Context-aware LLM extraction and controlled-vocabulary normalization of GEO transcriptomic sample metadata

تحتوي الأرشيفات الشاسعة لبيولوجيا العصر الحديث على ملايين اللقطات للحياة على المستوى الجزيئي، والتي ترصد كيفية تشغيل الجينات وإيقافها في الخلايا من الأصحاء والمصابين بالأمراض. هذه السجلات، المخزنة في مستودعات عامة مثل "أومنيبس التعبير الجيني" (Gene Expression Omnibus)، تهدف لأن تكون مكتبة مشتركة حيث يمكن للعلماء البحث عن أنماط عبر آلاف الدراسات. ومع ذلك، فإن فائدة هذه المكتبة طالما تعطلت بسبب مشكلة بسيطة: الملاحظات المرفقة بكل عينة مكتوبة بمزيج فوضوي من اللغات البشرية. فقد يصف أحد الباحثين عينة بأنها "ورم ثدي"، بينما يكتب آخر "سرطان ثدي" (mammary carcinoma)، ويستخدم ثالث اختصاراً غامضاً لا يفهمه إلا داخل مختبره الخاص. ولأن هذه الأوصاف غير منظمة وغير متسقة، فإن العثور على جميع العينات المتعلقة بمرض أو نوع نسيج معين يشبه محاولة العثور على كتاب واحد في مكتبة حيث كُتب كل عنوان فيها بلهجة مختلفة وتوزعت عبر الرفوف.

ولحل هذه المشكلة، قام ماتيوس شتشيبانياك وجوناثان رين في مؤسسة أوكلاهوما للبحوث الطبية ببناء نظام جديد يعمل كمترجم عالمي لهذه السجلات البيولوجية. فقد طورا مسار عمل يعتمد على ذكاء اصطناعي يعمل محلياً، صُمم لقراءة الملاحظات النصية الفوضوية المرفقة بأكثر من 800,000 عينة بشرية وتحويلها إلى تسميات نظيفة ومعيارية. يركز النظام على ثلاثة أجزاء حيوية من المعلومات: النسيج الذي جاءت منه العينة، وحالة المريض أو الكائن الحي، وأي علاجات تلقاها المريض. وبدلاً من مجرد قراءة النص، يفهم النظام سياق الدراسة بأكملها، مما يسمح له باستكمال التفاصيل المفقودة التي قد تتركها ملاحظة واحدة دون ذكرها. وبمجرد استخراج هذه المعلومات، يقوم النظام بربط كل تسمية بمفردات محكومة، مما يضمن أن "سرطان الثدي" و"ورم الثدي" يُعترف بهما كشيء واحد، مع تجميع المصطلحات التي ليس لها اسم معياري بعد.

اختبر الباحثون نظامهم على مجموعة بيانات ضخمة من العينات البشرية ووجدوا أنه استطاع تحديد نوع النسيج بنجاح في كل حالة توفرت فيها المعلومات تقريباً، محققاً دقة بلغت 99.7 بالمائة في اختبار مرجعي تم فحصه بعناية. وبالنسبة لتحديد المرض أو الحالة، كان النظام صحيحاً بنسبة 95 بالمائة تقريباً. ولعل الأهم من ذلك هو أن النظام لم يقم بالتخمين فحسب؛ بل استخدم السياق الأوسع للدراسة لحل حالات الغموض. فإذا قالت ملاحظة عينة واحدة "مجموعة ضابطة" دون تحديد المرض، نظر النظام في التصميم العام للدراسة وفي تسميات العينات الأخرى في تلك التجربة نفسها لاستنتاج السياق المفقود بشكل صحيح. سمحت هذه الخطوة للنظام باستعادة المعلومات المفقودة لأكثر من ثلاثة أرباع تسميات الأنسجة التي كانت مصنفة في البداية على أنها غير محددة.

تتمثل الميزة الرئيسية لهذا العمل في كيفية تعامله مع المصطلحات التي لا تتناسب مع القواميس الطبية الموجودة. فبدلاً من إجبار مصطلح غريب أو فريد على الانتماء إلى فئة لا ينتمي إليها، يقوم النظام بتجميع هذه المفاهيم الخارجة عن المفردات المعتادة معاً بناءً على تشابهها. وهذا يحافظ على التفاصيل المحددة للبحث الأصلي مع جعل البيانات قابلة للبحث في الوقت نفسه. كما ضمن الفريق إمكانية تشغيل النظام على أجهزة الكمبيوتر المحلية دون الحاجة إلى إرسال بيانات حساسة إلى خوادم خارجية، مما يجعل العملية شفافة وقابلة للتكرار. ومن خلال تحويل ملايين الملاحظات غير المنظمة إلى بيانات منظمة وقابلة للبحث، يزيل هذا المسار عائقاً رئيسياً أمام الاكتشاف العلمي. فهو يتيح للباحثين دمج البيانات من دراسات مختلفة بسهء للعثور على رؤى جديدة حول كيفية عمل الأمراض، محولاً مجموعة مجزأة من الملاحظات إلى مورد متماسك وقابل للاستخدام للمجتمع العلمي بأكمله.