В ранней стадии разработки лекарств традиционные методы дают лишь 5% успешных попаданий, а первичный скрининг занимает более полугода. Исследователи вынуждены работать с данными, разбросанными по PubMed, внутренним лабораторным заметкам и базам генома. Критическая информация оказывается изолированной, что замедляет поиск новых соединений и увеличивает риск дублирования работы. При уходе сотрудников теряется неявное знание, что подрывает преемственность исследований.
AWS предложила подход, основанный на технологии Bring Your Own Knowledge Graph (BYOKG) и GraphRAG — графовой дополненной генерации. Решение использует Amazon Neptune Analytics для высокопроизводительной обработки графа и Amazon Bedrock для генерации ответов на естественном языке. Исследователь может задать сложный вопрос, и система выдаст ответ, основанный на данных из единого графа знаний, который связывает соединения, гены, белки и клинические исследования. При этом каждое утверждение сопровождается цепочкой цитирования — от исходной публикации до конкретного шага обхода графа.
| Проблема | Описание |
|---|---|
| Низкая успешность | 5% попаданий, более 6 месяцев скрининга на попытку |
| Фрагментированные системы знаний | Данные разбросаны по PubMed, лабораторным запискам и базам генома |
| Потеря институциональной памяти | При уходе исследователей теряется неявное знание |
Ключевое отличие GraphRAG от простого поиска — способность понимать сложные взаимосвязи между сущностями. Граф знаний представляет собой сеть узлов (растения, соединения, белки, гены, эффекты на здоровье) и связей между ними. При запросе система не просто извлекает документы, а проходит по путям графа, собирая релевантные фрагменты и собирая их в связный ответ. Это делает результат проверяемым и воспроизводимым, что критически важно для научной работы с требованиями регуляторов.
Решение BYOKG позволяет исследователям задавать вопросы на естественном языке и получать ответы с цитированием источников.
Решение помогает сохранять институциональную память: даже если сотрудник уходит, его знания остаются зафиксированными в графе. Это снижает риск потери ценной информации и ускоряет ввод новых исследователей в курс дел. В перспективе такой подход может сократить время на генерацию гипотез и повысить долю успешных кандидатов на доклинических этапах.
