte do usuário.
• Visualização Interativa: Uma interface baseada em navegador que apresenta layouts incrementais estáveis, capacidades de desfazer/refazer e painéis de evidência específicos de doenças (fármacos candidatos e pontuações de similaridade) que renderizam subgrafos delimitados em vez do grafo completo.
• Fluxo de Explicação Protegida: Um sistema que integra narrativas de caminhos geradas por LLM diretamente com o grafo visual, garantindo que a explicação seja estritamente fundamentada no contexto do subgrafo visível pelo usuário.

Resultados
O sistema carrega e gerencia com sucesso a escala total do PrimeKG (129.375 nós e 4.050.249 relações deduplicadas). A ferramenta permite que os usuários:

• Realizem buscas de texto completo para localizar entidades biomédicas.
• Expandam incrementalmente vizinhanças locais para inspecionar o contexto sem degradação de desempenho.
• Computem e visualizem os caminhos mais curtos top-k entre entidades de origem e destino.
• Acessem painéis específicos de doenças que listam fármacos aprovados, off-label e contraindicados, bem como doenças similares com contagens de evidências.
• Gerem explicações em linguagem natural para caminhos selecionados que resumem as evidências do grafo sem fazer afirmações clínicas.

Significância e Alegações
O autor posiciona o BioKG Explorer como um padrão de implementação prática para análise visual orientada a ontologias. Sua significância reside em preencher duas lacunas específicas no ecossistema de código aberto:

1. Fornecer uma ferramenta de código aberto, sem necessidade de codificação (no-code) e baseada em navegador, capaz de exploração interativa na escala total de 4 milhões de arestas do PrimeKG, distinguindo-se de sistemas nativos do PrimeKG existentes, como o TxGNN Explorer, que são limitados a previsões de modelos pré-computados em vez de travessia aberta de grafos.
2. Integrar explicações de caminhos narradas por LLM diretamente em um canvas gráfico interativo, indo além de interfaces apenas de chat ou geração de figuras estáticas.

O artigo afirma explicitamente que a ferramenta foi projetada para navegação exploratória, interpretação e geração de hipóteses, não para fazer afirmações clínicas. Enfatiza que o sistema suporta análise "fundamentada no grafo", permitindo que pesquisadores transitem fluidamente entre busca de entidades, inspeção local e análise de caminho. O autor reconhece limitações, observando que a ferramenta herda os vieses do PrimeKG, que caminhos mais curtos não implicam causalidade e que as explicações do LLM são auxílios interpretativos e não autoridades biomédicas. O trabalho serve como uma base para pesquisas futuras em análise visual orientada a ontologias e IA explicável em biomedicina.