графы знаний

В статье представлена модель MCKG-SL — новый метод прогнозирования синтетической летальности (SL) для гена KRAS, одного из наиболее часто мутирующих онкогенов при раке. Синтетическая летальность — это ситуация, при которой одновременная инактивация двух генов приводит к гибели клетки, тогда как мутация только одного из них не влияет на жизнеспособность. Поиск SL-партнеров для KRAS критически важен для разработки таргетной терапии рака, поскольку сам KRAS долгое время считался «неизлечимым» белком. Авторы предлагают подход, основанный на графе знаний (knowledge graph), который интегрирует множество биологических признаков: экспрессию генов, мутационный статус, данные о белковых взаимодействиях и функциональную аннотацию. Ключевая инновация — механизм кросс-агрегации признаков (multi-feature cross-aggregation), который позволяет модели одновременно учитывать как локальные, так и глобальные закономерности в графе знаний, что повышает точность предсказаний по сравнению с существующими методами. Модель была протестирована на наборах данных по раку, ассоциированных с KRAS, и показала значительное улучшение метрик AUC и точности по сравнению с базовыми алгоритмами машинного обучения и существующими SL-предсказателями. Результаты исследования могут ускорить открытие новых терапевтических мишеней для пациентов с KRAS-мутациями и способствовать развитию персонализированной онкологии. Работа опубликована в журнале Artificial Intelligence in Medicine и доступна онлайн с 28 августа 2026 года.

Исследователи представили PlantMetWiki — семантически обогащенный граф знаний, построенный на принципах FAIR (находимость, доступность, интероперабельность, повторное использование) для интеграции данных о метаболизме растений. Проект базируется на инфраструктуре WikiPathways и объединяет высококурированные данные Plant Metabolic Network с ресурсами биосинтетических генных кластеров, такими как MIBiG и plantiSMASH. В рамках системы представлено 1 162 метаболических пути в формате RDF-графов, что позволяет сохранять структуру путей, литературные источники и таксономическую информацию из PlantCyc 17.0. Ключевой особенностью является возможность проведения кросс-видового моделирования и использования федеративных запросов SPARQL для интеграции с внешними химическими базами данных. Это позволяет ученым выявлять пробелы в аннотациях геномов и метаболомов, а также проводить сравнительный анализ метаболических путей между различными таксонами. Ресурс предоставляет открытый SPARQL-эндпоинт и воспроизводимые рабочие процессы трансформации данных, что критически важно для автоматизированного поиска новых природных соединений с фармацевтическим потенциалом.

Исследователи представили PrimeKG-Plus — обновленную версию графа знаний PrimeKG, предназначенную для задач прецизионной медицины и поиска новых мишеней для лекарств. В рамках работы были обновлены 20 исходных источников данных (актуальных на декабрь 2025 года) и интегрированы новые базы, такие как OpenTargets, RepurposeDrugs и nSIDES. Ключевой особенностью стала автоматизированная экстракция связей из 637 статей PubMed и PMC с использованием LLM-ассистированного рабочего процесса, дополненного верификацией экспертами и нормализацией через SapBERT и UMLS. Особое внимание в расширении уделено редким неврологическим заболеваниям, включая болезнь Канавана и болезнь Ниманна-Пика типа C. Результаты анализа топологии сети показали значительное улучшение связности: добавлено 447 288 новых путей «Лекарство-Белок-Заболевание», которые ранее были недоступны в графе. Кроме того, валидация через данные FDA позволила включить 55 новых молекулярных сущностей, появившихся после июня 2021 года. PrimeKG-Plus представляет собой высокоактуальный инструмент для сетевого репозиционирования лекарственных средств и персонализированного лечения.

Исследование представляет EcoXAI — инновационную модульную многоагентную систему, разработанную для преодоления сложностей при анализе гетерогенных биомедицинских данных и графов знаний. В отличие от традиционных монолитных LLM-интерфейсов, EcoXAI использует контейнеризированную архитектуру специализированных биоинформатических агентов, что минимизирует риск галлюцинаций и обеспечивает проверяемость каждого этапа анализа. Методология системы базируется на интеграции современных методов управления агентами (agentic management) и явном использовании графов знаний для обоснования выводов. В ходе практического применения системы для поиска новых мишеней при болезни Альцгеймера, EcoXAI проанализировала 103 потенциальных лекарственных препарата. В результате было выявлено 79 новых кандидатов, чьи прогнозные модели превзошли случайный базовый уровень. Одним из ключевых успехов стало обнаружение антагониста CCR5 — препарата Маравирок, гипотеза о применении которого была впоследствии подтверждена научной литературой. Данная разработка значительно ускоряет процесс формирования гипотез в трансляционных исследованиях, снижая вычислительный порог для клиницистов.

Исследователи разработали ExposoGraph — интерактивную платформу на базе графа знаний, предназначенную для системного анализа взаимодействия генов и окружающей среды в контексте риска развития рака. Платформа объединяет разрозненные данные о канцерогенных воздействиях, метаболической активации, детоксикации и повреждениях ДНК в единую визуальную структуру. В текущую версию графа интегрированы данные из авторитетных источников, таких как IARC, KEGG и CPIC, включая 96 узлов пяти типов (канцерогены, ферменты, метаболиты, аддукты ДНК и пути) и 102 ребра связей. Система охватывает 9 классов канцерогенов и 15 ключевых агентов, детально отображая работу 36 ферментов, распределенных по фазам метаболизма (I, II, III) и процессам репарации ДНК. Особое внимание уделено кросс-путевым связям, например, метаболизму андрогенов и их влиянию на образование аддуктов ДНК через ароматизацию CYP19A1. Несмотря на то, что инструмент позиционируется как исследовательская платформа, он обладает высоким потенциалом для генерации гипотез в персонализированном моделировании рисков.

В статье представлена инновационная архитектура MediCARE, предназначенная для повышения точности и интерпретируемости медицинских выводов с помощью мультиагентных систем. Исследование фокусируется на использовании гетерогенных графов знаний, которые позволяют моделировать сложные взаимосвязи между пациентами, симптомами, заболеваниями и методами лечения. Методология базируется на концепции коллаборативного рассуждения (collaborative reasoning), где специализированные ИИ-агенты взаимодействуют друг с другом для верификации гипотез. Ключевым преимуществом системы является высокая степень объяснимости (explainability), что критически важно для клинической практики, так как врачи могут проследить логическую цепочку принятия решения. Работа демонстрирует потенциал перехода от «черных ящиков» нейросетей к прозрачным экспертным системам в диагностике. Результаты подчеркивают значимость интеграции графовых структур в современные LLM-ориентированные медицинские приложения.

В исследовании представлен метод Graph-RAG, использующий графы знаний Neo4j для создания точных рекомендаций по диете при хронических заболеваниях. Система обеспечивает высокую интерпретируемость и учет демографических особенностей, минимизируя галлюцинации языковых моделей за счет строгой привязки к клиническим нормам нутриентов.

Исследователи представили MTB-KB — специализированную базу знаний, предназначенную для систематизации разрозненных данных о туберкулезе, вызываемом Mycobacterium tuberculosis. Проект решает проблему фрагментации знаний, объединяя данные из восьми ключевых областей: от эпидемиологии и диагностики до разработки вакцин и механизмов лекарственной устойчивости. В текущую версию базы включено 75 170 ассоциаций, извлеченных из 1 246 высокоцитируемых публикаций, охватывающих 18 439 стандартизированных сущностей. Центральным элементом платформы является интерактивный граф знаний, который позволяет визуализировать и выявлять скрытые взаимодействия между патогеном и хозяином, а также находить новые стратегии лечения. Использование стандартизированных классификаций ВОЗ обеспечивает высокую точность и применимость данных для клинической практики. Платформа предоставляет инструменты для расширенного поиска и статистической визуализации, становясь критически важным ресурсом для ускорения глобальных усилий по ликвидации туберкулеза.

Исследование представляет SELFormerMM — новую мультимодальную архитектуру глубокого обучения для вычислительного открытия лекарств. В отличие от существующих моделей, использующих только одномерные представления (последовательности или графы), SELFormerMM объединяет четыре источника данных: SELFIES-нотации молекул, структурные графы, текстовые описания и биологические взаимодействия из графов знаний. Авторы демонстрируют, что согласование этих гетерогенных представлений позволяет модели улавливать комплементарные сигналы, которые одномерные подходы упускают. Оценка производительности показала превосходство SELFormerMM над структура-, последовательность- и knowledge-based моделями на множестве задач предсказания свойств молекул. Аблиционные эксперименты подтвердили, что эффективная кросс-модальная выравнивание и покрытие модальностей критически важны для извлечения дополнительной информации из данных. Доступность инструмента через GitHub с датасетами, предобученными моделями и вычисленными эмбеддингами делает метод практически применимым для исследовательских групп. Разработанный подход обеспечивает более богатые представления молекул и открывает перспективы для гипотезно-ориентированного открытия новых лекарственных соединений.