IEKB: a comprehensive knowledge base for inner ear genetics integrating curated associations, cochlear interactions, Bayesian candidate prioritisation, explainable dark-gene support relations, and a scientific entity network

Die Studie stellt die IEKB vor, eine umfassende, offene Wissensdatenbank für die Innenohr-Genetik, die kuratierte Assoziationen, cochleäre Interaktionen, eine bayessche Kandidaten-Priorisierung, erklärbare Unterstützungsbeziehungen für „dunkle" Gene und ein wissenschaftliches Entitätsnetzwerk in einer einzigen Ressource vereint.

Das Wesentliche

🎧 Die große Bibliothek für das menschliche Ohr: IEKB

Stellen Sie sich das menschliche Ohr vor, genauer gesagt das Innenohr. Es ist wie ein winziges, hochkomplexes Orchester aus Zellen, Signalwegen und Genen. Wenn dieses Orchester nicht richtig spielt, entsteht Taubheit oder Hörverlust. Das Problem ist: Die Musiknoten (die wissenschaftlichen Daten darüber, welche Gene welche Rolle spielen) waren bisher verstreut. Sie lagen in Tausenden von verschiedenen Büchern, Artikeln und Datenbanken, die oft nur einen kleinen Teil des Bildes zeigten.

Die Forscher um Han Wang und sein Team haben nun IEKB gebaut. Man kann sich IEKB wie eine supermoderne, riesige Bibliothek mit einem genialen Bibliothekar vorstellen.

1. Das Problem: Der verstreute Schatz

Bisher gab es wie viele kleine, getrennte Schatzkästen:

• Ein Kasten hatte nur eine Liste der Gene.
• Ein anderer hatte nur die Liste der Krankheiten.
• Ein dritter zeigte nur, wie die Zellen im Ohr aussehen.

Ein Forscher oder Arzt musste sich durch diese Kisten wühlen, um zu verstehen, wie alles zusammenhängt. Das war mühsam und oft unvollständig.

2. Die Lösung: Die IEKB-Bibliothek

IEKB ist nun eine einzelne, riesige Datenbank, die alles zusammenführt. Sie hat vier magische Fähigkeiten, die sie von alten Bibliotheken unterscheiden:

A. Der intelligente Suchroboter (Die Kuratierung)
Stellen Sie sich vor, ein Roboter liest 250.000 wissenschaftliche Artikel durch. Er sucht nach jedem Wort, das mit dem Ohr zu tun hat. Aber er ist nicht dumm: Er ist wie ein sehr fleißiger Assistent, der die wichtigsten Informationen herausschreibt.

• Der Trick: Der Roboter arbeitet nicht allein. Immer wieder schaut ein menschlicher Experte (ein Spezialist für Ohren-Genetik) über die Schulter und prüft: "Stimmt das? Ist das wirklich wichtig?" So entsteht eine Liste von 6.051 sicheren Verbindungen zwischen Genen und Krankheiten.

B. Das "Dunkle-Materie"-Modul (Die Wahrsagerei mit Logik)
Das ist der coolste Teil. Was ist, wenn ein Gen noch nie direkt mit dem Ohr in Verbindung gebracht wurde? Ist es vielleicht doch wichtig?

• Stellen Sie sich vor, Sie suchen nach einem neuen Freund für Ihre Gruppe. Sie kennen die alten Freunde (die bekannten Gene). Aber es gibt Tausende von Leuten, die Sie noch nicht kennen (die "dunkle Materie").
• IEKB nutzt eine mathematische Wahrscheinlichkeitsrechnung (Bayesian), um zu sagen: "Hey, dieser unbekannte Typ (Gen X) verhält sich genau wie deine Freunde, die das Ohr reparieren können. Er hat also eine hohe Chance, auch wichtig zu sein!"
• Das System hat so über 240.000 neue Kandidaten gefunden, die Forscher jetzt genauer untersuchen können.

C. Der Beweis-Checker (Warum ist das so?)
Wenn der Roboter sagt: "Gen X ist wahrscheinlich wichtig", wollen wir wissen: Warum?

• IEKB zeigt nicht nur das Ergebnis, sondern den Beweisweg. Es sagt: "Gen X ist wichtig, weil es wie ein Nachbar von Gen Y ist (das wir schon kennen) und weil sie beide in der gleichen 'Straßengemeinschaft' (Gen-Gruppe) wohnen."
• Das ist wie eine Spurensicherung: Man kann genau nachvollziehen, warum eine Vermutung aufgestellt wurde.

D. Das große Netzwerk (Das Stadtplan-Modell)
Stellen Sie sich das Ohr nicht als eine Liste, sondern als eine riesige, belebte Stadt vor.

• Die Gene sind die Häuser.
• Die Krankheiten sind die Stadtteile.
• Die Zellen sind die Straßen.
• IEKB hat eine interaktive Landkarte gebaut, die zeigt, wie alles miteinander verbunden ist. Man kann durch diese Stadt "fliegen" und sehen, welche Straßen (Signalwege) am wichtigsten sind, wenn es Probleme gibt.

3. Wie nutzt man das? (Der praktische Nutzen)

Die Bibliothek ist kostenlos und offen für alle.

• Für Ärzte: Sie können nach einem Patienten mit Hörverlust suchen und sofort sehen, welche Gene infrage kommen und welche Studien es dazu gibt.
• Für Forscher: Sie können neue Gene finden, die noch niemand untersucht hat, und haben sofort eine Liste von Beweisen, warum sie es tun sollten.
• Der Chatbot (IEKB QA): Es gibt sogar einen Gesprächspartner. Man kann ihm einfach eine Frage stellen wie: "Welche Gene sind für die Hörstörung bei älteren Menschen verantwortlich und welche Studien belegen das?" und er antwortet sofort mit einer zusammengefassten, belegten Antwort – wie ein sehr kluger Bibliothekar, der Ihnen die Bücher direkt auf den Tisch legt.

Zusammenfassung

Die IEKB ist wie ein Super-Tool, das das Chaos der wissenschaftlichen Literatur über das Ohr in eine klare, durchsuchbare und vorhersagende Landkarte verwandelt hat. Sie hilft uns, die "dunklen Ecken" der Genetik aufzuhellen und schneller neue Wege zu finden, um Hörverlust zu verstehen und vielleicht eines Tages zu heilen.

Der wichtigste Satz: Früher mussten Forscher Tausende von Büchern durchwühlen, um ein Puzzle zu lösen. Mit IEKB haben sie jetzt das fertige Puzzle mit einer Anleitung, die auch die fehlenden Teile vorhersagt.

Technische Zusammenfassung

1. Problemstellung

Die Genetik des Innenohrs hat sich rasch entwickelt, doch das zugehörige Wissen ist stark fragmentiert. Die Evidenz ist über eine enorme Menge an Literatur und verschiedene Ressourcen verteilt, die sich oft nur auf einzelne Aspekte wie Loci, Varianten oder Expressionsdaten konzentrieren, anstatt eine integrierte biologische Interpretation zu bieten.
Bestehende Ressourcen wie das Hereditary Hearing Loss Homepage (HHL), die Deafness Variation Database (DVD) oder Gene4HL decken jeweils nur eine Schicht des Problems ab (z. B. nur Loci-Kataloge, Varianteninterpretation oder Expressionsdaten). Es fehlt eine einzige, offen zugängliche Plattform, die kuratierte Gen-Phänotyp-Krankheits-Assoziationen, cochleare Interaktionsnetzwerke, eine probabilistische Priorisierung von Kandidatengenen, erklärbare Unterstützung für neue Kandidaten („dark genes") und einen wissenschaftlichen Entitäts-Netzwerk-Kontext vereint.

2. Methodik

Die Erstellung der Inner Ear Knowledge Base (IEKB) basiert auf einem automatisierten, agentenunterstützten Workflow, der durch menschliche Überwachung und Expertenprüfung ergänzt wird. Der Prozess umfasst folgende Schritte:

• Gene-Universe & Literaturretrieval:

  • Definition eines konsensbasierten menschlichen Gen-Universums (16.563 Gene) basierend auf NCBI-Daten und Maus-Orthologen.
  • Retrieval von 250.696 PubMed-Einträgen für 16.563 Gene unter Verwendung von Alias-erkenntnisfähigen Abfragen und innerohr-spezifischen Kontextbegriffen (z. B. „cochlea", „hearing loss").
  • Zwei-Stufen-Filterung: Ein regelbasierter Vorfilter und ein LLM-basierter Klassifikator (DeepSeek Chat) zur Identifikation relevanter Artikel.

• Agenten-gestützte Kuratierung (Human-in-the-Loop):

  • Ein automatisierter Agent extrahiert strukturierte Daten aus Abstracts und Volltexten, die durch Pydantic-Schemas eingeschränkt sind.
  • Zwei Hauptkategorien werden extrahiert: (i) Gen-Phänotyp-Krankheits-Assoziationen und (ii) cochleare Gen-Gen-Interaktionen.
  • Qualitätssicherung: 10 % der Extraktionen werden stichprobenartig von menschlichen Annotatoren geprüft. Fehler werden korrigiert, und Muster werden in die Prompts zurückgespeist.
  • Expertenprüfung: Alle 6.051 Assoziationen und 4.102 Interaktionen wurden von Experten für Innenohr-Genetik final überprüft und mit Referenzdatenbanken (ClinGen, HHL) abgeglichen.

• Bayesianische „Dark Matter"-Priorisierung:

  • Ein probabilistisches Framework priorisiert Kandidatengene, für die noch keine direkte Evidenz vorliegt.
  • Features: (1) Direkte Nachbarschaft im STRING-Netzwerk, (2) Random Walk with Restart (RWR) Score, (3) Überlappung mit Gen-Gruppen (HGNC).
  • Ein logistisches Regressionsmodell berechnet einen posteriori-ähnlichen Priorisierungsscore. Das Modell erreicht eine globale AUC-ROC von 0,8603.

• Erklärbare „Dark Relation"-Unterstützung:

  • Um die Vorhersagen interpretierbar zu machen, wird eine überwachtes Ranking-Modell trainiert, das für jeden Kandidaten die bekanntesten Gene auflistet, die als Evidenzkette dienen.
  • Features umfassen Netzwerk-Edge-Weights, RWR-Scores, Jaccard-Überlappungen und Adamic-Adar-Indizes.
  • Das Ergebnis ist eine nachvollziehbare Rangliste bekannter Gene mit einer natürlichen Sprachzusammenfassung der stärksten Evidenzsignale.

• Wissensgraph & Web-Implementierung:

  • Aufbau eines Multi-Entity-Netzwerks mit ~4.000 Entitäten (Gene, Krankheiten, Phänotypen, Pfade, Zelltypen) und über 112.000 Kanten (deterministisch und LLM-abgeleitet).
  • Die Web-Anwendung läuft clientseitig im Browser (Next.js, sql.js), was keine Backend-Server für Abfragen erfordert. Daten sind in SQLite, CSV, JSON und XLSX verfügbar.
  • IEKB QA: Eine begleitende Chat-Schnittstelle nutzt einen Multi-Agenten-Pipeline-Ansatz, um komplexe Fragen zu stellen und evidenzbasierte, zitierte Antworten zu generieren.

3. Wichtige Beiträge

• Umfassende Integration: IEKB ist die erste offen zugängliche Ressource, die kuratierte Assoziationen, Interaktionsnetzwerke, probabilistische Vorhersagen, erklärbare Support-Relationen und einen wissenschaftlichen Netzwerk-Kontext in einer einzigen Datenbank vereint.
• Skalierbare Kuratierung: Der hybride Ansatz (AI-Agent + menschliche Überwachung + Experten-Review) ermöglicht die Verarbeitung riesiger Literaturmengen bei gleichzeitiger Sicherstellung hoher Datenqualität.
• „Dark Matter"-Modul: Ein neuartiger Ansatz zur Vorhersage neuer Gen-Phänotyp-Beziehungen, der über reine Literatur-Suche hinausgeht und systembiologische Zusammenhänge nutzt.
• Erklärbarkeit: Das „Dark Relation"-Modul macht Black-Box-Vorhersagen transparent, indem es die spezifischen bekannten Gene und Netzwerk-Features identifiziert, die eine Vorhersage stützen.
• Offener Zugang: Alle Daten sind ohne Registrierung unter der CC BY 4.0 Lizenz verfügbar, inklusive vollständiger SQLite-Datenbanken für Offline-Analysen.

4. Ergebnisse

• Datenmenge:
  • 6.051 kuratierte Gen-Phänotyp-Krankheits-Assoziationen aus 2.494 Genen über 43 Phänotyp-Kategorien.
  • 4.102 cochleare Gen-Gen-Interaktionen mit Kontextinformationen (Zelltyp, Pathway, Experiment).
  • 243.071 priorisierte Kandidat-Gen-Phänotyp-Assoziationen für 13.229 Gene (Dark Matter).
  • Ein wissenschaftliches Netzwerk mit 28.616 deterministischen Kanten und 83.712 literaturbasierten relationalen Links.
• Modellleistung:
  • Globale AUC-ROC von 0,8603 und AUC-PR von 0,1674 für die Kandidatenpriorisierung.
  • Die Vorhersagen unterscheiden effektiv zwischen etablierten Assoziationen und neuen Kandidaten (z. B. RBM5 als Top-Kandidat für sensorineurale Hörverluste).
• Abdeckung: IEKB deckt 97,5 % der ClinGen-Hörverlust-Gene und 94,9 % der HHL-Einträge ab, enthält aber zusätzlich 2.301 Gene, die in diesen Referenzdatenbanken fehlen.

5. Bedeutung

IEKB schließt eine kritische Lücke in der Forschung zu Hörverlust und Innenohr-Genetik. Es wandelt eine passive Literatursammlung in eine aktive Hypothesen-Generierungsplattform um. Durch die Kombination aus hochqualitativen kuratierten Daten, prädiktiven Modellen für „dunkle" Gene und erklärbarer KI unterstützt es Forscher und Kliniker dabei:

1. Den aktuellen Stand der Forschung schnell zu erfassen.
2. Neue Kandidatengene für Hörstörungen zu identifizieren und zu priorisieren.
3. Die biologische Plausibilität neuer Kandidaten durch nachvollziehbare Evidenzketten zu überprüfen.
4. Komplexe Datenanalysen und Netzwerkanfragen ohne technische Hürden durchzuführen.

Das Tool ist besonders wertvoll, da es den gesamten Workflow von der Literaturrecherche über die Datenanalyse bis hin zur experimentellen Validierung in einer einzigen, offenen Infrastruktur abbildet. Zukünftige Entwicklungen zielen auf die Einbeziehung von Einzelzell-Atlas-Daten, die Erweiterung auf weitere Spezies und die Integration von Varianten-Evidenz ab.