HeCiX: Integrating Knowledge Graphs and Large Language Models for Biomedical Research

尽管药物开发策略有所进展，但90％的临床试验失败。这表明目标验证和药物优化中存在被忽视的方面。为了解决这个问题，我们介绍了HeCiX-KG，即Hetionet-Clinicaltrials neXus知识图谱，这是临床试验网和Hetionet数据的新颖融合。HeCiX-KG将ClinicalTrials.gov中以前进行的临床试验的数据与Hetionet的有关疾病和基因的领域专业知识相结合。这为临床研究人员提供了一个全面的资源。此外，我们介绍了HeCiX，这是一个使用LangChain将HeCiX-KG与GPT-4集成的系统，从而增加了其可用性。在针对一系列临床相关问题进行评估时，HeCiX表现出高性能，证明这种模型有望增强临床研究的有效性。因此，这种方法提供了更全面的临床试验和现有生物数据视角。

论文旨在解决临床试验失败率高的问题，提出了一种将ClinicalTrials.gov和Hetionet数据融合的知识图谱HeCiX-KG，并使用LangChain将其与GPT-4集成的系统HeCiX，以提高临床研究的效果。

论文的关键思路是将临床试验和疾病、基因等领域专业知识相结合，构建一个综合性的知识图谱，并使用自然语言处理技术将其与语言模型集成，为临床研究提供更全面的视角。

论文使用了ClinicalTrials.gov和Hetionet数据构建了HeCiX-KG知识图谱，并使用LangChain将其与GPT-4集成的HeCiX系统，实验表明该系统的性能良好。论文还提供了开源代码和数据集，为进一步研究提供了便利。

近期相关研究包括使用知识图谱进行药物发现的研究，如“Drug discovery using chemical systems biology: identification of the protein-ligand binding network to explain the side effects of CETP inhibitors”和“Predicting drug-target interactions using probabilistic matrix factorization”，以及使用自然语言处理技术辅助临床研究的研究，如“ClinicalBERT: modeling clinical notes and predicting hospital readmission”。