研究人員提出了一種名為KG-TRACE的神經符號框架，旨在解決抗菌素耐藥性（AMR）預測中神經網路歸因缺乏生物學機制支撐的問題。該框架將世界衛生組織（WHO）的突變知識圖譜作為結構化的生物學約束，整合到基於全基因組測序（WGS）的神經模型中。與現有方法孤立學習統計模式不同，KG-TRACE透過一個可學習的認知信任門，將基因組特徵與基於RotatE的知識圖譜嵌入動態融合，從而在神經證據與符號生物學知識之間進行加權權衡。這種融合機制使得模型能夠同時利用資料驅動的模式識別和已有的生物學知識，提升預測的可解釋性和可靠性。
在CRyPTIC結核分枝桿菌佇列上的評估顯示，KG-TRACE對異煙肼的AUROC達到0.9760，與現有最高精度模型相當，但其核心貢獻在於符號歸因而非預測精度的提升。更重要的是，該研究引入了生物學歸因比（BGR），這是一種資料集級指標，用於量化神經歸因與已知生物學知識之間的對齊程度。實驗表明，KG-TRACE對異煙肼耐藥預測的符號覆蓋率達到92.5%，並能有效識別多重耐藥（MDR）共現偽影。對於模型判斷為“不確定”的案例，系統會發出實驗室跟進標誌，提示需要進行進一步的實驗驗證。
該框架為臨床醫生提供了可驗證的審計追蹤，彌合了預測精度與臨床信任之間的鴻溝。透過將神經網路的預測與已知的生物學通路關聯起來，KG-TRACE使得臨床決策更加透明和可信。論文還提供了詳細的實驗設定、消融研究和視覺化分析，展示了神經符號方法在提高AMR預測可解釋性方面的潛力。這項工作為未來將結構化知識融入深度學習模型提供了新的思路，尤其在生物醫學領域具有重要的應用前景。