基于 Samyama 图数据库的大规模开放生物医学知识图谱：构建、联邦与 AI 智能体访问

查看 PDF HTML（实验性）

摘要：生物医学知识分散在各自孤立的数据库中——Reactome、STRING、Gene Ontology、this http URL、DrugBank、DGIdb、SIDER、PubMed、ClinVar、ChEMBL、OpenTargets 等。我们提出一个开放、可复现的生物医学知识图谱生态系统，构建于 Samyama（一个 Rust 原生图数据库）之上：端到端详述三个基础图谱——Pathways KG（118,686 个节点，834,785 条边）、Clinical Trials KG（7,774,446 个节点，26,973,997 条边）和 Drug Interactions KG（32,726 个节点，191,970 条边）——以及它们扩展为一个包含 22 个图谱、2 个队列的合并生物医学存储（328,130,739 个节点和 1,441,425,733 条导入边，其中包括来自 Synthea 的 295,000 名合成 OMOP CDM 患者）。首先，我们描述一种可复现的 ETL 和可移植的 .sgsnap 快照模式，其中图谱可单独加载或组合成一个存储。其次，我们通过查询时属性连接和加载时标识符去重（--dedup-keys）分析单存储跨 KG 集成：在所有 24 个快照（Samyama-Graph v1.13.0）中，328.1M 个节点和 1.44B 条边在 2,269.1 秒（37 分 49 秒）内加载完成，峰值 RSS 为 366.5 GB（254 B/边），在五个经审计的键（mondo_id、uniprot_id、go_id、drugbank_id、symbol）上合并了 132,511 个跨源实体——占 150,965 个 Bound A 健全标识符上限的 87.8%，且零冲突 ID 拒绝。在一个冻结的 81 查询套件上，62 个查询返回结果（17 个数据缺口空结果，2 个超时）；在一个扩展的 200 查询 oracle 套件上，200 个中有 195 个通过（97.5%）。第三，我们引入模式驱动的模型上下文协议（MCP）服务器生成：在 3-KG 子集上的 40 问题 BiomedQA 基准上，领域特定 MCP 工具达到 98% 的准确率，而模式感知 text-to-Cypher 为 85%，独立 GPT-4o 为 75%，且零模式错误。

评论：	14 页，9 张表。v4 增加了在 Samyama-Graph v1.13.0 上的 22-KG + 2-队列（328.1M 节点，1.44B 边）单存储合并、Bound A 标识符健全性审计（132,511 次合并）以及 200 查询 oracle 套件（195/200 通过）。代码和基准：this https URL
主题：	数据库（cs.DB）；人工智能（cs.AI）；定量方法（q-bio.QM）
ACM 分类：	H.2.4；J.3
引用为：	arXiv:2603.15080 [cs.DB]
	（或本版本的 arXiv:2603.15080v4 [cs.DB]）
	https://doi.org/10.48550/arXiv.2603.15080 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Sandeep Kunkunuru [查看电子邮件]
[v1] 2026 年 3 月 16 日星期一 10:36:13 UTC（12 KB）
[v2] 2026 年 3 月 17 日星期二 12:26:44 UTC（13 KB）
[v3] 2026 年 3 月 18 日星期三 11:46:32 UTC（13 KB）
[v4] 2026 年 10 月 30 日星期五 06:30:28 UTC（16 KB）