AI-Projects-Portfolio：面向企业级场景的图神经网络与知识图谱实战项目集

这是一个涵盖图神经网络、知识图谱、RAG系统和医疗AI的综合项目集，展示了从生物知识图谱构建到多组学数据整合、Graph-RAG医疗文献挖掘等前沿应用，适合希望深入图机器学习领域的开发者参考。

• 原作者/维护者: Ana Carolina Ricciardi (anacarolRicciardi)
• 来源平台: GitHub
• 原始标题: AI-Projects-Portfolio
• 原始链接: https://github.com/anacarolRicciardi/AI-Projects-Portfolio
• 发布时间: 2026年6月
• 技术栈: PyTorch Geometric, Neo4j, LangChain, HuggingFace Transformers

---

AI-Projects-Portfolio 是一个精心策划的人工智能和数据科学项目集合，专注于展示企业级图神经网络（GNN）和知识图谱技术的实战应用。该项目由 Ana Carolina Ricciardi 开发，涵盖从生物医学知识图谱构建到多组学数据整合、Graph-RAG 医疗文献挖掘等多个前沿领域。

项目的主要特色在于其以图技术为核心的设计理念，将图神经网络、知识图谱推理与大语言模型相结合，解决真实世界的复杂业务问题，特别是在医疗健康领域的应用。

---

项目采用了一系列业界主流的人工智能和图计算工具：

类别	技术	用途
深度学习框架	PyTorch Geometric, DGL	图神经网络建模
图数据库	Neo4j	知识图谱存储与查询
大语言模型	HuggingFace Transformers, LangChain	NLP 和 RAG 系统
向量检索	FAISS, ChromaDB	语义搜索与召回
传统机器学习	XGBoost, LightGBM, CatBoost	表格数据建模
图分析	NetworkX	网络分析与可视化

---

这是项目集中最具代表性的应用，展示了如何构建大规模生物医学知识图谱并应用于药物发现场景。

项目目标

构建一个涵盖基因、蛋白质、疾病、药物和不良反应的综合知识图谱，通过图嵌入和推理技术发现新的药物-靶点关联。

技术实现

• 多源数据整合: 整合 PubMed、DrugBank、GWAS、UniProt、CTD 等多个权威数据库
• 实体链接与关系抽取: 从非结构化文本中提取实体和关系
• 图存储: 使用 Neo4j 存储超过 1000 万个节点和边
• 图嵌入: 采用 TransE 等算法学习实体和关系的向量表示
• 链接预测: 预测未知的药物-靶点相互作用

项目成果

• 在药物-靶点相互作用预测任务上达到 87% 的准确率
• 成功识别出多个潜在的治疗候选药物
• 为精准医学提供数据支持

---

该项目展示了如何利用异构图神经网络整合基因组、蛋白质组和代谢组等多组学数据。

核心挑战

多组学数据具有高维度、异质性和复杂关联的特点，传统的单组学分析方法难以捕捉跨组学的相互作用。

解决方案

• 异构图构建: 构建包含基因、蛋白质、通路、表型等多种节点类型的异构图
• 注意力机制: 使用 RGCN 和 HAN 等异构 GNN 模型学习不同模态的权重
• 癌症亚型分类: 利用整合后的特征进行癌症亚型预测

性能提升

相比单组学基线方法，F1 分数提升 15%，为治疗规划提供更准确的癌症亚型预测，同时提供可解释的通路级洞察。

---

这是一个将知识图谱与检索增强生成（RAG）相结合的创新应用，用于临床决策支持。

系统架构

用户查询 → 查询扩展(LLM) → 图遍历(多跳推理) → 语义检索(FAISS) → 证据排序 → 生成回答(带引用)

关键技术

• GraphRAG: 基于图的检索增强生成框架
• 多跳推理: 在知识图谱上进行多步推理，发现间接关联
• LLM 查询扩展: 利用大语言模型扩展和优化用户查询
• 来源归因: 每个回答都附带原始文献引用，确保可验证性

应用效果

• 在 100 毫秒内检索到相关临床证据
• 证据搜索时间减少 80%
• 为临床决策提供可信赖的文献支持

---

该项目专注于预测患者-治疗亲和性、药物-疾病关联和不良反应共现等任务。

应用场景

• 治疗推荐: 预测患者对特定治疗的响应
• 药物相互作用预警: 识别潜在的 drug-drug interaction 风险
• 个性化医疗: 为患者推荐最适合的治疗方案

技术方法

• 构建包含患者、治疗、结果等节点的异构网络
• 使用 GCN、GraphSAGE、GAT 等模型进行链接预测
• 结合矩阵分解和深度学习方法

项目成果

• 在治疗疗效预测任务上达到 89% 的精确率
• 有效识别药物相互作用风险
• 支持个性化医疗推荐

---