从文档孤岛到流程智能：用于CMC流程开发的多层知识图谱

化学、生产和质量控制（CMC）工艺开发贯穿从药物发现到商业化生产的多阶段、知识密集型流程，会产生海量技术信息。这些知识传统上分散于不同职能部门和异构格式中，导致技术转移和监管申报过程中出现可追溯性缺口，并产生高昂的知识管理成本。我们提出了一个模块化的agentic-AI平台，可将异构的工艺开发文档语料库转换为可查询的双层知识图谱。基础知识层通过对数字化、扫描件、手写件和多语言文档进行无损导入，构建具有Document-Section-Chunk层级结构的词汇图谱；智能层则提取与本体对齐的实体，并通过以溯源为锚点的领域图谱连接跨文档概念。LLM agents可在两个层级之间运行，根据具体问题选择最合适的检索路径。我们采用一种新颖的三层协议评估词汇层，用于衡量检索增强生成（RAG）系统在专有数据上的部署保真度；该评估基于Sanofi某小分子项目38份开发报告中整理出的505个问题进行验证。Tier-1选择题准确率达到95%，表明平台具有较强的可靠性；而更严格的Tier-2 LLM评审通过率为85%，且在比较类问题和全语料库问题上的表现有所下降，揭示出仅凭Tier-1准确率无法捕捉的失败类型。路由agent会根据问题类型在不同层级之间进行选择。我们预计，该协议将帮助未来的agentic平台设计者针对非公开数据库评估其系统，同时，基于图谱的架构也将在制药行业得到更广泛的应用，以将碎片化的文档存储库转化为结构化的流程智能。