大規模言語モデル（LLM）が持つドメイン固有知識の不足やハルシネーションを解決するために、外部知識を活用するGraphRAGが利用される。しかし、既存のGraphRAGは異種データソース間の意味的な接続や、構造化されたFAIR原則に基づく管理が不十分であるという課題がある。本研究は、科学データの検索可能性、アクセシビリティ、相互運用性、再利用性を確保しつつ、高度な意味解析を行うことを目的としている。
FDOsに基づくFAIRな知識グラフ（KG）モデルの定式化と、エンドツーエンドのKG構築パイプラインの開発を実現した。従来のGraphRAGでは不十分であった、コアコンテンツとメタデータの紐付け、オントロジー用語へのマッピング、およびLLMを用いたFAIRなKGの自動構築を統合した点が新規性である。これにより、グラフ全体だけでなく個々のノードレベルでのFAIR性を担保している。
知識グラフをプロパティグラフモデルとして定義し、グラフを $\mathcal{G} = (\mathcal{V}, \mathcal{E}, \mathcal{T}, \text{src}, \text{lbl}, \text{prop}, \text{type})$ と形式化する。各ノードはFDOとしてモデル化され、データ、メタデータ、永続的識別子（PID）、およびラベル集合を保持する。構築プロセスでは、LLMを用いてスキーマを生成し、構造化・非構造化データからエンティティとメタデータを抽出した後、BioPortal等のAPIを用いてオントロジー用語へマッピングを行う。検索時には、LLMがユーザーの質問からCypherやSPARQLといったグラフクエリ言語を生成し、プロパティグラフデータベースに対してクエリを実行する。
胆管癌患者のRNAシーケンシングデータを用い、1038個のノードを含む知識グラフを構築して評価を行った。比較対象として、PIDやメタデータ、オントロジーの紐付けを欠いたNon-FAIR GraphRAGを用いた。評価指標には、FAIR原則への準拠度、回答の正確性、網羅性、および説明可能性を用い、計42問の質問でテストを実施した。gpt-4o-miniを用いたFAIR GraphRAGは、正確性と網羅性で92.86%、説明可能性で100%を達成した。一方、Non-FAIRな手法ではメタデータやオントロジーに関する質問の正確性が0%となり、正確性と網羅性も42.86%に留まった。
本手法は、ライセンス情報の欠如によりFAIR原則の基準の一つであるR1.1を満たせないという限界がある。また、Llama-3.3-70Bのようなモデルでは、無効なCypherクエリを生成しやすいという課題も確認された。今後の課題として、メタデータのリンキングやオントロジー用語のマッピング手法を高度化し、内部および外部リソースを用いた自動的なFAIR化と意味的相互運用性の強化を目指している。
FAIR GraphRAGは、知識グラフ（KG）を用いたGraphRAGの利点と、科学データの管理原則であるFAIR（Findability, Accessibility, Interoperability, Reusability）を統合した新しいフレームワークである。本手法では、FAIR Digital Objects (FDOs) をグラフの基本単位として採用しており、各ノードはコアデータ、メタデータ、永続的識別子、および意味的なリンクを包含する。LLMを活用することで、スキーマの構築やデータソースからのコンテンツおよびメタデータの自動抽出を実現している。胃腸病学におけるRNAシーケンシングデータを用いた実験では、メタデータやオントロジーのリンクを含む複雑なクエリに対して、従来のRAGよりも回答の正確性、網羅性、および説明可能性が大幅に向上することが示された。このフレームワークは、医学分野の専門家と計算機科学者の共同設計により、技術的および臨床的な妥当性を確保している。
本研究は、大規模言語モデル（LLM）が持つドメイン固有知識の不足やハルシネーションを解決するため、外部知識を活用するRetrieval-Augmented Generation（RAG）の一種であるGraphRAGを、FAIR原則（Findable, Accessible, Interoperable, Reusable）に基づいて拡張したFAIR GraphRAGフレームワークを提案している。既存のGraphRAGは知識グラフ（KG）を利用するものの、異種データソース間のセマンティックな接続や構造化されたFAIR化が不十分であるという課題がある。提案手法では、知識の基本単位としてFAIR Digital Objects（FDOs）を採用しており、各ノードはコアとなるデータアーティファクト、それを記述するメタデータ、および一意の識別子であるPersistent Identifier（PID）を「シェル」構造として保持する。このフレームワークは、スキーマ設計やデータセットからのエンティティおよびメタデータの自動抽出といったKG構築プロセス自体にもLLMを活用するLLMベースの構成となっている。本研究の貢献は、FDOsに基づくFAIR KGモデルの定式化、エンドツーエンドのKG構築パイプラインの開発、および生物医学データセットを用いた実装と評価を通じて、その実用性を実証することにある。
本研究の背景となる関連研究では、科学データの管理・共有・再利用性を高めるためのFAIR原則と、その実装概念であるFAIR Digital Objects (FDOs) が議論されている。FDOsは、ビットシーケンス、メタデータ、オブジェクト指向プログラミングに着想を得た標準化された操作、および永続的識別子 (PID) から構成される標準化されたデジタル実体である。既存の知識グラフ (KG) 構築手法には、グラフ全体にPIDやメタデータを付与してFAIR化を試みるものや、FDOsをグラフ内の意味的なサブユニットとして統合する試みがあるが、コアコンテンツの紐付けやオントロジー用語のマッピング、LLMを用いた自動構築といった側面は十分に扱われていない。LLMを用いたKG構築は、スキーマ設計やエンティティ・関係抽出において有効であるが、FAIR原則やFDOsを組み込んだ手法は存在しない。また、RAG (Retrieval-Augmented Generation) において、エンティティをコミュニティとしてグループ化し多層的なサブグラフを構築するGraphRAGの手法は、従来のRAGよりも包括的かつ多様な回答生成が可能である。しかし、RAGフレームワークの基盤となるデータリソースに対して、FAIR原則に基づいた体系的なFAIR化や、LLMによるFAIR KGの自動構築を提案している研究は未だ存在しない。
本手法は、各ノードをFAIR Digital Object (FDO) としてモデル化することで、グラフ全体だけでなく個々のノードレベルでのFAIR性を実現するFAIR GraphRAGフレームワークを提案している。知識グラフはプロパティグラフモデルを採用しており、ノードの集合を $\mathcal{V}$、エッジの集合を $\mathcal{E}$、ノードタイプ $\mathcal{T} = \{\text{dataset}, \text{entity}\}$ と定義したとき、グラフはタプル $\mathcal{G} = (\mathcal{V}, \mathcal{E}, \mathcal{T}, \text{src}, \text{lbl}, \text{prop}, \text{type})$ として形式化される。ここで、$\text{src}: \mathcal{E} \to \mathcal{V} \times \mathcal{V}$ はエッジをノードのペアに関連付け、$\text{lbl}: \mathcal{V} \to 2^{\mathcal{L}}$ は各FDOにラベル集合を、$\text{prop}: \mathcal{V} \to \text{Key} \to \text{Value}$ はメタデータ等の属性を、$\text{type}: \mathcal{V} \to \mathcal{T}$ はノードタイプを割り当てる。構築パイプラインは、ユーザー定義のエンティティに基づきLLMを用いてスキーマを生成する段階から始まり、構造化・非構造化データから情報を抽出した後、PIDの付与、メタデータ抽出、およびBioPortal等のAPIを用いたオントロジー用語へのマッピングを通じて各エンティティをFDOへと変換する。最終的に、データセット内またはデータセット間での類似性に基づく関係性をエッジとして統合し、プロパティグラフデータベースを構築する。検索プロセスでは、ユーザーの質問とグラフスキーマを含むプロンプトをLLMに入力することで、CypherやSPARQLといったグラフクエリ言語を生成させ、埋め込みベースの類似性検索よりも柔軟なクエリベースの検索を実現している。
本研究では、生物医学データセットを用いたFAIR GraphRAGの有効性を、PID（永続的識別子）、メタデータ、およびオントロジーの紐付けを欠いたNon-FAIR GraphRAGとの比較により検証している。実験には、胆管癌患者の胆汁サンプルから得られたRNAシーケンシングデータ（GEOアクセッション番号 GSE280797）を使用し、80行のデータから構築された1038個のノード（データセット、遺伝子、GO-BP、パスウェイ）を含むNeo4j上の知識グラフを対象としている。評価指標として、FAIR原則への準拠度（Findability, Accessibility, Interoperability, Reusability）に加え、回答の正確性（Accuracy）、網羅性（Coverage）、および説明可能性（Explainability）を用い、22個の一般質問、10個のメタデータ質問、10個のオントロジー質問の計42問でテストを行った。結果として、gpt-4o-miniを用いたFAIR GraphRAGは、正確性および網羅性において92.86%、説明可能性において100%という高い数値を達成したが、ライセンス情報の欠如により基準R1.1のみを満たせなかった。対照的に、Non-FAIRな手法ではメタデータやオントロジーに関する質問の正確性が0%となり、gpt-4o-miniを用いた場合でも正確性と網羅性は42.86%に留まった。また、Llama-3.3-70BはFAIR設定において性能を向上させたものの、無効なCypherクエリを生成することが多く、gpt-4o-miniの性能には及ばなかった。
本研究では、FAIR Digital Objects をグラフベースの RAG に統合することで、ドメイン固有の知識グラフの FAIR 化と意味的相互運用性を向上させる手法である FAIR GraphRAG を提案している。この手法は、大規模言語モデル（LLM）を活用してスキーマ構築、およびコンテンツとメタデータの自動抽出を行う。生物医学データを用いた実験の結果、FAIR 遵守度と質問応答の評価指標の両面において、従来のベースライン手法と比較して、検索可能性（findability）、相互運用性（interoperability）、再利用性（reusability）、および説明可能性（explainability）が大幅に向上することが示された。標準化されたメタデータ、永続的識別子（PIDs）、およびオントロジー用語のマッピングを採用することで、透明性が高く正確な結果を実現している。本フレームワークは、オープンソースおよび商用 LLM の双方に対応しており、倫理的・規制的基準に準拠した柔軟なデプロイが可能である。今後の課題として、メタデータのリンキングやオントロジー用語のマッピング手法を高度化し、内部および外部リソースを用いた自動的な FAIR 化と意味的相互運用性の強化を目指している。