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

El artículo presenta la Base de Conocimiento del Oído Interno (IEKB), una base de datos abierta y exhaustiva que unifica asociaciones genéticas curadas, interacciones cocleares, priorización bayesiana de candidatos y relaciones de soporte explicables en un único recurso interactivo para la investigación genética del oído interno.

Lo esencial

Imagina que el oído interno es como una ciudad biológica increíblemente compleja, llena de calles (células), edificios (genes) y sistemas de transporte (proteínas) que trabajan juntos para que puedas escuchar.

El problema es que, hasta ahora, la información sobre cómo funciona esta ciudad estaba esparcida por millones de libros, artículos y bases de datos diferentes. Era como intentar entender el tráfico de una gran metrópoli leyendo solo un puñado de noticias sueltas en periódicos viejos. Los científicos y médicos tenían que buscar pieza por pieza, lo cual era lento y confuso.

IEKB (la Base de Conocimientos del Oído Interno) es la solución a este caos. Piensa en IEKB como un "Google Maps" definitivo y un "Centro de Comando" en tiempo real para la genética del oído.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El Gran Recopilador (La Curación Automatizada)

Antes, los expertos tenían que leer manualmente miles de artículos para encontrar qué genes causan sordera. IEKB usa un equipo de "robots bibliotecarios" inteligentes (agentes de IA) que leen millones de artículos científicos al mismo tiempo.

• La analogía: Imagina que tienes 100 robots leyendo libros a la velocidad de la luz. Pero, para evitar errores, cada robot tiene un supervisor humano (un experto real) que revisa lo que el robot encuentra. Si el robot dice "Este gen causa sordera", el humano verifica: "¿Está seguro? ¿Hay pruebas?". Solo cuando ambos están de acuerdo, la información se guarda.

2. El Mapa de Conexiones (Interacciones y Redes)

No basta con saber qué genes existen; hay que saber cómo se hablan entre sí.

• La analogía: Si un gen es un edificio en la ciudad, IEKB no solo te dice dónde está, sino que te muestra quiénes son sus vecinos y amigos. Te muestra si el "Edificio A" (un gen) envía mensajes al "Edificio B" (otro gen) para mantener la estructura del oído. Esto ayuda a entender por qué, si un edificio falla, todo el barrio (el oído) puede colapsar.

3. El Cristal de Bola (El Módulo "Dark Matter" o Materia Oscura)

Este es quizás el parte más mágica. Hay miles de genes que aún no sabemos si causan problemas de audición. Son como "fantasmas" o "materia oscura".

• La analogía: IEKB tiene un cristal de bola matemático (un modelo bayesiano). Si un gen es un "fantasma" (no sabemos si causa sordera), el cristal de bola mira a sus vecinos conocidos. Si sus mejores amigos son genes que sí causan sordera, el cristal dice: "¡Oye! Es muy probable que este fantasma también sea culpable".
• El resultado: El sistema crea una lista de sospechosos prioritarios (genes candidatos) que los científicos deberían investigar primero, ahorrando años de trabajo.

4. El Abogado Defensor (Explicabilidad)

A veces, la IA dice "Este gen es sospechoso", pero no explica por qué. Eso asusta a los científicos.

• La analogía: IEKB actúa como un abogado muy detallista. Cuando señala a un sospechoso, no solo dice "es culpable", sino que presenta las pruebas: "Este gen es sospechoso porque tiene una conexión directa con el Gen X, comparte un vecindario con el Gen Y, y aparece en los mismos informes de laboratorio". Esto permite que los humanos confíen en la IA y entiendan el "por qué".

5. El Asistente de Voz (IEKB QA)

Además de navegar por mapas y tablas, puedes hablarle a la base de datos.

• La analogía: Imagina que tienes a un bibliotecario experto que conoce cada rincón de la biblioteca. En lugar de buscar tú mismo en los estantes, le preguntas: "¿Qué genes están relacionados con la sordera por ruido en los niños?". El bibliotecario (la IA) busca en sus archivos, reúne las pruebas y te da una respuesta clara, citando exactamente de qué libros sacó la información.

¿Por qué es esto un cambio radical?

Antes, investigar la genética de la sordera era como intentar armar un rompecabezas gigante en la oscuridad, con piezas de diferentes cajas. IEKB pone todas las piezas en una mesa, las ordena, te muestra el dibujo de la caja (la red de conexiones) y te señala las piezas que faltan (los candidatos a descubrir) para que puedas completar el rompecabezas más rápido.

En resumen:
IEKB es una biblioteca viva, inteligente y gratuita que une a robots, humanos y matemáticas para descifrar los secretos de la audición, ayudando a encontrar curas y diagnósticos más rápido que nunca. Y lo mejor de todo: ¡es de código abierto, lo que significa que cualquiera puede usarla gratis!

Resumen técnico

A continuación presento un resumen técnico detallado del artículo sobre la Base de Conocimiento del Oído Interno (IEKB), traducido y adaptado al español.

Título: IEKB: Una base de conocimientos integral para la genética del oído interno

1. El Problema

La genética del oído interno ha avanzado rápidamente gracias a tecnologías de secuenciación de nueva generación (NGS), pero el conocimiento resultante está altamente fragmentado. La evidencia científica se dispersa en una vasta literatura y en recursos que suelen centrarse en aspectos aislados:

• Dispersión de datos: Los investigadores y clínicos tienen dificultades para obtener una visión actualizada y mecanísticamente informada.
• Limitaciones de recursos existentes: Herramientas actuales como Hereditary Hearing Loss Homepage (HHL), Deafness Variation Database (DVD) o Gene4HL cubren solo capas específicas (loci, variantes o anotaciones clínicas), pero carecen de integración de contexto mecanístico, redes de interacción cocleares, priorización predictiva de candidatos o exploración de redes de entidades múltiples.
• Necesidad de integración: Existe una brecha crítica para una plataforma abierta que unifique asociaciones curadas, interacciones biológicas, priorización probabilística de genes candidatos ("materia oscura") y soporte explicativo para nuevos hallazgos.

2. Metodología

La construcción de IEKB se basa en un flujo de trabajo híbrido de agente asistido por IA y curación humana, diseñado para escalar la extracción de datos manteniendo la rigurosidad científica.

• Construcción del Universo Génico: Se definió un universo de búsqueda de 16,563 genes humanos (con ortólogos en ratón) a partir de NCBI.
• Recuperación de Literatura: Se realizaron consultas en PubMed y Europe PMC utilizando términos de contexto del oído interno (ej. "célula ciliada", "cóclea", "pérdida auditiva"). Se filtraron 250,696 registros para identificar 2,494 genes relevantes.
• Curación Asistida por Agentes:
  • Se utilizó un agente automatizado (basado en LLMs como DeepSeek Chat) para extraer asociaciones gen-fenotipo-enfermedad e interacciones gen-gen de resúmenes y textos completos.
  • Las salidas se restringieron mediante esquemas de datos Pydantic para garantizar la estructura.
  • Validación Humana: Un proceso de "bucle humano" (human-in-the-loop) supervisó el 10% de las extracciones aleatorias. Expertos en genética del oído interno revisaron y validaron todas las entradas finales, resolviendo discrepancias por consenso.
• Módulo de "Materia Oscura" (Bayesiano): Para priorizar genes candidatos no curados previamente, se implementó un modelo probabilístico que combina:
  • Puntuación de vecinos directos en la red STRING.
  • Puntuación de "Caminata Aleatoria con Reinicio" (RWR) para difusión en la red.
  • Superposición con grupos génicos asociados a fenotipos.
  • Un modelo de regresión logística calibrado (Platt scaling) genera un score posterior para 243,071 asociaciones candidatas.
• Capa de Relación Oscura (Dark Relation): Un modelo supervisado (LightGBM o regresión logística) clasifica qué genes conocidos apoyan a un candidato "oscuro", proporcionando una cadena de evidencia auditable con explicaciones en lenguaje natural.
• Red Científica y QA: Se construyó un grafo de conocimiento con ~4,000 entidades y se desarrolló una interfaz de preguntas y respuestas (IEKB QA) basada en agentes que ejecuta consultas SQL estructuradas sobre la base de datos local en el navegador.

3. Contribuciones Clave

IEKB es la primera plataforma de acceso abierto que integra simultáneamente:

1. Asociaciones Curadas: 6,051 asociaciones gen-fenotipo-enfermedad de 2,494 genes en 43 categorías de fenotipos.
2. Interacciones Cocleares: 4,102 interacciones gen-gen anotadas con contexto celular, vías y nivel de evidencia.
3. Priorización Predictiva: Un módulo de "materia oscura" que evalúa 13,229 genes candidatos con un rendimiento global AUC-ROC de 0.8603.
4. Soporte Explicable: Una capa de "relación oscura" que no solo predice, sino que explica por qué un gen conocido apoya a un candidato, desglosando las características de la red (ej. peso de borde, difusión, superposición de grupos).
5. Red de Entidades Científicas: Un grafo con 28,616 bordes deterministas y 83,712 enlaces derivados de literatura.
6. Interfaz Interactiva y QA: Acceso sin registro, visualización de redes, análisis de enriquecimiento y un asistente conversacional (IEKB QA) para preguntas complejas con citas bibliográficas.

4. Resultados

• Cobertura y Calidad: El sistema curó datos de 2,494 genes, cubriendo el 97.5% de los genes de pérdida auditiva de ClinGen y el 94.9% de HHL, además de añadir 2,301 genes no presentes en estas bases de referencia.
• Rendimiento Predictivo: El modelo de materia oscura logró un AUC-ROC global de 0.8603 y un AUC-PR de 0.1674. Se identificaron candidatos biológicamente plausibles, como RBM5 para la pérdida auditiva neurosensorial (score posterior 0.81).
• Red de Conocimiento: La red identifica "hubs" centrales como el órgano de Corti (grado 1,188) y las células ciliadas (grado 871), así como vías clave como la respuesta al estrés oxidativo y la señalización FGF.
• Interfaz: La aplicación web permite búsquedas multifactoriales, visualización de redes interactivas (Cytoscape.js), descargas masivas (CSV, JSON, SQLite) y consultas en lenguaje natural.

5. Significado e Impacto

• Unificación del Conocimiento: IEKB cierra la brecha entre la literatura dispersa y la interpretación biológica integrada, ofreciendo un recurso único para la investigación del oído interno.
• Generación de Hipótesis: Al combinar curación manual con predicción bayesiana y explicabilidad, transforma una base de datos pasiva en una herramienta activa para la generación de hipótesis y la priorización de genes candidatos para estudios experimentales.
• Transparencia y Reproducibilidad: A diferencia de las "cajas negras" de IA, IEKB ofrece trazabilidad completa (Tier 1 y Tier 2), cadenas de evidencia audibles y datos descargables para análisis offline.
• Accesibilidad: Al ser de código abierto (licencia CC BY 4.0) y no requerir registro, democratiza el acceso a datos genéticos complejos para clínicos e investigadores de todo el mundo.
• Futuro: El sistema está diseñado para actualizaciones mensuales automáticas con validación experta, prometiendo evolucionar hacia una cobertura de especies más amplia y una integración de atlas de células individuales.

En resumen, IEKB representa un avance significativo en la bioinformática auditiva, proporcionando un ecosistema integral que combina la precisión de la curación experta con la potencia escalable de la inteligencia artificial para descifrar la complejidad genética de la pérdida auditiva.