광범위한 생의학 지식을 시나리오 기반 가설로 구체화할 수 있는가?

Can Broad Biomedical Knowledge be Contextualized into Scenario-Grounded Propositions?

생의학 연구는 종종 광범위한 생의학 지식과 특정 실험 또는 임상 데이터를 연결하는 것을 필요로 합니다. 배경 지식은 관련 메커니즘을 제시하지만, 일반적으로 데이터셋 변수에 직접적으로 적용하기에는 너무 일반적입니다. 반면, 데이터 기반 패턴은 데이터셋에 특화되어 있으며, 기계적인 해석이 어려울 수 있습니다. 본 연구에서는 이러한 간극을 '지식 맥락화'라는 개념으로 정의하고, 광범위한 생의학 지식을 증거 기반의 시나리오 중심 가설로 변환하는 방법을 탐구합니다. 이 가설은 해당 분야 전문가가 검토, 재현 및 검증할 수 있도록 설계되었습니다. 우리는 SCENE이라는 양층 다중 에이전트 프레임워크를 제안합니다. SCENE은 지식 맥락화를 반복적인 검색 과정으로 간주합니다. 상위 층은 광범위한 지식을 검색 방향으로 변환하고, 이를 데이터셋 스키마에 연결합니다. 하위 층은 이러한 방향을 다중 목적 최적화 과정을 통해 실행하여, 증거의 강도와 데이터 지원 사이의 균형을 맞춘 구체적인 가설을 도출합니다. 두 층 간의 피드백 루프는 검색 과정을 점진적으로 개선합니다. 우리는 SCENE을 두 가지 환경에서 평가했습니다. 첫째, 임상 시험 시나리오에서 이질적인 치료 효과를 보이는 환자 그룹을 발견하고, 둘째, LINCS L1000 연구에서 문맥에 특화된 생물학적 반응을 식별하는 것입니다. 임상 시험에서는 SCENE이 특정하고 잘 뒷받침되는 환자 그룹을 발견했으며, 기존 방법보다 우수한 성능을 보였습니다. LINCS L1000 연구에서는 SCENE이 표적-반응 매칭이 강하고 높은 양성률을 보이는 교란 환경을 식별했습니다. 이러한 결과는 SCENE이 광범위한 지식과 시나리오 특유의 증거를 연결하여, 추후 검증을 위한 투명하고 검토 가능한 가설을 생성할 수 있음을 보여줍니다.

Biomedical discovery often requires connecting broad biomedical knowledge with specific experimental or clinical data. Background knowledge suggests relevant mechanisms but is usually too general to map directly onto dataset variables, while data-driven patterns can be dataset-specific and hard to interpret mechanistically. We study this missing link as knowledge contextualization: transforming broad biomedical knowledge into evidence-supported, scenario-grounded propositions that domain experts can inspect, replay, and validate. We propose SCENE, a bi-level multi-agent framework that treats knowledge contextualization as iterative search. The upper level converts broad knowledge into search directions and grounds them in the dataset schema. The lower level executes these directions through multi-objective optimization to identify concrete propositions that balance evidential strength and data support. Feedback between the two levels progressively refines the search. We evaluate SCENE in two settings: discovering patient subgroups with heterogeneous treatment benefits in clinical trial scenarios, and identifying context-specific biological responses in LINCS L1000 studies. In clinical trials, SCENE discovers specific, well-supported subgroups and outperforms existing baselines. In L1000 studies, SCENE identifies perturbational contexts with strong target-response matching and high positive rates. These results show that SCENE bridges broad knowledge and scenario-specific evidence, producing traceable, inspectable hypotheses for follow-up validation.