KG-TRACE：抗菌素耐药性预测机械基础的神经符号框架

arXiv:2606.26179v1 公告类型：新 摘要：虽然基于 WGS 的 AMR 预测已达到高精度，但现有模型缺乏在已建立的生物途径中进行神经归因的机制。我们提出了 KG-TRACE，一种新颖的神经符号框架，它将 WHO 突变知识图（KG）集成为神经基因组模型的结构化生物约束。与孤立学习统计模式的现有方法不同，KG-TRACE 通过学习的认知信任门融合基因组特征和基于 RotatE 的 KG 嵌入，根据符号生物学知识动态加权神经证据。在 CRyPTIC 结核分枝杆菌队列中进行评估，KG-TRACE 的异烟肼 AUROC 为 0.9760，实现了有竞争力的准确性，而其主要价值在于象征性基础，而不是预测性提升。更重要的是，我们引入了生物接地比（BGR），这是一种数据集级指标，可量化神经归因与已建立的生物学之间的一致性。我们的框架实现了 92.5% 的异烟肼耐药预测符号覆盖率，并通过针对“不确定”病例发布实验室后续标志，有效识别 MDR 共现伪影。我们证明，神经符号基础为临床医生提供了可验证的审计线索，弥合了预测准确性和临床信任之间的差距。