Hakken：预测未来的发现以填补当今知识的空白

我们提出了 Hakken，一个与领域无关的预测和解释系统，用于执行知识预测，即通过建立新颖的关系来增长科学知识，这些关系不限于先前知识的演绎外壳。 Hakken 使用基于 Transformer 的预测模型，该模型建立在从大量研究出版物中提取的知识图的时间序列上，与 LLM 的语义知识融合，来预测科学概念之间尚未记录的关系的存在并定义其类型。然后，它调用一个与模型无关的解释框架，为每个预测提供附带信息，使科学家能够评估建议的新关系。虽然是通用目的，但我们通过将其应用于生物医学领域来展示 Hakken 的实用能力。在那里，Hakken 的预测模型为时间感知的多标签关系预测建立了新的基准，并且我们表明该模型的输出在历史数据的较长时间跨度内保持一致和信息丰富。此外，我们还对与衰老相关的 150 万个高于置信阈值的假设进行了评分，与生物学家一起对这些预测批次进行了定性验证，并在湿实验室中对其中的三个进行了实证验证。两个对药物发现和再利用具有潜在重大影响的预测得到证实，将以前未记录的 TP53 和 BAMBI 之间以及 RAF1 和 TNF 之间的相互作用引入生物医学科学。