في عالم اكتشاف الأدوية، تلعب الرسوم البيانية البيوميدانية (Biomedical Knowledge Graphs) دورًا حيويًا في تسريع تطوير الأدوية. ومع ذلك، فإن أنظمة الاستعلام الحالية تفترض أن الجزيئات المطلوبة موجودة بالفعل ككيانات ضمن تلك الرسوم البيانية، مما يترك الجزيئات غير المسجلة في حالة من الفصل والانعزال. هنا يأتي دور MolBioKG.

يعتبر MolBioKG نظامًا مبتكرًا يهدف إلى معالجة هذه التحديات، والتي تُعرف بمشكلة الجزيئات خارج الرسم البياني (Out-of-Graph Molecule Problem). يعتمد النظام على هيكلين متميزين لتوصيل الجزيئات غير المرئية بالأدلة البيوميدانية عبر تقنية الربط الهيكلي متعدد الدقة (Multi-Resolution Structural Anchoring).

يتم إدراج أكثر من 2.74 مليون جزيء داخل MolBioKG، مما يجعله يتصل بشبكة تحتوي على 9.6 مليون رابط (9.6-million-edge KG). من خلال إعطاء النظام سلسلة SMILES فقط، يمكن لـ MolBioKG استرجاع كيانات رسومية مرتبطة هيكليًا واستكشاف الجوار البيوميداني لها دون الحاجة إلى تدريب محدد للمهام.

يتميز MolBioKG بآليتين للاستدلال: الأولى هي الاسترجاع متعدد المراسي الثابت (Static Multi-Anchor Retrieval) باستخدام تقنية دمج الترتيب المزدوج (Reciprocal Rank Fusion)، والثانية هي Adapt-KG، وهي سياسة استخدام نماذج اللغات الكبيرة (Large Language Models) للتنقل التكيفي.

عند تقييمه عبر استرداد الروابط داخل الرسم البياني (In-Graph Link Recovery)، والتعليل المعقد متعدد الحلقات (Complex Multi-Hop Reasoning)، والتعميم خارج الرسم البياني (Out-of-Graph Generalization)، أظهر MolBioKG أداءً يتفوق على الأساليب التقليدية، حيث ارتفعت معدلات Hits@10 من 0.585 إلى 0.876 في التعليل متعدد الحلقات، وزيادة في استدعاء الأهداف خارج الرسم البياني من 0.145 إلى 0.269. والأهم من ذلك، أن الت predictions تبقى موثوقة مع سجلات هيكلية تتبع أدلة الشبكة البيانية المحسوبة.