
基于AI的知识推理
我们基于人工智能、生物医学大数据和知识图谱,拥有在数据管理、知识整合和智能推理方面的核心技术优势,能够高效地从海量数据中挖掘新知识,赋能生物医学研究和临床实践。
我们寻求与临床科研和转化医学领域的合作伙伴,通过如下的研究策略共同探索,以加速临床转化,应对未满足的临床需求。
基于领域知识图谱的推理新的疾病—分子—药物关系
研究策略
围绕感兴趣的临床或药物研发问题,通过大语言模型从文献中提取知识,构建领域知识图谱,利用神经符号推理的算法预测新的疾病—分子—药物—表型—通路等的新关系或子图,从而发现潜在的新治疗靶点、作用机制、生物标志物等。

策略优势
- 发现复杂、隐藏的关系——图算法可有效的挖掘多种类型的概念之间复杂的“多跳”关系
- 可解释性——相比基于黑箱的神经网络学习,基于知识图谱和神经符号学习方法可提供推理路径的溯源,有助于评估推理的逻辑可靠性、发现内在的关联机制
- 规模化自动化——大语言模型推动了规模化、自动化的知识提取和知识图谱构建
基于大数据整合和机器/深度学习建立预测模型
研究策略
针对疾病诊断、预后预测、药效检测等临床需求,整合临床信息、多组学以及公共数据资源,构建机器/深度学习模型。通过多层面数据的信息互补,开发更准确、更可靠的预测工具。

策略优势
- 减少数据偏差和噪声——通过数据标准化和数据整合过程,获得高质量数据集作为建模的基础
- 充分利用相关信息——AI算法可捕捉高维特征中的复杂关系,从而提升性能