DEVOCEAN

안녕하세요. OpenLab-Knowledge Graph 참여하고 있는 최호재 입니다.

지식그래프에 대한 기본지식을 얻고, BioMedical 분야에 어떻게 활용할 수 있을지에 관심을 가지고 스터디에 참여하게 되었습니다.

저희 팀은 6월 3일에 정기 모임을 진행했었습니다.

저는 이번 모임에서 바이오 의학 분야에서의 KG의 활용에 대해서 조사하고 발표했었습니다.

이 글에서는 요약하고 기회가 된다면 추후에 구체적인 내용을 올려보겠습니다.

TL;DR

• BioMedical 분야에서 지식그래프(KG)는 다양한 엔티티(질병, 해부학적 기관, 세포 등)와 관계(물리화학적 상호작용, 원인-결과 등)를 맺고 있습니다.

• 약물과 질병의 관계를 예측하는 데 KG가 유용하며, 연구 그룹 간 정보 통합과 해석이 주요 과제입니다.

• KG 임베딩 모델을 통해 약물과 질병의 관계를 예측하고 임상 시험 후보의 우선순위를 정할 수 있습니다.

  또한, KG를 활용해 LLM의 BioMedical 분야 질문 응답 성능을 향상시킬 수 있습니다.

BioMedical 분야에서의 KG 의 활용점

BioMedical 분야에서 다양한 class 의 Entity들 (질병, 해부학적 기관들, 세포, 단백질, 저분자 화합물, 등) 이 있고,

각 entity 들은 다양한 종류의 관계들을 맺고 있습니다. ( 물리화학적 상호작용, 원인-결과, 활성화/비활성화 조절관계, 등)

보통 각 관계들은 서로 다른 연구 결과를 바탕으로 검증되거나 추론됩니다.

다행히 많은 연구자들의 노력 (e.g. manual curation)으로 문헌 정보들이 분석되고 관계 정보가 추출 되어 공공 데이터베이스로 제공되고 있습니다.

질병, 약물 사이의 연관성 검색

Drug Discovery 분야에서 약물과 질병의 관계를 추론하는 것은 중요합니다.

주로 특정 약물이 특정 질병에 미치는 영향을 알고 싶어하는데, 약물과 질병 사이의 관계는 다층의 관계들로 연결되어 있고, 다대다 관계성을 가지고 있습니다.

이런 특성 때문에 기존의 패턴인식을 통한 추론 모델을 통해 관계성을 예측하기 에는 데이터 (signal) 이 부족하다는 문제가 있습니다.

이런 관점에서 약물과 질병의 관계를 예측하기 위해 KG는 신약 개발에서 광범위하게 사용될 수 있습니다.

주요 쟁점으로는 서로 다른 연구그룹(consortium)에서 만든 정보들을 서로 통합 (entity, ontology matching)하는 문제가 있습니다.

통합된 지식그래프를 해석하여 원하는 정보를 얻어내는 것도 주요 문제 중 하나입니다.

지식그래프를 해석하는 방법중에 하나의 예시로, 지식 그래프 임베딩 모델(knowledge graph embedding models, KGEMs)을 학습하고 약물과 질병사이의 관계를 예측하도록 하는 것이 있습니다.

이렇게 얻어진 약물과 질병 사이의 관계는 임상 시험 후보의 우선순위를 정하는데 참고 자료가 될 수 있습니다.

단, 어떤 rule 을 통해야 원하는 (질병을 치료하는 약물) 추론 결과를 얻을 수 있을지는 활발히 연구되고 있습니다.

Improving Question Answering for BioMedical Domain

LLM 에 BioMedical KG 로 부터 도메인 특화된 지식 정보를 증강할 수 있는 방법을 사용하여, Question Answering 성능을 높일 수 있다는 점도 중요한 활용점이 될 수 있습니다.

여기까지 읽어주셔서 감사합니다.