في عالم البيولوجيا، تحكم التفاعلات الجزيئية الهيكلية سلوك الخلايا وتقدم الأمراض. تُعبّر القنوات الدورية، والدوائر التنظيمية، والعلاقات الجينية عن معلومات معقدة تُكتب غالباً في شكل رسومي، وللأسف، لا تستطيع معظم النماذج الذكائية البيولوجية الاستفادة الكاملة من هذه المعرفة الرسومية. ولكن، اليوم لدينا حلاً مبتكرًا: GiG.

يُعد إطار العمل GIG (Graph-in-Graph) ثورة في تحليل البيانات السريرية المحدودة، حيث يمثل كل مريض كرسوم بيانية متكاملة، فيما تتداخل الرسوم البيانية المعرفية البيولوجية لتشكل الروابط بينما تحدد قياسات محددة للمريض، مثل تعبير الجينات، مميزات العقد. هذه البنية الرائعة تسمح بدمج الرسوم البيانية المعرفية المتعددة مع الحفاظ على تداخل الجينات وتشكيل المسارات خلال عمليات تعلم التمثيل على مستوى المرضى.

في اختبارات أُجريت على تجمعات تضم حوالي 9,700 مريض و5 مهام سريرية متنوعة، من بينها الكشف عن سرطان الدم، وتشخيص سرطان البروستاتا، حققت GiG نتائج متفوقة على الطرق التقليدية وأحدث الأساليب، مع تحقيق أكبر تحسينات في البيئات ذات العينات المحدودة. على سبيل المثال، في مهمة تشخيص سرطان البروستاتا، تمكنت GiG من تحسين درجة F1 بمعدل يصل إلى 49 نقطة مئوية مقارنة بالأساليب المنافسة.

أظهرت التجارب الضابطة التي استبدلت الرسوم البيانية الحقيقية بتراكيب عشوائية أن هذه التقدمات ناتجة عن بنية الرسوم البيانية المعرفية المستندة إلى المعرفة البيولوجية وليس فقط عن النمذجة الرسومية.

هذه النتائج تُظهر كيف يمكن أن يُحسن التعلم العميق المودل على الرسوم البيانية المعرفية من القوة، ووضوح النتائج، وكفاءة العينات في تحليل البيانات السريرية، مما يقدم إطارًا مبدئيًا لدمج الرسوم البيانية المعرفية البيولوجية في النمذجة التوقعية.