ANCHOR-RE: 지식 기반 추론을 위한 신경-기호 통합 프레임워크를 활용한 생물 의학 관계 추출

ANCHOR-RE: An Agentic Neuro-Symbolic Framework for Grounded Biomedical Relation Extraction

생물 의학 관계 추출(BioRE)은 지식 베이스 구축 및 가설 생성과 같은 응용 분야를 위해 생물 의학 문헌에서 구조화된 지식을 추출하는 기술입니다. 전통적인 기호 시스템인 SemRep은 높은 정밀도를 제공하지만, 재현율이 제한적입니다. 반면, 대규모 언어 모델(LLM)은 강력한 맥락 추론 능력을 갖추고 있지만, 여전히 오탐 예측의 위험성이 존재합니다. 본 연구에서는 온톨로지 기반 추론, 외부 지식 활용 및 데이터 기반 검증 규칙을 LLM 추론에 통합하는 ANCHOR-RE 프레임워크를 개발했습니다. ANCHOR-RE는 독점 모델과 공개 모델 모두를 사용하여 SemRepGS, DDI 및 ChemProt의 세 가지 BioRE 벤치마크에서 평가되었습니다. 벤치마크 데이터셋을 넘어 일반화 성능을 평가하고 LLM 사전 학습으로 인한 잠재적인 평가 편향을 줄이기 위해, 2026년에 발행된 100개의 생물 의학 논문을 사용하여 시계열 평가를 수행했습니다. 독점 모델을 기반으로 할 때, ANCHOR-RE는 직접적인 LLM 프롬프팅 방식보다 성능이 우수했으며, SemRepGS에서 micro-F1 점수를 0.654에서 0.676으로, DDI에서 0.769에서 0.872로, 그리고 ChemProt에서 0.939에서 0.941로 향상시켰습니다. 또한 DDI 및 ChemProt 데이터셋에서 기존의 추론 기반 방법보다 우수한 성능을 보였으며, 파라미터 업데이트 없이 미세 조정 또는 지시 조정된 시스템에 근접하는 결과를 얻었습니다. 공개 모델에서도 유사한 성능 향상이 관찰되어, 이러한 이점이 독점 모델에만 국한되지 않는다는 것을 시사합니다. 평가 데이터셋에서 벗어난 데이터 세트에서는, 무작위로 선택된 500개의 예측 결과에 대한 수동 평가를 통해 69%의 정밀도를 유지하며, 이전에 보지 못한 생물 의학 문헌에서도 일관된 수준의 정확도를 보여주었습니다. ANCHOR-RE는 미세 조정 없이도 LLM 기반 BioRE의 신뢰성을 향상시킬 수 있습니다. 여러 벤치마크, 모델 패밀리 및 평가 데이터셋에 대한 결과는 ANCHOR-RE가 생물 의학 문헌 분석을 위한 실용적인 학습 불필요 접근 방식임을 뒷받침합니다.

Biomedical relation extraction (BioRE) extracts structured knowledge from biomedical literature for applications such as knowledge base construction and hypothesis generation. Traditional symbolic systems such as SemRep provide high precision but limited recall, while large language models (LLMs) offer stronger contextual reasoning but remain prone to false-positive predictions. We developed ANCHOR-RE, a framework that integrates ontology-guided reasoning, external knowledge grounding, and data-driven verification rules into LLM inference. We evaluated it on three BioRE benchmarks (SemRepGS, DDI, and ChemProt) using both proprietary and open-weight LLMs. To assess generalizability beyond benchmark datasets while reducing potential evaluation bias from LLM pretraining contamination, we conducted a temporal evaluation using 100 biomedical articles published in 2026. With the proprietary backbone, ANCHOR-RE outperformed direct LLM prompting, improving micro-F1 from 0.654 to 0.676 on SemRepGS, from 0.769 to 0.872 on DDI, and from 0.939 to 0.941 on ChemProt. On DDI and ChemProt, it also outperformed previously reported inference-only methods and approached fine-tuned or instruction-tuned systems without parameter updates. Similar performance gains observed with open-weight LLMs indicate that the benefits were not limited to the proprietary backbone. On the post-cutoff set, manual assessment of 500 randomly sampled predictions yielded a precision of 69%, maintaining consistent precision on previously unseen biomedical literature. Neuro-symbolic reasoning can improve the reliability of LLM-based BioRE without fine-tuning. Results across multiple benchmarks, model families, and post-cutoff literature support ANCHOR-RE as a practical training-free approach to biomedical literature mining.