Onderzoekers hebben een open ecosysteem voor biomedische kennisgrafieken ontwikkeld dat gebruikmaakt van de Samyama-grafendatabase om versnipperde medische informatie te centraliseren. Het systeem maakt het mogelijk om enorme hoeveelheden data uit diverse bronnen te federeren, waardoor AI-agenten nauwkeuriger medische vragen kunnen beantwoorden.
Biomedische kennis is momenteel verspreid over talrijke geïsoleerde databases, variërend van PubMed en DrugBank tot ClinVar en Gene Ontology. Deze versnippering bemoeilijkt het trekken van overkoepelende conclusies uit medische data. In een recent onderzoek, gepubliceerd via arxiv.org, presenteren Madhulatha Mandarapu en Sandeep Kunkunuru een reproduceerbare oplossing waarbij gebruik wordt gemaakt van Samyama, een grafendatabase die in de taal Rust is geschreven.
Schaalbaarheid en constructie van kennisgrafieken
Het project richt zich op het bouwen van grootschalige kennisgrafieken (Knowledge Graphs of KG's). De onderzoekers startten met drie fundamentele grafieken: een Pathways KG met ruim 118.000 knooppunten, een Clinical Trials KG met bijna 8 miljoen knooppunten en een Drug Interactions KG met ruim 32.000 knooppunten.
Deze basis is vervolgens uitgebreid naar een omvangrijke biomedische opslagplaats die bestaat uit 22 verschillende grafieken en twee cohorten. Volgens de bevat deze gecombineerde store in totaal 328.130.739 knooppunten en 1,44 miljard geïmporteerde randen (edges). Hierbij zijn ook 295.000 synthetische patiënten uit de OMOP CDM van Synthea opgenomen.
Om deze enorme hoeveelheid data efficiënt te beheren, is een reproduceerbaar ETL-proces (Extract, Transform, Load) ontwikkeld met een specifiek snapshot-patroon. Dit stelt beheerders in staat om grafieken afzonderlijk te laden of samen te voegen tot één centrale opslag.
Prestaties en integratie
De technische analyse van de Samyama-Graph v1.13.0 toont aan dat de 328,1 miljoen knooppunten en 1,44 miljard randen in ongeveer 37 minuten en 49 seconden kunnen worden geladen. Tijdens dit proces werd een piekgebruik van 366,5 GB aan werkgeheugen (RSS) geregistreerd.
Een cruciaal onderdeel van het systeem is de deduplicatie van identificatoren. Door gebruik te maken van vijf gecontroleerde sleutels — waaronder uniprot_id, drugbank_id en symbol — konden 132.511 entiteiten uit verschillende bronnen worden samengevoegd. In een test met een suite van 200 vragen behaalde het systeem een succespercentage van 97,5%, waarbij 195 van de 200 queries correct werden beantwoord.
Verbeterde toegang voor AI-agenten
Naast de opslag van data introduceert het onderzoek een methode om AI-agenten betere toegang te geven tot deze complexe informatie via het Model Context Protocol (MCP). Door schema-gestuurde MCP-servers te genereren, kunnen AI-modellen specifieke tools gebruiken om data op te vragen in plaats van te vertrouwen op algemene tekst-naar-query conversies.
De resultaten op de BiomedQA-benchmark laten een significant verschil zien in nauwkeurigheid. Waar een standaard GPT-4o model een nauwkeurigheid van 75% behaalde en schema-bewuste 'text-to-Cypher' methoden op 85% uitkwamen, bereikten de domeinspecifieke MCP-tools een nauwkeurigheid van 98%. Bovendien traden bij deze methode geen schema-fouten op.
Hoewel dit onderzoek zich richt op hoogwaardige database-architectuur voor medische data, is de onderliggende infrastructuur van dergelijke systemen vaak afhankelijk van fundamentele systeemfuncties. Zo maken database-operaties op Linux-systemen gebruik van standaard systeemoproepen zoals man7.org om bestanden en datastromen toegankelijk te maken voor het proces.
Het project benadrukt de noodzaak van open en reproduceerbare standaarden in de biomedische sector om de kloof tussen versnipperde data en bruikbare AI-inzichten te overbruggen. De volledige code en benchmarks zijn beschikbaar gesteld via de .