详细内容或原文请订阅后点击阅览
推动科学发现：BYOKG 和 GraphRAG 助力智能制药研究
在这篇文章中，我们探讨了基于图的检索增强生成 (GraphRAG) 如何通过将图数据库与生成式 AI 相结合来改变科学研究。通过这种方法，您可以在不损害科学完整性的情况下加速发现过程。
来源:亚马逊云科技 _机器学习在药物研究中，科学家面临着一个根本性的挑战：获取和连接分散在不同系统中的大量科学知识。从已发表的文献和内部实验室笔记到基因组学数据库，关键见解仍然被困在孤岛中，这使得研究人员很难形成全面的联系并产生有希望的假设。这种碎片化减慢了药物发现过程。随着研究人员的转变，它还面临着丢失宝贵的机构知识的风险，最终影响该行业高效研究和开发的能力。对能够智能地弥合这些知识差距同时保持科学完整性的解决方案的需求变得越来越重要。
挑战：分散的系统中的数据
在领先的制药公司，研究人员在早期药物发现中面临着严峻的挑战，传统方法的成功率仅为 5%，并且初步筛选需要六个月以上的时间。科学家们努力将隐藏在 PubMed、内部实验室笔记和基因组数据库等分散系统中的见解联系起来，同时还要与竞争对手和时间限制进行竞争。数据的分散性导致重复工作和错失机会。这也使得追踪监管批准所需的证据变得困难。当研究人员离开时，他们常常会带走宝贵的隐性知识，从而进一步损害突破性发现所需的机构记忆。
早期药物发现的挑战：