基于HALDxAI人工智能知识图谱的衰老与长寿机制全面解析

《Scientific Reports》：A systems-level dissection of aging and longevity mechanisms powered by an evidence-routed AI knowledge graph

　　

摘要

衰老是一个受众多分子和细胞因素影响的复杂生物学过程。对这些机制的系统层面理解对于确定关键调节过程并优先选择有效干预措施至关重要。在此，我们提出了一个由基于证据路由的人工智能知识图谱 HALDxAI 驱动的衰老和长寿机制的全面剖析。我们将 445,435 条与衰老和长寿相关的 PubMed 记录与 19 个精选生物医学数据库整合，构建了一个统一的衰老知识图谱（Aaging-KG）。该流程结合了从两个选定的摘要子集中进行的大语言模型提取以及语料库规模的机器学习和深度学习提取。HALDxAI 使用多智能体检索系统，将图关系和生成的答案链接到句子级别的证据。在对 300 个数据库关系进行的专家评审中，所有引用的 PMID 均能解析，97.3% 的显示证据可归因于被引用的记录，65.3% 的关系主张得到了该证据的完全支持。对 Aging-KG 的网络分析确定 TP53、mTOR 和 SIRT1 是衰老和长寿种子集之间排名靠前的桥梁候选者。这些排名描述了图拓扑结构，并未确立调节功能或因果关系。此外，一项以炎症衰老为重点的案例研究展示了 HALDxAI 分解模块化结构和定位抗衰老干预措施的能力。总体而言，HALDxAI 减少了知识碎片化，并为衰老和长寿研究中的证据检索、网络分析和假设生成提供了一个可扩展的平台。