本文介绍了完全由机器学习算法生成的第一个大规模公开生物医学知识图谱 Biomedical Informatics Ontology System（BIOS），包括生物医学术语的整理、同义词的计算识别、概念节点的聚合、语义类型分类、关系识别和医学机器翻译。结果提示，基于机器学习的 BioMedKG 开发是传统专家编纂的可行替代方案。

Mar, 2022

本文描述了如何构建一个特定领域的知识图谱，以帮助癌症生物标志物的发现和查询，并使用语义技术和信息抽取方法集成相关领域的知识和数据，提供交互式解释和问题回答。

Feb, 2023

提出了一种用于学习具有实体属性的知识图谱嵌入的模块化框架，其中模块可以对不同模态的属性数据进行编码，并且支持具有缺失属性的实体。在使用包含大约两百万三元组的生物医学 KG 进行训练和评估时，发现在给定低程度实体的情况下，与不考虑属性数据的基准方法相比，该方法在药物 - 蛋白质相互作用预测任务中的表现较好。

Jun, 2023

KG-Hub 是一个平台，它通过一种简单、模块化的提取 - 转换 - 加载（ETL）模式来生成符合 Biolink Model 的图形数据，易于集成任何 OBO 本体论，支持对上游数据源的缓存下载、版本化和自动更新构建，提供易于重复使用的转换子图，并支持基于知识图的机器学习。

Jan, 2023

开发了一个基于领域知识图谱和语义推理的癌症特定生物标志物发现和交互式问答系统，使用生物医学数据、领域本体论、信息提取方法以及大型语言模型进行知识图谱的构建和更新。

Oct, 2023

在追求生物医学科学人工智能领域中，一种常见方法是构建由大型语言模型驱动的副驾驶代理，然而如何从 AI 科学家的角度精确评估这些代理系统目前尚未被充分探索。我们通过模仿科学家最重要的能力之一，即理解文献，提出了一种新的评估基准 BioKGBench，将其与传统的评估基准进行对比，并引入了一个新的代理任务 KGCheck，通过知识图问答和领域相关的检索增强生成技术来识别现有大规模知识图数据库中的事实错误。我们的研究发现当前最先进的代理系统在我们的基准测试中要么失败，要么表现低劣。我们提出了一个简单而有效的基准系统 BKGAgent，并在常用的知识图上发现了 90 多个事实错误，从而展示了我们方法的效果。

Jun, 2024

这篇研究论文探讨了如何使用自然语言问答，相结合的语言模型和 KG 嵌入来回答生物学家们所提出的一系列自由形式的问题，其 KG 数据集来源于 Hetionet，并利用该数据集创建一个多跳生物医学问答数据集以测试多跳生物医学问答系统。

Nov, 2022

本文介绍了 ProteinKG65，一个专门用于蛋白质科学的知识图谱，它基于基因本体论和 Uniprot 知识库，并整合了多种知识，主要旨在将基因本体论的知识应用于蛋白质功能及结构预测，文中还展示了 ProteinKG65 的潜在应用。

May, 2022

本文介绍了基于企业阿里巴巴集团的知识图谱的构建过程及其应用，形成了一个前所未有规模的公开业务知识图谱 OpenBG，其中覆盖了各种抽象产品和消费需求，包括精细的分类和多模态事实，并分享了 OpenBG 基准资源以及基于 OpenBG 基准的在线竞赛结果。

Sep, 2022

本文介绍了 Docs2KG，一种从不同和异构的非结构化文档中提取多模式信息的新框架。Docs2KG 可以动态生成表示提取的关键信息的统一知识图，从而实现对文档数据湖的高效查询和探索。该框架与现有方法不同，它提供了一种灵活可扩展的解决方案，可以适应各种文档结构和内容类型。Docs2KG 通过统一的数据处理支持多种下游任务，提高了领域解释能力。

Jun, 2024