[論文レビュー] An LLM-based Knowledge Synthesis and Scientific Reasoning Framework for Biomedical Discovery

Oskar Wysocki, Magdalena Wysocka+6 more|arXiv (Cornell University)|Jun 26, 2024

Biomedical Text Mining and OntologiesBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本論文では、Lunarプラットフォーム上に構築された低コードでLLMを活用したフレームワーク、BioLunarを紹介する。このフレームワークは、腫瘍学分野のバイオマーカー同定のためのAI駆動型科学的ワークフローを構築することを可能にする。RAG（Retrieval-Augmented Generation）、ツールフォーマー、自然言語推論（NLI）を統合することで、データベースおよびPubMedからの異種の証拠を統合し、遺伝子セットの解釈を自動化する。本研究では、文脈に即した証拠豊富な要約を提供することで、既知のバイオマーカーおよび新規バイオマーカーを同定する能力を示している。

ABSTRACT

We present BioLunar, developed using the Lunar framework, as a tool for supporting biological analyses, with a particular emphasis on molecular-level evidence enrichment for biomarker discovery in oncology. The platform integrates Large Language Models (LLMs) to facilitate complex scientific reasoning across distributed evidence spaces, enhancing the capability for harmonizing and reasoning over heterogeneous data sources. Demonstrating its utility in cancer research, BioLunar leverages modular design, reusable data access and data analysis components, and a low-code user interface, enabling researchers of all programming levels to construct LLM-enabled scientific workflows. By facilitating automatic scientific discovery and inference from heterogeneous evidence, BioLunar exemplifies the potential of the integration between LLMs, specialised databases and biomedical tools to support expert-level knowledge synthesis and discovery.

研究の動機と目的

• 異種の分散型バイオメディカル証拠（例：データベース、文献、オミクスデータなど）を統合し、バイオマーカー同定に向けた一貫性があり解釈可能な知見を生成する課題に対処すること。
• 非プログラマーが腫瘍学分野における複雑なLLM強化型科学的ワークフローを構築する際の障壁を低減すること。
• LLMとキュレートされた知識ベース、および外部分析ツールを組み合わせることで、自動的で再現可能かつ文脈に即した科学的推論を可能にすること。
• 特に新規または未十分に研究された遺伝子に対して、証拠統合を通じて仮説生成を支援すること。

提案手法

• フレームワークはLunar協調フレームワークに基づいて構築されており、標準化されたAPIを介してLLM駆動のコンponentをモジュラーに構成可能である。
• キュレートされた知識ベース（例：OncoKB、KEGG、PubMed）および外部データベースを用いて、LLMの推論をリトリーブして根拠づけるため、Retrieval-Augmented Generation（RAG）を採用している。
• 外部分析ツール（例：遺伝子豊富度解析および経路解析ツール、KEGG、OncoKB）とのインターフェースに、ツールフォーマーコンponentを用いている。
• LLMを用いた自然言語推論（NLI）により、多様なソースからの証拠を統合・調和させ、統一的かつ解釈可能な要約に統合している。
• システムは、事前に構築されたコンponentに加え、「Python Coder」と「R Coder」コンponentを通じたカスタムコードのサポートにより、拡張性を実現している。
• 低コードユーザーインターフェースにより、プログラミング経験のないドメイン専門家がワークフローを組み立てることが可能であり、同時に完全な再現可能性とプロバンス追跡を維持している。

Figure 1: BioLunar interface. An exemplary workflow of Gene Enrichment with an input gene set, knowledge base query and LLM interpretation components.

実験結果

リサーチクエスチョン

• RQ1 LLMベースのフレームワークは、腫瘍学分野におけるバイオマーカー同定を支援するために、異種のバイオメディカル証拠ソースを効果的に統合・推論できるか？
• RQ2 LLMは、専門的なプログラミングを要せず、モジュラーかつ再利用可能なワークフローシステム内でどのように調整されるか？
• RQ3 このようなシステムは、構造化されたデータベースと非構造化された文献からの証拠統合を通じて、既知のバイオマーカーと新規バイオマーカーの両方をどの程度同定できるか？
• RQ4 RAGとツールフォーマーをバイオメディカルワークフローに統合することで、LLMが生成する解釈の正確性と文脈的関連性が向上するか？

主な発見

• シナリオ1では、BioLunarは乳がんにおける既知のバイオマーカー（PIK3CAおよびESR1）を正常に同定・文脈化し、OncoKBおよびKEGGからの証拠によりその臨床的関連性を確認した。
• 新規遺伝子（DIXDC1、DUSP6、PDK4、CXCL12、IRF7、ITGA7、NEK2、NR3C1）に対しては、知識ベースに事前の分子プロファイルが存在しなかったため、対象となるPubMed検索が実施された。
• PubMed検索の結果、これらの新規遺伝子が乳がんと関連している最近の論文が発見され、システムが以前に知られていなかった、または報告が不足していたバイオマーカー候補を同定できる能力を示した。
• KEGGベースの豊富度解析により、新規遺伝子が腫瘍壊死性接着因子（TNF）シグナル伝達経路に有意に豊富であることが判明し、潜在的な機能的関連性が示唆された。
• 新規遺伝子のうち2つは潜在的なドラッグターゲットと特定され、1つはFDA承認済みのドラッグターゲットとして確認された。これは、研究結果の臨床的応用可能性を示している。
• フレームワークは、結論を出力元のデータにリンクする包括的で証拠に基づいたレポートを正常に生成し、再現可能で透明性のある科学的推論を可能にした。

Figure 2: A) Gene Enrichment workflow - uses the gprofiler API to access i.a. Gene Ontology, KEGG, WikiPathways, Reactome; B) Human Protein Atlas workflow. Compares and interprets the input and reference gene sets.