XiaoMi-AI文件搜索系统
World File Search SystemWikidata
利用药物知识图谱辅助数据检索
药物系统提供和/或利用的数据通常分为两类：（a）事实药物数据和（b）知识药物数据。事实药物数据主要包括药物处方和药物管理数据，医院通常将这些数据以出院信或药单中的自由文本形式存档。已经提出了几种对事实药物数据进行信息检索的方法：信息提取和自由文本搜索 [1]、机器学习 [2]。然而，实现有效的信息检索系统除了需要使用事实数据外，还需要使用知识数据。知识图谱结构（包括概念图形式主义 [3]）已用于生物医学知识，数据表示特别适合药物知识数据 [4]。现有的药物数据库（如 Wikidata [5]、Drug Bank 2 或 GoodRx 3）包含有价值的信息，但如果单独获取和/或将其中一些信息存储为非结构化数据则缺乏全面性 [6]。本研究介绍了一种系统的设计，该系统能够检索法国诺曼底鲁昂大学医院诺曼底健康数据仓库 (EDSaN) [7] 中的处方订单。药物知识数据的概念图如下：
![arxiv：2503.02688v1 [cs.db] 2025年3月4日](/simg/g:\will\search\icon\source\e\e1b3ec47375fb7128e0e2a4cb440ff1bb327ed0a.webp)
arxiv：2503.02688v1 [cs.db] 2025年3月4日
通过在网络上部署公共查询端点，近几十年来，数据的语义网络已经大大增长。例如，Yummydata.org目录超过55个SPARQL端点，对生物医学界来说是最重要的。但是，SPARQL端点通常缺乏基于直观的网络接口，该接口有效地帮助Sparql精通用户编写查询，特别是缺少自动完整[3]。诸如Stardog 1和GraphDB 2之类的几家三重商店提出了查询编辑器，但它们是专有和三重依赖于商店的解决方案，或者它们没有基于数据吸引的模式的自动完整解决方案（即，在现有数据上构建的数据架构）。另外，QLEVER UI查询编辑器是开源3，并提供自动完整，但仅在Qlever Triple Store上工作。在[1]中，作者描述了Qlever自动完成方法，该方法需要为每个自动完成请求发送SPARQL查询。结果，如果通过非QLEVER端点实现此方法，则每个自动完整请求可能需要几秒钟损害可用性并增加端点服务器负载。存在其他开源查询编辑器；但是，它们是针对特定数据集（例如Wikidata查询服务[5]）量身定制的，或者缺乏基本的相关功能，例如
消息
今天，世界正在寻求解决影响个人，合作组织和政府社会地位的各种健康挑战的解决方案。毫无疑问，通用药品研究杂志（UJPR）在科学，盟军科学，尤其是与药物有关的，探索海洋生物，细菌和植物方面都在疾病和健康管理方面的药用潜力。这是通过同行评审到出版的手稿处理过程中的韧性，合作，努力和彻底的证明。在九点钟，UJPR通过开放访问和当前的索引服务（例如Cross Ref，American Chemical Society，Road，Sherpa Romeo，EZB，EZB，EZB，ZDB，Wikidata，Wikidata，OpenAlex，FatCat，FatCat，FatCat，FatCat，FATCAT以及其他学术和教育平台和Google Scholar）等当前的索引服务构成了坚实的基础。努力确保UJPR被索引索引。随着UJPR主机发表更多的开创性研究，肯定会立即实现此目标，从而导致更大的可访问性，可见性，全球读者群，并增加了我们已发表的内容的引用。UJPR支持筛查和发现具有药物特性的植物化学物质，并通过标准化的方法和健康管理技术在实验室中合成的药物设计和进一步的药物设计。药物发现和对市售产品的设计涉及复杂的协作过程。作为后续行动，使用计算机辅助技术在探索基于植物/天然产品的药物发现和设计中具有健康驱动的解决方案的有前途且有影响力的领域。这个新兴领域是为新颖，创新和突破性的药物发现和设计的跨学科合作的开放区域，并可能获得专利。这种合作可能包括天然产品化学家，生物化学家，药剂师，生物信息学家，药理学家，计算机科学家，微生物学家等。通过对接的药物设计，从其他化合物的库中获得的命中化学化合物屏幕，该化合物具有标准（合成）药物的较高或相同的结合亲和力（Kcal/mol），并适合于具有化学和地球稳定性的蛋白质靶标上的特定口袋（活性位点）。快速提及UJPR对知识的沉浸式贡献揭示了该期刊在发布质量文章上的重点，并记录了严格和无缝的手稿审查过程。作者和审稿人对保留文章制作的人表示赞赏，并鼓励继续遵守该期刊的标准。作为作者，一个令人发指且挑战性的关注是通过解决方案驱动的研究，在时间的沙子中留下了痕迹，并具有现实的应用。，我们认真渴望成为全球最高的出版期刊，并具有很高的影响因素，并继续鼓励世界各地的作者考虑将其手稿发送给UJPR，以供考虑，并在我们随后的数量和问题中发表。
生成更智能的响应和解释
在最近的工作 [Wilcock 22a] 中，我们开发了可在知识图谱中搜索信息的对话式 AI 系统。我们将 Rasa 对话式 AI [Bocklisch 17] 和存储在 Neo4j 图形数据库 [Robinson 15] 中的知识图谱结合使用。最近 [Wilcock 22b] ，我们使用 Virtual Furhat 机器人 [Al Moubayed 12] 将社交机器人连接到这些系统。我们还向知识图谱添加了语义元数据，包括从 WikiData 中提取的分类 ( subclassOf ) 和部分 ( partOf ) 层次结构。我们现在旨在开发使用语义元数据生成更智能对话响应的方法。如果可能的话，如果用户询问机器人为什么给出某种响应，我们还将使用元数据生成简单的解释。使用语义元数据生成更智能的对话响应的想法并不新鲜。例如，在 2003 年 IJCAI 上，Milward 和 Beveridge 研究了“在多大程度上可以用通用对话系统组件和本体领域知识的组合来取代手工制作的对话设计” [Milward 03]。目的是从为一个特定领域手工制作的对话系统转变为更通用的对话系统，该系统不仅可以通过访问数据库中的领域事实，还可以访问每个领域的本体结构知识，从而与多个领域合作。作者提出了一系列交互示例，其中访问本体领域知识将使对话系统能够给出比没有手工制作更智能的响应。自 [Milward 03] 以来的二十年里，对话系统领域（现在称为对话式 AI [McTear 20]）和本体领域知识数据库领域（现在称为知识图谱 [Hogan 21]）都取得了很大进展。研究挑战在于如何开发对话式人工智能系统，利用知识图谱中日益丰富的特定领域语义背景。这将允许