利用知识图和大型语言模型,将分子变异和临床见解集成到COVID-19研究中
Jiaxin Yang1,2, Fushuai Zhang1, Ruifang Cao2,3
1School of Life Science, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou 310024, China.
一个新的知识图,CoVAR-KG,整合了COVID-19研究,将SARS-CoV-2突变与临床结果联系起来. 该资源有助于跟踪新兴变种,优化疫苗和治疗方法,以应对流行病的准备.
科学领域:
- 病毒学和生物信息学
- 免疫学和疫苗学 免疫学和疫苗学
- 临床医学和流行病学
背景情况:
- 由于信息碎片化,SARS-CoV-2变种的快速演变给全球健康带来了重大挑战,基础研究和临床应用之间的差距越来越大.
- 现有的病毒进化,免疫学和治疗学的研究是巨大的,但迅速过时,阻碍了有效的应对策略.
- 了解变异致病性和免疫逃避背后的分子机制对于开发及时干预至关重要.
研究的目的:
- 从九个关键领域的COVID-19出版物中系统提取和整合知识.
- 构建一个全面的知识图 (CoVAR-KG),将病毒突变与临床影响联系起来.
- 开发实时变种监测工具和对变种属性的比较分析.
主要方法:
- 使用微调的大型语言模型,系统地挖掘了439,724个COVID-19出版物.
- 将提取的数据集成到一个统一的知识图 (CoVAR-KG) 中,包括1,427,596个三倍.
- 开发COVID-19变种风险观察器 (CVRW) 框架,并与GPT-4o集成用于变种分析.
主要成果:
- CoVAR-KG建立了分子与临床的联系,将特定突变与抗原性,可传播性和治疗反应的变化联系起来,覆盖了90%已知的尖端蛋白变异位点.
- COVID-19变种风险观察员 (CVRW) 为新出现的变种威胁提供了早期预警系统.
- 与先进的人工智能模型的集成可以快速,深入地比较变体功能和免疫逃脱.
结论:
- CoVAR-KG资源有效地解决了数据碎片化,加速了针对COVID-19研究的目标识别和假设生成.
- 开发的整合工具为疫苗设计,治疗优化和增强的流行病准备提供了及时的见解.
- 该平台通过数据驱动的洞察力,提供了一种通用方法来打击当前和未来的病毒威胁.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
相关概念视频
Single Nucleotide Polymorphisms-SNPs
Modern Molecular Taxonomy
Genomics
Applications of Molecular Taxonomy
Pharmacogenomics: Identification of New Drug Targets
Evolutionary Relationships through Genome Comparisons
