論文の概要: OptimusKG: Unifying biomedical knowledge in a modern multimodal graph

• arxiv url: http://arxiv.org/abs/2604.27269v1
• Date: Wed, 29 Apr 2026 23:49:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.842123
• Title: OptimusKG: Unifying biomedical knowledge in a modern multimodal graph
• Title（参考訳）: OptimusKG:現代マルチモーダルグラフにおけるバイオメディカル知識の統合
• Authors: Lucas Vittor, Ayush Noori, Iñaki Arango, Joaquín Polonuer, Sam Rodriques, Andrew White, David A. Clifton, Marinka Zitnik,
• Abstract要約: バイオメディカルラベル付きプロパティグラフ(LPG)であるOptimusKGについて述べる。 OptimusKGには、10のエンティティタイプに190,531ノード、26のリレーションタイプに21,813,863エッジ、150の異なるプロパティキーに110,276,843値が含まれている。 グラフはノードとエッジの上位レベルスキーマを強制し、粒度、型固有のプロパティ、相互参照、前例を保持する。
• 参考スコア（独自算出の注目度）: 24.395547772712373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical knowledge graphs (KGs) are widely used in the life sciences, yet many are derived from unstructured documents and therefore lack schema-level constrains, whereas graphs assembled from structured resources are difficult to harmonize into a unified representation. We present OptimusKG, a multimodal biomedical labeled property graph (LPG) built from structured and semi-structured resources to preserve factual, type-specific metadata across molecular, anatomical, clinical, and environmental domains. OptimusKG contains 190,531 nodes across 10 entity types, 21,813,816 edges across 26 relation types, and 67,249,863 property instances encoding 110,276,843 values across 150 distinct property keys, derived from 18 ontologies and controlled vocabularies. The graph enforces a top-level schema for nodes and edges and retains granular, type-specific properties, cross-references, and provenance across molecular, anatomical, clinical, and environmental domains. We assessed the validity of OptimusKG by evaluating whether graph relationships are supported by evidence from the scientific literature using a multimodal agent, PaperQA3. PaperQA3 identified supporting evidence for 70.0% of sampled edges, whereas 83.4% of sampled false edges received no supporting evidence. Edges without literature support were concentrated in associations derived from experimental and functional genomics resources, suggesting that OptimusKG captures biomedical knowledge that may precede synthesis in the scientific literature. OptimusKG is distributed as Apache Parquet files, providing a standardized resource for graph-based machine learning, knowledge-grounded retrieval with large language models, and biomedical discovery use cases such as hypothesis generation.
• Abstract（参考訳）: 生物医学知識グラフ(KG)は生命科学で広く使われているが、その多くが構造化されていない文書から派生しており、したがってスキーマレベルの制約がない。 分子,解剖学,臨床,環境領域にまたがる事実,タイプ固有のメタデータを保存するために,構造化および半構造化資源から構築された多モードバイオメディカルラベル付きプロパティグラフ(LPG)であるOptimusKGを提案する。 OptimusKGには、10のエンティティタイプに190,531のノード、26のリレーションタイプに21,813,816のエッジ、150の異なるプロパティキーに110,276,843の値をエンコードする67,249,863のプロパティインスタンスが含まれている。 このグラフはノードとエッジの上位レベルスキーマを強制し、分子、解剖学的、臨床および環境領域にわたる粒度、タイプ固有の特性、相互参照、および証明を保持する。 本研究は,マルチモーダルエージェントPaperQA3を用いて,科学文献からの証拠によってグラフ関係が支持されるか否かを評価することにより,OptimusKGの有効性を評価した。 PaperQA3では、サンプルエッジの70.0%が支持証拠であり、サンプルエッジの83.4%が支持証拠を受けていない。 文献支援のない領域は、実験的および機能的なゲノム資源に由来する関連性に集中しており、オプティマスKGは、科学文献の合成に先立つ生物医学的知識を捉えていることを示唆している。 OptimusKGはApache Parquetファイルとして配布されており、グラフベースの機械学習、大規模言語モデルによる知識ベース検索、仮説生成などのバイオメディカル発見ユースケースのための標準化されたリソースを提供する。

関連論文リスト

• Building evidence-based knowledge graphs from full-text literature for disease-specific biomedical reasoning [5.198797072162084]
  EvidenceNet(エビデンスネット)は、フルテキストのバイオメディカル文献から病気特有の知識グラフを構築するためのフレームワークである。 EvidenceNetは、大規模言語モデル(LLM)支援パイプラインを使用して、構造化されたエビデンスノードとして実験的な根拠のある発見を抽出し、バイオメディカルエンティティを標準化し、エビデンスの品質を評価し、型付きセマンティック関係を通じてエビデンスレコードを接続する。 技術検証は、98.3%のフィールドレベルの抽出精度、100.0%の高信頼エンティティリンク精度、87.5%の融合完全性、90.0%の意味関係型精度を含む、高いコンポーネント忠実度を示す。
  論文  参考訳（メタデータ） (2026-03-30T11:53:45Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature [73.39593644054865]
  BIOMEDICAはスケーラブルでオープンソースのフレームワークで、PubMed Central Open Accessサブセット全体を抽出、注釈付け、シリアライズして、使いやすく、公開可能なデータセットにする。 われわれのフレームワークは600万以上の記事から2400万以上のユニークな画像テキストペアで包括的なアーカイブを生成する。 BMCA-CLIPは、ストリーミングを通じてBIOMEDICAデータセット上で継続的に事前トレーニングされたCLIPスタイルのモデルのスイートで、27TBのデータをローカルにダウンロードする必要がなくなる。
  論文  参考訳（メタデータ） (2025-01-13T09:58:03Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Applying BioBERT to Extract Germline Gene-Disease Associations for Building a Knowledge Graph from the Biomedical Literature [0.0]
  本稿では,ジェムリン遺伝子と疾患を結合する知識グラフ構築手法SimpleGermKGを提案する。 遺伝子および疾患の抽出には、バイオメディカルコーパス上でトレーニング済みのBERTモデルであるBioBERTを用いる。 記事,遺伝子,疾患間の意味的関連性について,部分的関係性アプローチを実装した。 知識グラフには297の遺伝子、130の疾患、46,747のトリプルが含まれている。
  論文  参考訳（メタデータ） (2023-09-11T18:05:12Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)

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。