Synaptix: Managing R&D Knowledge using Graphs & GenAI - GT Pharma 2025

Summary

Dans cette présentation, un expert de Merk Healthcare décrit l'initiative Synaptics, un écosystème de gestion des connaissances pour la R&D en santé, combinant graphes de connaissances et intelligence artificielle. Le projet vise à connecter des données fragmentées, faciliter l'accès et améliorer la prise de décision grâce à des outils analytiques et des agents LLM. Des cas d'utilisation variés sont présentés, allant de la recherche préclinique à la validation de cibles et à la gestion de documents. L'intervenant souligne l'importance des graphes de connaissances comme fondement indispensable pour l'IA agentique, garantissant précision, rapidité et traçabilité dans un paysage de données complexe.

Takeaways

• 😀 L'objectif principal de Synaptics est d'améliorer la gestion des connaissances en R&D dans le secteur de la santé grâce à un graphe de connaissances sémantique reliant les données internes et externes.
• 😀 Merck Healthcare investit massivement dans la numérisation, l'IA avancée et l'optimisation des processus pour maximiser la valeur des données.
• 😀 La plateforme Synaptics utilise une approche double : un navigateur de connaissances pour les utilisateurs généraux et une base de données graphique (Neo4j) pour l'analytique et les applications LLM.
• 😀 Neo4j est intégré pour créer des sous-graphes optimisés pour l'analytique et les workflows d'agents, avec les résultats réintégrés dans le navigateur de connaissances.
• 😀 Le modèle TXGN est utilisé pour la prédiction de liens médicament-maladie même sans données de traitement existantes, offrant une interprétation mécanistique via des chemins multi-sauts.
• 😀 Une évaluation quantitative de la valeur des données est mise en place pour mesurer la contribution de chaque source de données aux prédictions du graphe.
• 😀 Les documents sont traités via le Meta DO Loader, segmentés et intégrés au graphe pour permettre aux LLM de répondre aux questions pertinentes de manière automatisée.
• 😀 Des mécanismes de validation de la qualité des données et de filtrage du bruit sont envisagés pour assurer la fiabilité des informations exposées par les agents.
• 😀 Les cas d'utilisation incluent la recherche préclinique et clinique, la validation de cibles, l'intelligence compétitive, l'harmonisation réglementaire et la prédiction des risques de toxicité (HepSafe).
• 😀 Les graphes de connaissances restent essentiels à l'ère de l'IA agentique, fournissant une 'carte' pour naviguer dans des systèmes fragmentés, améliorer la vitesse, la précision et la confiance des workflows d'agents.
• 😀 La traçabilité et la transparence sont assurées grâce à la provenance des nœuds, permettant aux agents d'écrire des connaissances validées directement dans le graphe pour réutilisation future.

Q & A

Quel est l'objectif principal de l'initiative Synaptics chez Merck Healthcare ?

L'objectif principal de Synaptics est d'améliorer la gestion des connaissances dans la R&D en santé en connectant les données de manière significative à travers un graphe de connaissances sémantique, facilitant ainsi l'utilisation pour diverses applications en aval et les agents d'IA.

Quels sont les piliers stratégiques de Merck pour la culture numérique et la gestion des données ?

Les piliers incluent l'élévation de la culture numérique, le renforcement des compétences, l'optimisation des processus, la rationalisation de la stratégie et de la gouvernance des données, l'adoption complète de l'IA et de l'analytique avancée, et la modernisation de l'infrastructure.

Pourquoi Merck a-t-il choisi une approche à deux plateformes pour le graphe de connaissances ?

Pour répondre aux besoins divers des utilisateurs : la Knowledge Browser pour la visualisation et la navigation, et la base de données Neo4j pour l'analyse, le développement LLM et les tâches avancées de science des données.

Quels défis Merck cherche-t-il à résoudre avec son graphe de connaissances ?

Merck vise à résoudre la fragmentation des données internes, l'incohérence des formats, l'accès limité aux données et la redondance du travail, permettant un accès plus rapide et fiable aux informations.

Comment Neo4j est-il intégré dans l'architecture Synaptics ?

Neo4j est utilisé comme base de données de graphe pour l'analyse et les applications LLM, recevant des sous-graphes transformés en graphes de propriétés, et fournissant des insights qui sont réindexés dans la Knowledge Browser pour les utilisateurs.

Quels cas d'utilisation spécifiques sont soutenus par le graphe de connaissances chez Merck ?

Parmi eux : catalogage de données cross-R&D, harmonisation des données réglementaires, intégration de l'intelligence concurrentielle, validation de cibles, connexion des données patient, prédiction de l'hypotoxicité avec Hepsafe, et salles de données activées par IA.

Comment Merck utilise-t-il les modèles de fondation et l'IA pour la prédiction et la valorisation des données ?

Merck utilise des modèles comme TXGN pour la prédiction de liens médicament-maladie et évalue la contribution des sources de données au niveau des arêtes, permettant de mesurer quantitativement la valeur de chaque source de données.

Quel rôle joue la provenance et la traçabilité dans le graphe de connaissances ?

La provenance et la traçabilité assurent la transparence et la fiabilité des données, en identifiant quand, comment et par qui une information ou un nœud a été généré, renforçant ainsi la confiance dans les agents d'IA.

Pourquoi un graphe de connaissances reste-t-il essentiel à l'ère de l'IA agentique ?

Sans graphe de connaissances, les agents d'IA évoluent dans un paysage fragmenté et risquent des erreurs. Le graphe fournit une carte structurée, reliant patients, essais, échantillons et documents, ce qui améliore la vitesse, la précision et la fiabilité.

Comment Merck intègre-t-il les documents et les métadonnées dans le graphe de connaissances ?

Grâce au Meta Document Loader, les documents sont segmentés, intégrés et annotés automatiquement dans la base de données de graphe. L'IA identifie le type de document, déclenche les questions pertinentes et stocke les informations essentielles dans le graphe pour un accès structuré.

Quels mécanismes sont envisagés pour garantir la qualité et la fiabilité des données dans le graphe ?

Merck explore le filtrage du bruit, la validation basée sur les questions, la critique multi-agent, le vote multi-LLM sur les arêtes et sources de connaissances, ainsi que le remplacement potentiel des pipelines basés sur des règles par des heuristiques LLM.