HypoChainer：结合大语言模型和知识图谱的协作系统用于以假设为导向的科学发现
人机交互
2025-07-24 v1 机器学习
摘要
现代科学发现面临着整合关键要素的挑战，这些要素对生物医学和药物开发的突破至关重要。传统的以假设为导向的研究虽然有效，但受限于人类认知局限、生物系统的复杂性以及试验性的高成本。深度学习模型，特别是图神经网络 (GNN)，加速了预测的生成，但大量输出使得手动筛选用于验证的规模不可行。大语言模型 (LLM) 在过滤和假设生成方面提供了前景，但因幻觉和缺乏结构化知识的支撑而不可靠。为此，我们提出了 HypoChainer，一种集成人类专家、LLM驱动的推理和知识图谱 (KG) 的协作可视化框架，以增强假设的生成和验证。HypoChainer 在三个阶段运行：首先，探索和语境化——专家使用检索增强型 LLM (RAG) 和降维技术来浏览大规模 GNN 预测，接受交互式解释的帮助。其次，假设链的形成——专家围绕预测和语义关联实体的 KG 关系进行迭代检查，与 LLM 和 KG 的建议一起细化假设。最后，验证优先级排序——对细化后的假设进行过滤，基于 KG 支持的证据识别用于实验的高优先级候选，进一步通过可视化分析加强推理中的薄弱环节。我们通过两个领域的案例研究和专家访谈展示了 HypoChainer 的有效性，突显了其支持可解释、可扩展且以知识为基础的科学发现的潜力。
引用
@article{arxiv.2507.17209,
title = {HypoChainer: A Collaborative System Combining LLMs and Knowledge Graphs for Hypothesis-Driven Scientific Discovery},
author = {Haoran Jiang and Shaohan Shi and Yunjie Yao and Chang Jiang and Quan Li},
journal= {arXiv preprint arXiv:2507.17209},
year = {2025}
}