論文の概要: MetaboT: AI-based agent for natural language-based interaction with metabolomics knowledge graphs

• arxiv url: http://arxiv.org/abs/2510.01724v1
• Date: Thu, 02 Oct 2025 07:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.035845
• Title: MetaboT: AI-based agent for natural language-based interaction with metabolomics knowledge graphs
• Title（参考訳）: MetaboT: メタボミクス知識グラフと自然言語による対話のためのAIベースのエージェント
• Authors: Madina Bekbergenova, Lucas Pradi, Benjamin Navet, Emma Tysinger, Franck Michel, Matthieu Feraud, Yousouf Taghzouti, Yan Zhou Chen, Olivier Kirchhoffer, Florence Mehl, Martin Legrand, Tao Jiang, Marco Pagni, Soha Hassoun, Jean-Luc Wolfender, Wout Bittremieux, Fabien Gandon, Louis-Félix Nothias,
• Abstract要約: ユーザ質問を知識グラフを操作するためのSPARQLセマンティッククエリ言語に翻訳するAIシステムを開発した。 植物天然物の大規模公開知識グラフである実験天然物知識グラフ(ENG)を用いて,その有効性を実証した。
• 参考スコア（独自算出の注目度）: 3.8352874653625286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mass spectrometry metabolomics generates vast amounts of data requiring advanced methods for interpretation. Knowledge graphs address these challenges by structuring mass spectrometry data, metabolite information, and their relationships into a connected network (Gaudry et al. 2024). However, effective use of a knowledge graph demands an in-depth understanding of its ontology and its query language syntax. To overcome this, we designed MetaboT, an AI system utilizing large language models (LLMs) to translate user questions into SPARQL semantic query language for operating on knowledge graphs (Steve Harris 2013). We demonstrate its effectiveness using the Experimental Natural Products Knowledge Graph (ENPKG), a large-scale public knowledge graph for plant natural products (Gaudry et al. 2024).MetaboT employs specialized AI agents for handling user queries and interacting with the knowledge graph by breaking down complex tasks into discrete components, each managed by a specialised agent (Fig. 1a). The multi-agent system is constructed using the LangChain and LangGraph libraries, which facilitate the integration of LLMs with external tools and information sources (LangChain, n.d.). The query generation process follows a structured workflow. First, the Entry Agent determines if the question is new or a follow-up to previous interactions. New questions are forwarded to the Validator Agent, which verifies if the question is related to the knowledge graph. Then, the valid question is sent to the Supervisor Agent, which identifies if the question requires chemical conversions or standardized identifiers. In this case it delegates the question to the Knowledge Graph Agent, which can use tools to extract necessary details, such as URIs or taxonomies of chemical names, from the user query. Finally, an agent responsible for crafting the SPARQL queries equipped with the ontology of the knowledge graph uses the provided identifiers to generate the query. Then, the system executes the generated query against the metabolomics knowledge graph and returns structured results to the user (Fig. 1b). To assess the performance of MetaboT we have curated 50 metabolomics-related questions and their expected answers. In addition to submitting these questions to MetaboT, we evaluated a baseline by submitting them to a standard LLM (GPT-4o) with a prompt that incorporated the knowledge graph ontology but did not provide specific entity IDs. This baseline achieved only 8.16% accuracy, compared to MetaboT's 83.67%, underscoring the necessity of our multi-agent system for accurately retrieving entities and generating correct SPARQL queries. MetaboT demonstrates promising performance as a conversational question-answering assistant, enabling researchers to retrieve structured metabolomics data through natural language queries. By automating the generation and execution of SPARQL queries, it removes technical barriers that have traditionally hindered access to knowledge graphs. Importantly, MetaboT leverages the capabilities of LLMs while maintaining experimentally grounded query generation, ensuring that outputs remain aligned with domain-specific standards and data structures. This approach facilitates data-driven discoveries by bridging the gap between complex semantic technologies and user-friendly interaction. MetaboT is accessible at [https://metabot.holobiomicslab.eu/], and its source code is available at [https://github.com/HolobiomicsLab/MetaboT].
• Abstract（参考訳）: 質量分析メタボロミクスは、高度な解釈方法を必要とする膨大な量のデータを生成する。 知識グラフは、質量分析データ、代謝物情報、およびそれらの関係を接続ネットワークに構造化することでこれらの課題に対処する(Gaudry et al 2024)。 しかし、知識グラフを効果的に活用するには、オントロジーとそのクエリ言語構文の深い理解が必要である。 そこで我々は,大規模言語モデル(LLM)を利用したAIシステムであるMetaboTを設計し,知識グラフを操作するためのSPARQLセマンティッククエリ言語に翻訳した(Steve Harris 2013)。 植物天然物の大規模公開知識グラフであるENPKG(Experimental Natural Products Knowledge Graph)を用いて,その有効性を実証する(Gaudry et al 2024)。 MetaboTでは、複雑なタスクを個別のコンポーネントに分割することで、ユーザクエリの処理や知識グラフとのインタラクションに特殊なAIエージェントを使用している。 マルチエージェントシステムはLangChainとLangGraphライブラリを使用して構築されており、LLMと外部ツールや情報ソース(LangChain, n.d.)との統合を容易にする。 クエリ生成プロセスは構造化ワークフローに従う。 まず、エントリーエージェントは、質問が新しいのか、それとも以前のインタラクションのフォローアップなのかを判断する。 新しい質問がバリケータエージェントに転送され、質問がナレッジグラフと関連しているかどうかを検証する。 そして、有効な質問がスーパーバイザエージェントに送られ、その質問が化学変換や標準化された識別子を必要とするかどうかを識別する。 このケースでは、ユーザクエリからURIやケミカルネームの分類など、必要な詳細を抽出するためにツールを使用する知識グラフエージェントに質問を委譲する。 最後に、知識グラフのオントロジーを備えたSPARQLクエリを作成するエージェントは、提供される識別子を使用してクエリを生成する。 そして、メタボロミクス知識グラフに対して生成されたクエリを実行し、構造化された結果をユーザに返す(図1b)。 メタボトの性能を評価するため,50のメタボロミクス関連質問とそれらの期待回答をキュレートした。 これらの質問をMetaboTに提出することに加え、知識グラフオントロジーを組み込んだプロンプトを標準LLM(GPT-4o)に送信することで、ベースラインの評価を行ったが、特定のエンティティIDは提供されなかった。 このベースラインはMetaboTの83.67%と比較して8.16%の精度しか達成していない。 MetaboTは対話型質問応答アシスタントとして有望なパフォーマンスを示し、研究者は自然言語クエリを通じて構造化メタボロミクスデータを検索できる。 SPARQLクエリの生成と実行を自動化することで、従来の知識グラフへのアクセスを妨げる技術的障壁を取り除くことができる。 重要なことは、MetaboTはLLMの機能を活用しながら、実験的な基盤となるクエリ生成を維持し、出力がドメイン固有の標準やデータ構造に一致し続けることを保証する。 このアプローチは、複雑なセマンティック技術とユーザフレンドリなインタラクションのギャップを埋めることによって、データ駆動による発見を促進する。 MetaboTは[https://metabot.holobiomicslab.eu/]でアクセスでき、ソースコードは[https://github.com/HolobiomicsLab/MetaboT]で利用できる。

関連論文リスト

• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning [51.203811759364925]
  mKGQAgentは、自然言語の質問をSPARQLクエリに変換し、モジュール化された解釈可能なサブタスクに変換するタスクを分解する。 2025年のText2SPARQLチャレンジにおいて、DBpediaとCorporateベースのKGQAベンチマークに基づいて評価され、私たちのアプローチは、他の参加者の中で第一に行われました。
  論文  参考訳（メタデータ） (2025-07-22T19:23:03Z)
• LLM-based SPARQL Query Generation from Natural Language over Federated Knowledge Graphs [0.0]
  バイオインフォマティクス知識グラフ(KGs)上でユーザ質問を正確なSPARQLクエリに変換するための検索型拡張生成(RAG)システムを提案する。 クエリ生成における精度の向上と幻覚の低減を目的として,クエリ例やスキーマ情報を含むメタデータをKGから活用し,生成したクエリの修正に検証ステップを組み込んだ。 このシステムは chat.expasy.org で公開されている。
  論文  参考訳（メタデータ） (2024-10-08T14:09:12Z)
• Combining LLMs and Knowledge Graphs to Reduce Hallucinations in Question Answering [0.0]
  大言語モデル(LLM)と知識グラフ(KG)を組み合わせて、質問応答システムの精度と信頼性を向上させる。 提案手法は,LLM生成クエリの構文的および意味論的妥当性を保証するクエリチェッカーを組み込んだものである。 このアプローチをアクセス可能にするため、ユーザフレンドリーなWebベースのインターフェースが開発されている。
  論文  参考訳（メタデータ） (2024-09-06T10:49:46Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Graph Enhanced BERT for Query Understanding [55.90334539898102]
  クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。 近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。 本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-03T16:50:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。