前言随着阿尔茨海默病患者人数不断攀升Cedars-Sinai医学中心通过知识图谱和AI技术打造了AlzKB阿尔茨海默病知识库用以推动新型病因和药物的发现。本文详解这些前沿工具如何结合赋能专业人士实现高效科研转化为认知障碍领域带来突破正文据估计690 万 65 岁及以上的美国人患有阿尔茨海默病。如果没有重大的医学突破预计到 2060 年美国这一数字将上升到 1380 万到 2050 年全球将上升到 1.39 亿。人类正在付出巨大的努力来防止这些数字成为现实但到目前为止进展缓慢挑战仍然令人生畏。在与阿尔茨海默病的斗争中我们现在可能有一个强大的新盟友AI。然而真实的故事不仅仅是关于 AI 实现某种神奇的突破。它是关于医疗保健提供者和医学研究人员如何将 AI 与先进的软件工具和数据库技术相结合尤其是知识图谱和 GraphRAG图检索增强生成。这些技术有望彻底改变 AI 提供准确、上下文相关见解的方式增强其潜力远远超出 AI 本身所能实现的。帮助发现隐藏的模式领导这项工作的是 Cedars-Sinai 医疗中心它是美国最大的非营利性学术医疗中心之一。Cedars-Sinai 的研究人员正在利用图形技术来推动他们所说的“知识感知”自动化机器学习专注于阿尔茨海默病研究的两个关键领域发现以前被忽视的潜在遗传线索以及在我们的药典中识别可以重新利用的现有药物以增强可用于阿尔茨海默病的治疗库。目标不是为了研究而研究而是推动治疗创新。该中心关注这一点的第一个成果是 AlzKB这是一个可公开访问的阿尔茨海默病知识库。AlzKB 被用于指导机器学习系统获得可能无法检测到的见解或者人类研究人员需要几十年才能独立发现。Cedars-Sinai 计算生物医学系 AlzKB 工作的负责人 Jason Moore 解释说“我们的目标是为机器学习提供信息以便它能够更好地完成特征选择、模型选择和模型解释等工作。为了实现这一目标AlzKB 建立在 20 多个不同的知识来源之上结合了对基因的见解、已知的与阿尔茨海默病的遗传联系、基因与药物之间的关系以及更广泛的生物学背景如生化途径、症状等。当前版本包含 234,000 个节点和 167 万个概念之间的“边”关系所有这些都围绕详细的阿尔茨海默病本体论数据字典构建这有助于系统了解不同实体如何连接、哪些药物可以治疗阿尔茨海默病、一个基因如何调节另一个基因以及这些影响如何级联。特别令人兴奋的是该团队通过特意集成大型语言模型 LLM 和检索增强生成 RAG 等先进技术将 AlzKB 设计为具有广泛用途。这意味着研究人员和临床医生不需要说像 Cypher 这样的专业语言来提取见解;他们可以简单地用简单的英语提问。这是通过自定义解释层实现的该层充当核心 LLM 和知识图谱内复杂数据之间的桥梁。正如 Jason Moore 所说“我们希望我们的生物学和临床用户能够查询知识库而无需学习编程来查询知识图谱。在没有图谱技术的帮助下LLM 并不比抛硬币更准确当然这样做的第一站是公开可用的 LLM但 Moore 非常清楚如果他尝试一种标准的、开箱即用的方法会发生什么。“这导致我们研究了 ChatGPT但我们没想到 ChatGPT 能很好地解决这个特定问题”他说。为什么 因为现成的 LLM 根本无法理解团队构建的知识图谱中的内容。知识图谱是无数数据连接、上下文和关系的高阶综合。该上下文在公共领域中不存在其形式是可搜索的或结构化的任何 LLM 都无法接受训练。“ChatGPT 可以回答有关基因、药物或阿尔茨海默氏症的问题但它无法真正将所有这些实体放在一起并以任何方式完整地理解它们之间的关系。”然而真正破坏交易的是所有这些限制加起来就是一件严重的事情对于关键的阿尔茨海默病研究或治疗问题该系统并不可靠。正如 Moore 所说“ChatGPT 开箱即用并不比在回答问题时抛硬币更好。更好的基于图谱的方法然而通过将知识图谱的强大功能与 GraphRAG 集成并将其与 Hugging Face 最近的一项创新称为 Graph of Thoughts相结合Cedars-Sinai 从根本上提高了其自然语言界面的有效性释放了 AlzKB 旨在提供的更多洞察力和情报。“图谱为我们提供了比任何其他方式都更高层次的知识综合”他解释说。换句话说知识图谱不仅存储事实而且实际上帮助知识库对事实进行推理将碎片转化为真正的见解。但是尽管研究人员查询 AlzKB 之类的东西很强大但真正的突破可能在于 Moore 和他在 Cedars-Sinai 的同事在发展机器学习本身方面取得的进步尤其是机器学习它不仅基于数据而且基于对阿尔茨海默病的细致、生物学的理解。“已经有很多关于阿尔茨海默病的大规模遗传研究从这些非常大的患者数据集中科学迄今已经确定了人类基因组中 20,000 个基因中的大约 100 个是阿尔茨海默病的危险因素”他说。摩尔说其目的是揭示新的遗传风险因素并最终发现治疗阿尔茨海默病的新药。但是他并没有走这条老路——全球研究已经强烈关注与这种疾病相关的前 100 个基因和已知的药物线索目录——而是有意识地寻找其他地方。用于描述这种方法以及 AI 如何在新颖且希望有趣的领域支持搜索的隐喻是可见和迄今为止不可见之间的区别。“很多人都在已知基因的灯柱下寻找”他说。“我感兴趣的是在黑暗中的’那里’的新发现。”使用知识图谱为机器学习提供信息实际上这意味着使用知识图谱来改进 Cedars-Sinai 正在开发的自动化机器学习管道中特征的选择方式其影响是巨大的。即使在这些早期阶段这项研究也揭示了以前被忽视的阿尔茨海默病的遗传因素并指出了一种诱人的可能性常见的日常药物——如通常用于治疗失眠阿尔茨海默病的常见症状的替马西泮甚至是用于治疗头痛的布洛芬——可能会被重新利用或重新设计以从根本上治疗这种疾病。对 Moore 来说这种图形、高级数据分析和 AI 本身相结合的重要性具有重大意义。“我认为我们已经展示了如何定制大型语言模型并准确查询大型阿尔茨海默病数据库”他说“还展示了我们如何利用知识图谱中的知识来为机器学习提供信息从而为我们提供治疗这种疾病的新思路。图谱能否让我们更接近AI个性化、优化的医疗研发下一个前沿领域是全自动机器学习系统同样由知识图谱提供支持。很快AlzKB 用户将能够输入提示例如“向我展示与这种药物和这种疾病相关的基因”或“创建仅包含这些特定基因的数据集”然后让 AI 接管。从那里它将运行算法突出最重要的特征并提供清晰、可解释的输出科学家可以立即采取行动——加速当今阿尔茨海默病研究的真正进展而不是将来。在这里和许多其他尖端项目中很明显的是开发人员越来越多地转向图谱和 GraphRAG以利用大数据和 AI 的全部力量。这不是未来的愿景。它正在发生。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】