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

Die riesigen Archive der modernen Biologie enthalten Millionen von Schnappschüssen des Lebens auf molekularer Ebene und halten fest, wie Gene in Zellen von gesunden Menschen und Menschen mit Krankheiten an- und ausgeschaltet werden. Diese Aufzeichnungen, die in öffentlichen Repositorien wie dem Gene Expression Omnibus gespeichert sind, sollen als eine gemeinsame Bibliothek dienen, in der Wissenschaftler Muster über Tausende von Studien hinweg suchen können. Die Nützlichkeit dieser Bibliothek wurde jedoch lange Zeit durch ein einfaches Problem behindert: Die zu jeder Probe gehörenden Notizen sind in einem chaotischen Mix aus menschlichen Sprachen verfasst. Ein Forscher beschreibt eine Probe vielleicht als „Brusttumor“, während ein anderer „Mammakarzinom“ schreibt und ein dritter eine kryptische Abkürzung verwendet, die nur innerhalb seines spezifischen Labors Sinn ergibt. Da diese Beschreibungen unstrukturiert und inkonsistent sind, gleicht die Suche nach allen Proben, die mit einer bestimmten Krankheit oder einem bestimmten Gewebetyp zusammenhängen, dem Versuch, ein einzelnes Buch in einer Bibliothek zu finden, in der jeder Titel in einem anderen Dialekt geschrieben und über die Regale verstreut ist.

Um dies zu lösen, haben Mateusz Szczepaniak und Jonathan Wren an der Oklahoma Medical Research Foundation ein neues System entwickelt, das als universeller Übersetzer für diese biologischen Datensätze fungiert. Sie entwickelten eine lokal laufende KI-Pipeline, die darauf ausgelegt ist, die ungeordneten Freitext-Notizen zu über 800.000 menschlichen Proben zu lesen und sie in saubere, standardisierte Labels umzuwandeln. Das System konzentriert sich auf drei kritische Informationen: das Gewebe, aus dem die Probe stammt, den Zustand des Patienten oder Organismus und etwaige Behandlungen, die die Probe erhalten hat. Anstatt nur den Text zu lesen, versteht das System den Kontext der gesamten Studie, was es ermöglicht, fehlende Details zu ergänzen, die eine einzelne Notiz eventuell ausgelassen hat. Soblich es diese Informationen extrahiert hat, verknüpft das System jedes Label mit einem kontrollierten Vokabular und stellt so sicher, dass „Brustkrebs“ und „Mammatumor“ als dasselbe erkannt werden, während es gleichzeitig Begriffe gruppiert, die noch keinen Standardnamen haben.

Die Forscher testeten ihr System an einem massiven Datensatz menschlicher Proben und fanden heraus, dass es den Gewebetyp in fast jedem Fall, in dem die Information verfügbar war, erfolgreich identifizieren konnte, wobei es bei einem sorgfältig geprüften Benchmark eine Genauigkeit von fast 99,7 Prozent erreichte. Bei der Identifizierung der Krankheit oder des Zustands war das System in etwa 95 Prozent der Fälle korrekt. Vielleicht am wichtigsten ist, dass das System nicht einfach geraten hat; es nutzte den breiteren Kontext der Studie, um Mehrdeutigkeiten aufzulösen. Wenn eine einzelne Probennotiz lediglich „Kontrollgruppe“ angab, ohne die Krankheit zu spezifizieren, betrachtete das System das Gesamtdesign der Studie sowie die Labels der anderen Proben in demselben Experiment, um den fehlenden Kontext korrekt abzuleiten. Dieser Schritt ermöglichte es dem System, fehlende Informationen für mehr als drei Viertel der Gewebelabel wiederherzustellen, die anfangs als nicht spezifiziert markiert waren.

Ein Schlüsselmerkmal dieser Arbeit ist die Art und Weise, wie sie mit Begriffen umgeht, die nicht in bestehende medizinische Wörterbücher passen. Anstatt einen seltsamen oder einzigartigen Begriff in eine Kategorie zu zwingen, in die er nicht gehört, gruppiert das System diese Begriffe außerhalb des bestehenden Vokabulars basierend auf ihrer Ähnlichkeit. Dies bewahrt die spezifischen Details der ursprünglichen Forschung und macht die Daten dennoch durchsuchbar. Das Team stellte zudem sicher, dass das System auf lokalen Computern laufen kann, ohne sensible Daten an externe Server senden zu müssen, was den Prozess transparent und reproduzierbar macht. Durch die Umwandlung von Millionen unstrukturierter Notizen in strukturierte, durchsuchbare Daten beseitigt diese Pipeline ein großes Hindernis für die wissenschaftliche Entdeckung. Sie ermöglicht es Forschern, Daten aus verschiedenen Studien leicht zu kombinieren, um neue Erkenntnisse darüber zu gewinnen, wie Krankheiten funktionieren, und verwandelt so eine fragmentierte Sammlung von Notizen in eine kohärente, nutzbare Ressource für die gesamte wissenschaftliche Gemeinschaft.