Neo4j Document Intelligence convierte documentos PDF, DOCX, TXT, EPUB, HTML y Markdown en un grafo de conocimiento consultable dentro de Neo4j Aura. A partir de una descripción en lenguaje natural del objetivo analítico, propone un esquema y extrae entidades y relaciones con modelos de lenguaje. El resultado puede utilizarse en una arquitectura GraphRAG que combina un grafo léxico para localizar pasajes originales y un grafo de entidades para representar relaciones semánticas. En investigación biomédica se pueden solicitar esquemas con entidades como Gene, Protein, Disease y Drug, y relaciones como INTERACTSWITH, ASSOCIATEDWITH y TARGETS. El grafo de entidades permite seguir rutas de varios pasos entre fármacos, proteínas y enfermedades, mientras que el grafo léxico permite revisar los fragmentos originales que sustentan cada relación. Para documentos clínicos y regulatorios, es posible procesar protocolos DOCX, informes PDF y directrices HTML, estructurando relaciones entre fases del ensayo, variables de evaluación, acontecimientos adversos y enfermedades. Las extracciones basadas en LLM no garantizan automáticamente la exactitud de los hechos; antes de utilizar los resultados en decisiones biomédicas o clínicas, hay que comprobar las fuentes y realizar una revisión experta. Los límites de uso, la selección del modelo de extracción y las condiciones de conservación y seguridad deben confirmarse en la documentación oficial de Aura.

Neo4j Document Intelligence es una función de inteligencia documental basada en Aura, presentada por Neo4j en junio de 2026, que convierte documentos PDF, DOCX, TXT, EPUB, HTML y Markdown en grafos de conocimiento consultables. El investigador proporciona los documentos y describe en lenguaje natural el objetivo del análisis; el sistema propone un esquema de grafo y utiliza modelos de lenguaje de gran escala para extraer entidades y relaciones. Más que una biblioteca de archivos, funciona como un mapa de exploración que conecta conceptos y evidencias dentro de los documentos.

🔬 Grafo de conocimiento de fármacos y dianas basado en literatura: Introduce artículos PDF y notas de investigación en Markdown, y solicita entidades Drug, Protein y Disease con relaciones TARGETS y ASSOCIATED_WITH. Consulta conjuntamente las rutas de varios pasos del grafo de entidades y los pasajes originales del grafo léxico para seleccionar candidatos a reposicionamiento farmacológico que deban validarse.