광범위한 생물 의학 지식을 시나리오 기반 명제로 맥락화할 수 있는가?

생물 의학적 발견 (Biomedical discovery)은 종종 광범위한 생물 의학 지식을 특정 실험 또는 임상 데이터와 연결하는 것을 필요로 합니다. 배경 지식은 관련 메커니즘을 제시하지만, 데이터셋 변수에 직접 매핑하기에는 대개 너무 일반적이며, 데이터 기반 패턴은 데이터셋에 특화되어 있어 메커니즘적으로 해석하기 어려울 수 있습니다. 우리는 이 누락된 연결 고리를 지식 맥락화 (knowledge contextualization)로 연구합니다. 즉, 광범위한 생물 의학 지식을 도메인 전문가가 검토, 재현 및 검증할 수 있는 증거 기반의 시나리오 기반 명제 (scenario-grounded propositions)로 변환하는 것입니다. 우리는 지식 맥락화를 반복적인 탐색 (iterative search)으로 취급하는 이층 구조의 멀티 에이전트 (multi-agent) 프레임워크인 SCENE을 제안합니다. 상위 레벨은 광범위한 지식을 탐색 방향으로 변환하고 이를 데이터셋 스키마 (dataset schema)에 기반하도록 합니다. 하위 레벨은 다목적 최적화 (multi-objective optimization)를 통해 이러한 방향을 실행하여, 증거의 강도와 데이터 지원 사이의 균형을 맞추는 구체적인 명제를 식별합니다. 두 레벨 사이의 피드백은 탐색을 점진적으로 정교화합니다. 우리는 두 가지 설정에서 SCENE을 평가합니다: 임상 시험 시나리오에서 이질적인 치료 이점을 가진 환자 하위 그룹을 발견하는 것과, LINCS L1000 연구에서 문맥 특이적 생물학적 반응을 식별하는 것입니다. 임상 시험에서 SCENE은 구체적이고 잘 뒷받침되는 하위 그룹을 발견하며 기존 베이스라인 (baselines)보다 뛰어난 성능을 보입니다. L1000 연구에서 SCENE은 강력한 타겟-반응 매칭과 높은 양성률을 보이는 섭동 문맥 (perturbational contexts)을 식별합니다. 이러한 결과는 SCENE이 광범위한 지식과 시나리오 특화된 증거 사이의 가교 역할을 하여, 후속 검증을 위한 추적 가능하고 검토 가능한 가설을 생성함을 보여줍니다.