Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Hakken научилась находить в научной литературе ещё не описанные связи между биомедицинскими сущностями и доводить часть прогнозов до лабораторной проверки. Система SonyAI выдала 1,5 млн гипотез о старении, прошедших порог уверенности, и экспериментально подтвердила две новые связи, хотя препринт не рецензирован и все числа получили сами авторы. Для команд, которые строят инструменты научного поиска, работа предлагает архитектуру полного цикла: от публикаций до проверяемого эксперимента.
Как граф и тексты дополняют друг друга
Hakken не просит LLM свободно придумать возможное открытие. Система формулирует задачу как прогноз отношений: для пары сущностей нужно определить, какая именно связь может возникнуть между ними. Например, сущностями могут быть ген и белок, а результатом — конкретный тип взаимодействия.
Основой служит временной граф знаний. Его узлы обозначают научные понятия, рёбра — известные отношения, а последовательные снимки показывают, как факты появлялись в публикациях. После очистки биомедицинский граф содержал около 255 тысяч сущностей, 7,1 млн фактов и 23 типа отношений.
Модель THiGERLLM обрабатывает граф и тексты двумя ветвями. Графовая ветвь собирает окружение каждой пары через GraphSAGE, отслеживает изменения во времени и превращает их в компактное представление. Затем система добавляет его к запросу языковой модели как набор префиксных токенов.
Текстовая ветвь работает на Mistral-7B-Instruct-v0.3. Для каждой сущности система выбирает по 20 предложений из более ранних публикаций, причём эти предложения упоминают сущности по отдельности, а не вместе. Такое условие мешает модели просто найти готовую формулировку искомой связи.
Обе ветви выставляют оценки для возможных отношений, после чего система объединяет результаты и учитывает уже известные связи пары. Неотмеченные отношения при обучении не считают заведомо ложными: в научной базе отсутствие записи может означать, что факт ещё не изучали. Итоговые оценки калибруют на отдельной части данных, чтобы уверенность модели соответствовала наблюдаемой доле верных прогнозов.
Данные для обучения и проверки разделяли по времени: модель получала ранние публикации и прогнозировала отношения, появившиеся позднее. Полностью исключить временную утечку нельзя, поскольку точная граница корпуса предобучения Mistral не определена.
Как прогноз превращается в объяснимую гипотезу
Одной оценки уверенности недостаточно, чтобы биолог решил поставить опыт. Модуль PHELInE ищет в графе короткие цепочки известных фактов, которые связывают две сущности и могут объяснить предполагаемый механизм.
Для каждой цепочки система проверяет два свойства. Достаточность показывает, сохранится ли высокий прогноз на одном этом наборе фактов. Необходимость показывает, насколько оценка упадёт, если убрать цепочку из графа. Затем PHELInE поднимает выше разные по структуре объяснения, а не несколько почти одинаковых маршрутов.
Повторно обучать основную модель после каждого изменения графа было бы слишком затратно. Вместо этого PHELInE использует отдельную модель GraphSAGE, которая приближённо воспроизводит оценки THiGERLLM и быстро пересчитывает их для изменённых подграфов. В лабораторном этапе объяснения ограничивали кратчайшими путями длиной от двух до четырёх переходов.
Из общего массива прогнозов биологи выбрали три гипотезы для опытов на клеточных культурах. Подтвердились ранее не описанные взаимодействия между TP53 и BAMBI, а также между RAF1 и TNF. Ценность результата не только в двух найденных связях, но и в том, что система прошла весь путь от автоматического прогноза до измеримого биологического эффекта.
Меняет ли Hakken планы продуктовой команды
Практическую часть проверяли в биомедицине на данных из PMC Open Access, MEDLINE и коммерческого набора. THiGERLLM сравнивали на отложенных по времени данных со случайным прогнозом, ComplEx, поиском ближайших соседей и другими подходами. Поэтому доказательная часть работы относится к биомедицинским графам, хотя сама архитектура не привязана к конкретной области.
Для продукта по поиску научных гипотез работа меняет приоритеты. Свободная генерация LLM здесь становится только одним из источников сигнала. До неё нужно построить граф, сохранить время появления каждого факта, отделить неизвестные отношения от ложных и подготовить проверку на будущих срезах данных.
После модели потребуется отдельный контур объяснений. Hakken показывает практичный вариант: выдавать специалисту не пересказ рассуждений LLM, а короткие пути из проверяемых фактов и измерять, как каждый путь влияет на прогноз. Это позволяет ранжировать гипотезы до дорогих экспериментов.
Главное следствие для планирования — считать результатом системы не список правдоподобных идей, а воронку проверки. В неё входят откалиброванный порог уверенности, экспертный отбор, объяснение через известные связи и заранее доступный способ провести эксперимент. Без этих этапов архитектура Hakken превращается в обычный генератор предположений, а не в инструмент научного поиска.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
