#《Bridging data and discovery: a survey on knowledge graphs in AI for science》，

National Science Review (NSR, 2026)，由浙江大学、同济大学、上海人工智能实验室等机构的研究者共同撰写。这是一篇关于**科学知识图谱（Scientific Knowledge Graphs, SciKGs）的系统性综述，核心探讨了 SciKGs 如何作为结构化知识基础设施推动 AI for Science，以及与大语言模型（LLMs）**的协同如何开启自主科学发现的新范式。

以下是对该文献的详细解读：

---

一、研究背景与核心动机

1.1 科学发现的数据困境

现代科学正经历从"直觉驱动"向"数据密集型 AI 驱动"的范式转变。高通量实验、大规模模拟和多模态传感技术产生了前所未有的异构复杂数据。然而：

• 数据碎片化：数据分散在不同格式、术语和领域中；
• 知识鸿沟：数据生成速度远超人类理解和整合能力；
• 利用不足：海量科学知识的潜力远未被充分挖掘。

1.2 科学知识图谱（SciKG）的定位

不同于通用知识图谱（如 Wikidata），SciKG 专为科学领域构建，以有向标记图的形式统一表示科学实体（基因、蛋白质、化合物、材料等）及其语义关系（激活、抑制、结合、催化等）。SciKG 的核心价值在于：

• 将碎片化数据转化为可计算、可推理的结构化知识；
• 作为确定性符号基底，弥补 LLM 的幻觉和不确定性缺陷；
• 支撑跨学科发现，从药物重定位到材料设计。

---

二、SciKG 的概念基础

2.1 形式化定义

SciKG 定义为有向标记图 $G=(V,E)$：

• 节点 $v\in V$：科学实体（基因、蛋白质、化合物、反应、材料等）；
• 边 $e\in E$：实体间的语义关系（激活、抑制、结合、催化、合成等）；
• 元数据：节点和边附带来源、实验条件、定量属性、外部数据库链接等；
• 多维扩展：时间维度（知识演化）、上下文维度（实验环境）、多模态维度（文本、数值、图像、光谱）。

关键区分：SciKG 不同于原始科学数据图（如晶体结构图、蛋白质相互作用网络）。数据图关注几何/拓扑结构，而 SciKG 以领域本体为语义骨架，多模态数据作为属性或证据依附于符号知识。

2.2 四大核心角色

角色	功能描述
知识组织	统一异构数据源（生物序列、化学结构、材料属性、实验记录），提供单点查询入口
知识嵌入	通过 KGE（知识图谱嵌入）将实体和关系投影到连续向量空间，支持药物-靶点预测、材料属性估计等
知识推理	支持链接预测、因果推断、假设生成，发现实验数据中未显式观测的新关联
知识可解释性	保留显式语义关系和可追溯的来源信息，使科学家能验证预测、解释因果链

2.3 历史演化（四阶段）

综述将 SciKG 的发展划分为四个时代（见图3）：

1. 编目时代（2000年前）：结构化数据库（GenBank、PDB），关系表存储，支持查找检索；
2. 语义网时代（2000-2010）：RDF/OWL/SPARQL 兴起，Bio2RDF、OBO Foundry 推动跨库推理；
3. 机器学习时代（2010-2020）：图嵌入（TransE）和 GNN（GraphSAGE）出现，SciKG 成为预测引擎；
4. 大模型时代（2020至今）：LLM 与 SciKG 双向协同——LLM 自动化构建 KG，KG 为 LLM 提供事实 grounding，形成"知识-语言"双轮驱动。

---

三、SciKG 的构建方法论

构建 SciKG 是一个多阶段流程（见图4），包括数据获取、知识抽取、整合表示、动态维护。

3.1 数据源

类型	示例	特点
结构化数据	PubChem、UniProt、PDB、Materials Project	标准化、机器可读、持久标识符（DOI、InChI）
非结构化文本	PubMed、arXiv、专利、实验报告	最丰富但最难结构化，需 NLP 抽取
多模态数据	质谱、显微图像、XRD、分子动力学轨迹、NMR	提供定量上下文，需跨模态对齐

3.2 知识抽取技术

方法	原理	优缺点
规则/本体驱动	基于领域词典、手工规则、本体（如 Gene Ontology）匹配抽取	高精度、可解释，但扩展性差、难以适应新兴概念
数据驱动 NLP	SciBERT 等科学领域预训练模型，进行 NER、关系抽取、事件检测	召回率高、可泛化，但需大量标注
LLM 驱动	通过少样本提示或微调，自动识别新实体、推断隐含关系、生成结构化假设	强大但存在幻觉风险
混合/半自动	规则预过滤 + 神经网络精修，或神经模型建议新关系 + 本体验证	兼顾精度、扩展性和可解释性

3.3 整合与表示

• 本体对齐与模式匹配：解决跨源术语差异，采用联邦本体映射和概率模式对齐；
• 图表示学习：
  • 浅层 KGE（如 TransE）：计算高效，适合大规模关系稠密网络（如药物相互作用），但对未知实体归纳能力差；
  • GNN：聚合邻域特征，支持归纳推理，适合结构丰富的分子化学领域；
  • LLM-based 编码：捕捉非结构化文本的细粒度语义，零样本能力强但推理延迟高；
• 跨模态嵌入：将文本、图像、分子图、时序数据对齐到共享潜在空间。

3.4 更新与维护

• 增量学习：无缝集成新数据，避免灾难性遗忘；
• 人机协同：专家众包审核（如 UniProt、Gene Ontology 模式）；
• LLM Agent 自动化：检测不一致性、矛盾、过时链接，自动传播已验证更新；
• 来源追溯与版本控制：确保可重复性和可信度。

3.5 评估体系

层级	指标/方法
组件级	实体/关系抽取的 Precision、Recall、F1；本体对齐的正确性
图级	图密度、连通性；链接预测的 MRR、Hits@K
可信度与效用	来源覆盖率、时间一致性；下游任务（药物重定位、材料设计）的性能提升

---

四、SciKG 的四大应用领域

综述系统梳理了 SciKG 在四个基础科学任务中的应用（见图1、图5、图6）。

4.1 药物开发与优化

• 药物重定位（Drug Repurposing）：KG 整合多组学、文献和通路数据，发现非显而易见的药物-疾病关系。如 TxGNN 在超大规模医学 KG 上预训练，实现对 17,000+ 疾病的零样本预测；
• 药物-药物/药物-靶点相互作用预测（DDI/DTI）：异构图捕捉化学相似性、共享靶点和生理效应。DDI-GPT 将 KG 特征与 LLM 结合，实现高精度且可解释的 DDI 预测；
• 虚拟筛选与毒性评估：如 GAMENet 整合 DDI KG 与患者记录推荐安全用药组合；ReproTox-KG 专门构建毒性 KG 预测化合物致畸风险。

4.2 组学解释与分析

涵盖基因组学、转录组学、蛋白质组学、代谢组学、微生物组学：

• 基因组学：整合遗传变异、调控元件和表型数据，进行系统级基因调控机制推断。如 PhenoKG 利用 GNN 直接从患者表型推断致病基因；
• 转录组学：建模配体-受体-靶点通路和 RNA 相互作用网络。如 RNA-KG 整合 60+ 数据库，系统探索"RNA 世界"；
• 蛋白质组学：基于元路径分析链接蛋白质与疾病风险基因，支持功能注释和生物标志物验证。如 CKG 整合数百万关系，加速临床蛋白质组数据解释；
• 代谢组学：如 FORUM KG 通过本体推理从实验特征推断新代谢物-疾病关联；
• 多组学整合：将转录组、蛋白质组、代谢组统一为网络，进行系统级建模（如癌症转移预测）。

4.3 化学反应与合成

• 反应预测：分子和反应表示为节点和边，捕捉结构相似性和反应性原理。如 ReaKE 构建化学合成 KG，通过对比学习改进反应分类和产物预测；
• 合成路径优化：整合反应物可用性、催化剂和产率数据，进行多标准推理。如 CatKG 利用词嵌入和掩码语言建模支持催化剂预测和类比推理；
• 分子性质预测：将分子置于链接结构特征、官能团和实验性质的网络中。如 GODE 通过对比学习融合分子图与生化 KG，显著提升性质预测精度。

4.4 材料设计与发现

• 新材料设计：嵌入原子键合、晶体对称性、结构-性能关联等基本原理。如 SciAgents 利用多智能体框架和本体 KG 进行仿生材料生成设计；
• 材料性能预测：整合元素、结构和工艺信息，通过图遍历和逻辑推理预测热导率、机械强度、带隙等。如 PropNet；
• 筛选与优化：整合数据库、文献和实验数据，优先筛选具有目标特性的候选材料。如用于压电材料、超高性能混凝土、COF 气体存储材料等。

---

五、SciKG 与 LLM 的协同（核心章节）

这是综述最具前瞻性的部分。作者提出 “SciKG 作为知识基础设施，LLM 作为动态语义引擎” 的双向协同框架（见图7、表1）。

5.1 SciKG 为 LLM 提供基础支撑

SciKG 从三个关键维度约束和增强 LLM：

维度	作用	代表工作
事实 grounding 与验证	作为权威基准验证 LLM 生成的假设，直接对抗幻觉和事实不一致	KNOWNET（提取 LLM 输出三元组并映射到 KG 验证）、FactFinder（结构化检索-生成管道）
可解释因果推理的边界	防止生成违反科学原理的方案，将 LLM 的生成空间约束在科学有效范围内	GCR（图约束推理，将 KG 结构直接嵌入 LLM 解码过程，实现零推理幻觉）、Cat-KG（催化 KG 应用专家评分规则约束多步反应路径）
统一多模态表示	整合异构数据，使 LLM 能进行跨模态推理和整体分析	DDI-GPT（融合化学、亚结构和分子数据的多模态 KG）

此外，SciKG 支持动态知识演化：与需要昂贵重训练的基础模型不同，SciKG 支持增量、低成本的实时更新。

5.2 LLM 作为动态语义引擎

LLM 通过五大核心功能弥补 SciKG 的静态性：

功能	描述	代表工作
语义接口	解析复杂 SciKG，将结构化数据转化为自然语言摘要和精确形式查询	HeCiX（GPT-4 + 生物医学 KG + LangChain）
分析推理器	基于 SciKG 的丰富关系结构执行复杂推断和预测	DDI-GPT（预测 DDI 并生成可解释洞察）
生成引擎	产生新颖且合理的假设、实验策略和设计方案	SciAgents（多智能体系统自主生成生物材料假设）、Ma et al.（大分子自动逆合成规划）
构建者	从原始文献和数据中构建、整理和维护 SciKG	iKraph（LLM 处理全部 PubMed 摘要构建大规模生物医学 KG）、KG-RAG（token 高效的知识抽取优化）
编排者	管理多步推理流程，协调多智能体系统	ESCARGOT（动态思维图 + 生物医学 KG，在开放生物医学问题上显著超越标准 RAG）

5.3 SciKG-LLM 协同赋能的四大科学任务

基于上述互补角色，协同框架系统性地覆盖科学发现全工作流：

1. 多源数据解释：SciKG 将海量数据转化为结构化三元组，LLM 提取可解释知识；
2. 复杂系统机制分析：SciKG 构建实体-关系网络，LLM 推断因果链（超越传统现象描述）；
3. 系统性能优化：SciKG 存储变量-性能定量关联，LLM 结合领域约束生成多目标最优解；
4. 创新方案设计：SciKG 整合跨领域知识，LLM 通过类比推理生成融合多学科原理的新方案。

这四个任务构成自增强发现反馈循环：数据解释 → 知识丰富 → 机制分析 → 性能优化 → 创新设计 → 实验验证 → 新数据生成。

5.4 迈向自主科学发现范式

综述提出了 “AI Scientist Copilot” 的愿景（见图8），一个嵌入 SciKG-LLM 协同的"感知-认知-执行"闭环系统：

阶段	SciKG 角色	LLM 角色
从数据到知识	提供结构化模式组织提取的信息	作为"感知器官"理解文献和多模态数据
从知识到洞察	作为长期记忆和逻辑引擎，验证/精炼因果路径	执行类比推理和路径推断，提出假设
从洞察到发现	作为可行性过滤器，确保方案符合已知科学原理	作为策略规划者设计实验、合成路线或材料配方

物理实现上，这与自主机器人平台（如多智能体驱动的机器人 AI 化学家）结合，形成从计算推理到物理实验的闭环。

---

六、挑战、机遇与未来方向

6.1 固有局限性

局限	说明
连续过程过度简化	三元组结构难以捕捉剂量依赖、时间动态、空间定位等连续过程
认知不确定性与撤稿处理	缺乏内置机制表示置信度、冲突假设或负面结果；撤稿信息难以在图中传播
领域不平衡与偏见	文献出版偏见导致"富者愈富"的拓扑结构，热门实体连接密集，冷门领域稀疏

6.2 四大技术挑战与对应机遇（见图9）

挑战 ©	具体表现	机遇 (O)	解决路径
C1: 数据质量与完整性	数据不完整、噪声、报告偏差、缺失负面结果、格式不一致	O1: 标准、基准与验证管道	建立最小信息标准、标准化本体、基准测试套件、自动化异常检测
C2: 互操作性与整合	领域特定本体阻碍跨学科整合；跨学科多义词；数据孤岛（专有壁垒）	O2: 多模态基础模型	统一本体框架、联邦知识集成、跨模态对齐、语义翻译、双向知识丰富
C3: 动态与时序知识	知识持续演化，但 KG 多为静态；缺乏置信度、冲突证据、撤稿追踪机制	O3: 基于智能体的自主更新	AI 科学智能体持续监控文献、增量更新、冲突消解、版本控制、概率图模型
C4: 可信与可解释推理	不完整/偏见数据导致误导结论；缺乏形式化不确定性表示；模型不透明	O4: 可验证的社区治理平台	FAIR 原则（可发现、可访问、可互操作、可重用）、开放治理、协作策展、审计追踪、可解释模块

6.3 三大未来方向

(1) SciKG 自演化框架

将 SciKG 设计为多智能体系统：

• 抽取智能体：从文献、预印本、实验日志中持续挖掘新知识；
• 验证智能体：执行一致性检查、冲突消解、不确定性量化；
• 更新智能体：调整嵌入和时序表示，维护来源和版本控制。

(2) SciKG-LLM 共演化系统

构建紧耦合的迭代双向管道：

• LLM（配备领域提示、RAG、自验证模块）自主提取新实体、关系和假设；
• 知识验证智能体应用概率推理和模式对齐确保一致性后，增量合并入 SciKG；
• SciKG 作为可解释先验 ground 和约束 LLM 推理（图检索增强、神经符号推理、对比知识对齐）；
• 共适应反馈机制使两者联合提升：SciKG 为 LLM 提供结构化监督进行持续微调，LLM 重组和修正不一致的图区域。

(3) SciKG 驱动的 AI 科学家智能体

终极愿景：嵌入"感知-认知-执行-反馈"闭环的自主智能体：

• 感知：读取实验/计算数据，编码入 SciKG；
• 认知：基于集成知识进行符号推理和生成式 LLM 推断；
• 执行：规划后续行动（设计新实验/模拟）；
• 反馈：强化学习用于动作选择，处理不确定性和冲突证据，连接自动化实验平台（如机器人实验室）。

---

七、总结

这篇综述的核心论点可以概括为：

科学知识图谱（SciKG）不仅是数据仓库，更是连接数据、知识与智能的确定性符号基底。在 LLM 时代，SciKG 与 LLM 形成"结构-语义"双轮驱动：SciKG 为 LLM 提供事实 grounding、物理约束和可解释性，LLM 为 SciKG 提供动态语义理解、自动构建和生成推理能力。两者的协同正推动科学发现从"人类驱动的假设-验证循环"向"AI 增强的自主发现循环"演进。

综述还建立并维护了一个开放的 SciKG 资源库（GitHub: hicai-zju/scikgs），提供文献、数据集和软件的持续更新，体现了"活综述"（living reference）的理念。

从更宏观的视角看，这项工作描绘了一幅未来科学研究的蓝图：在这个蓝图中，自更新的知识图谱、与 LLM 共演化、并具身于 AI 科学家智能体中的 SciKG 中心生态系统，将成为自主驱动、验证和加速科学发现的核心基础设施。