推动科学发现：BYOKG与GraphRAG赋能智能制药研究
本文探讨GraphRAG（基于图的检索增强生成）如何通过结合图数据库与生成式AI，解决制药研究中的数据碎片化问题。介绍了使用Amazon Neptune Analytics和Bedrock的BYOKG方法，使研究人员能够通过自然语言查询统一知识图谱，加速药物发现同时保持科学严谨性。
在制药研究中，科学家面临一个根本性挑战：访问和连接分散在不同系统中的海量科学知识。从已发表的文献、内部实验记录到基因组学数据库，关键见解被困在数据孤岛中，研究人员难以形成全面关联并生成有希望的假设。这种碎片化减缓了药物发现过程，还可能导致有价值的知识随研究人员离职而流失，最终影响行业的研发效率。因此，需要一种既能智能弥合知识鸿沟又能维护科学完整性的解决方案。
领先的制药公司中，研究人员在早期药物发现阶段面临关键挑战：传统方法成功率仅5%，初始筛选超过六个月。科学家们努力连接隐藏在PubMed、内部实验记录和基因组学数据库等碎片化系统中的见解，同时还要与竞争对手和时间赛跑。数据的分散导致重复工作和机会错失，也使监管审批所需的证据追踪变得困难。当研究人员离职时，他们带走了宝贵的隐性知识，进一步削弱了突破性发现所需的机构记忆。
我们的解决方案通过转向图驱动的人工智能来应对这些瓶颈：使用Amazon Neptune Analytics，研究人员现在可以用自然语言提出复杂问题，并立即从统一的知识图谱中获得基于证据的见解，该图谱连接了从化合物相互作用到基因表达和临床研究的一切。这种方法不仅提供答案，还通过显示详细的引证路径和图遍历步骤来揭示每个结果背后的完整推理。通过展示系统如何遍历互联的研究论文和数据点，它使科学发现更加透明和可重复。
通过结合图数据库和生成式AI，研究科学家不仅能检索信息，还能放大推理能力、保存机构记忆，并挖掘原本会被埋没的见解。这有助于他们生成更好的假设、更快行动并信任输出，因为每个见解都带有背景和证明。在一个延误成本以金钱和生命衡量的领域，这一转变不仅是帮助，更是改变了研究的方式。
本文探讨了基于图的检索增强生成（GraphRAG）如何通过结合图数据库与生成式AI来变革科学研究。通过将Amazon Neptune Analytics用于高性能图处理与Amazon Bedrock集成，研究人员可以构建不仅理解复杂科学关系，而且提供直观自然语言界面的复杂系统。GraphRAG架构通过智能遍历知识图来识别相关信息路径，从而增强AI生成响应的质量，确保响应稳固地基于经过验证的科学数据。
解决方案通过自带知识图谱（BYOKG）方法重新构想研究过程，并增强GraphRAG功能。知识图谱是一种结构化信息表示，以互联节点和边的网络形式展示实体间的关系。基于Amazon Neptune，它将不同科学实体（植物、化合物、基因、蛋白质和健康影响）整合为一个统一的知识网络，桥接来自PubMed和Gene Ontology等公共源与专有数据集的数据。自动化的摄取管道和图算法持续丰富图谱，帮助研究人员发现以前隐藏在孤立数据仓库中的复杂生物学关系和见解。
使用Neptune Analytics和Amazon Bedrock，该解决方案将图算法与自然语言查询相结合，使科学探索既分析性又直观。研究人员可以用简单英语提出复杂问题，并获得基于图遍历的循证答案，带有源引用和可视化路径。交互式可视化工具进一步增强了透明度和理解力，允许用户探索关系、追踪从假设到结论的路径，并通过清晰可验证的证据验证结果。这加速了发现并加强了跨领域的科学严谨性。
解决方案帮助我们快速发现跨条件和主题的相关医学期刊文章。数据集包括PMC开放获取子集提供的HCLS期刊文章（采用CC BY和CC0许可）、NCBI通过Bio.Entrez包提供的期刊元数据、疾病本体层次结构以及使用Amazon Comprehend Medical中的ICD-10-CM链接API提取的ICD-10代码。最终图形包含以下节点类型：disease（疾病本体中的疾病，含子类映射）、author（期刊作者）、journal（期刊）、journalChunk（使用Bedrock知识库默认分块策略确定的期刊块）、icd10（ICD-10代码，与journal和journalChunk节点通过Comprehend Medical建立边）。由于使用自定义图数据模型，我们采用BYOKG-RAG工具包实现图上的自然语言查询。
开始前需准备：AWS CLI 2.11.0+、Amazon Neptune Analytics、Amazon Bedrock（Claude 4.5 Sonnet模型）、SageMaker、S3、Comprehend Medical，以及相应的IAM权限。Python 3.9+、graphrag_toolkit 1.0.0+、Jupyter环境。运行演示的成本估算：Neptune Analytics图（16 mNCU，无备用，公共连接）约0.48美元/小时，SageMaker笔记本（t3.medium，5GB EBS）约0.05+0.70美元/小时，S3存储161MB约0.0037美元/月，Bedrock成本视模型使用而定。
设置步骤：创建S3存储桶，使用AWS CLI复制数据集到自有桶，通过CreateGraphUsingImportTask API创建Neptune Analytics图（最小最大预置内存16），关联创建Neptune笔记本，下载示例笔记本并上传到Jupyter环境。
在笔记本中，我们演示使用graphrag-toolkit Python包和Amazon Bedrock Anthropic Claude 4.5 Sonnet模型构建医疗知识图谱上的检索增强生成（RAG）系统的模块化方法。该系统支持自然语言查询和知识图谱中的实体链接，结合了高级语言模型生成与结构化图数据检索。关键组件包括：基于Bedrock的语言模型生成器初始化，KGLinker作为查询图并生成答案的核心接口，以及通过自然语言问题获取增强响应的能力。
通过这一解决方案，研究人员能够快速发现疾病相关的医学文献，利用统一知识图谱揭示隐藏的联系，加速假设生成，并以透明的证据链条推动药物发现进程。