基于全基因组测序（WGS）的抗菌药物耐药性（AMR）预测在准确率上已经取得显著进展，但目前多数模型仍存在一个关键短板：它们无法把神经网络给出的归因结果与既有的生物学通路对应起来。换句话说，模型可能预测得很准，却难以解释“为什么是这些基因位点”。Naman Garg 等七位作者在 2026 年 6 月 24 日提交到 arXiv 的论文中提出了 KG-TRACE，试图用神经符号方法填补这一缺口。
KG-TRACE 的核心思路，是把世界卫生组织（WHO）的突变知识图谱作为一种结构化的生物学约束，嵌入到神经基因组模型之中。与那些孤立地学习统计模式的方法不同，该框架同时利用基因组特征和基于 RotatE 的知识图谱嵌入，并通过一个学习得到的“认知信任门”（epistemic trust gate）把两者融合起来。这个门控机制会动态调整神经证据与符号化生物学知识之间的权重，使模型在预测时既依赖数据中的统计信号，也受到既有生物学知识的约束。
作者在 CRyPTIC 结核分枝杆菌队列上对该框架进行了评估。结果显示，KG-TRACE 对异烟肼耐药的预测 AUROC 达到 0.9760，具备与现有方法相当的准确率。不过论文明确表示，其首要价值并不在于预测性能的提升，而在于符号层面的“溯源”（grounding），即让模型的判断能够落到已知的生物学机制上。
为了量化这种溯源程度，研究团队引入了一个新的数据集级指标——生物溯源比率（Biological Grounding Ratio，BGR），用于衡量神经归因与既有生物学知识之间的一致程度。在该框架下，异烟肼耐药预测的符号覆盖率达到 92.5%。此外，KG-TRACE 还能通过为标记为“UNCERTAIN”的病例发出实验室随访提示，有效识别多重耐药（MDR）共现伪影，从而避免模型把统计上的相关性误当成真实的生物学机制。
论文认为，这种神经符号溯源能够为临床医生提供一条可核验的审计轨迹，从而在预测准确率与临床信任之间架起桥梁。对于需要依据模型输出做出用药决策的场景而言，可解释、可追溯的判断依据往往与准确率本身同样重要。该论文共 8 页、含 3 幅图，属于会议论文，主题涵盖机器学习、人工智能与定量生物学方法。