全ゲノムシークエンシング（WGS）に基づく抗菌薬耐性（AMR）予測は高い精度に達しているものの、既存モデルには神经学的な帰属を既知の生物学的経路に結びつける仕組みが欠けている。Naman Garg 氏ら 7 名の著者による 2026 年 6 月 24 日投稿の arXiv 論文は、この課題に神経記号的手法で取り組むフレームワーク KG-TRACE を提案している。
KG-TRACE の中核は、世界保健機関（WHO）の変異知識グラフを構造化された生物学的制約として神経ゲノムモデルに組み込む点にある。統計的パターンを単独で学習する従来手法とは異なり、本フレームワークはゲノム特徴量と RotatE に基づく知識グラフ埋め込みを、学習された「認識的信頼ゲート」を通じて融合する。このゲート機構が神経的証拠と記号的生物学知識の間の重みを動的に調整することで、予測はデータ中の統計的信号だけでなく既存の生物学的知見にも制約される。
著者らは CRyPTIC 結核菌コホートで評価を行った。その結果、KG-TRACE はイソニアジド耐性予測で AUROC 0.9760 を達成し、既存手法と遜色ない精度を示した。ただし論文は、第一の価値は予測性能の向上ではなく、モデルの判断を既知の生物学的メカニズムに接地させる記号的グラウンディングにあると明言している。
このグラウンディングの度合いを定量化するため、研究チームはデータセットレベルの新指標である Biological Grounding Ratio（BGR）を導入した。これは神経帰属と確立された生物学の一致度を測るもので、本フレームワークはイソニアジド耐性予測で 92.5% の記号的カバレッジを実現している。さらに KG-TRACE は「UNCERTAIN」とされた症例に検査フォローアップのフラグを立てることで、多剤耐性（MDR）の共起アーティファクトを効果的に識別し、統計的な相関を真の生物学的メカニズムと誤認することを防ぐ。
論文は、こうした神経記号的グラウンディングが臨床医に検証可能な監査証跡を提供し、予測精度と臨床的信頼の間の溝を埋めると主張している。モデル出力に基づいて投薬判断を行う場面では、説明可能で追跡可能な根拠が精度そのものと同程度に重要となり得る。本論文は 8 ページ・図 3 点の会議論文であり、機械学習、人工知能、定量生物学の方法論にまたがる内容となっている。