Cross-kingdom phenotype annotations for 35,856 species generated with a web-search-enabled language model

Resumen Técnico: Anotaciones de Fenotipos Trans-reinos para 35.856 Especies

Planteamiento del Problema
Las matrices estandarizadas de rasgos organismales son esenciales para la biología comparativa, la macroecología y la conservación. Sin embargo, el ensamblaje de matrices densas con una amplia cobertura taxonómica se ve obstaculizado por el lento ritmo de la curación manual, la representación taxonómica desigual y la ausencia estructurada impulsada por el clado, la geografía y el esfuerzo de investigación. Si bien la minería de textos automatizada y los modelos de lenguaje de gran tamaño (LLM) han acelerado la extracción de rasgos a partir de texto no estructurado, estos enfoques siguen limitados por la disponibilidad y el sesgo del corpus de origen. Además, la anotación trans-reino es particularmente desafiante porque rasgos tan diversos como las paredes celulares, el veneno y la dispersión de semillas deben representarse dentro de un único marco de datos. Los recursos existentes suelen carecer de la uniformidad requerida para análisis a gran escala, y los datos generados por LLM frecuentemente sufren de "errores fluidos" y sensibilidad a los prompts, lo que requiere una validación y cuantificación de la incertidumbre rigurosas.

Metodología
El estudio presenta LifeDive, un conjunto de datos generado por un LLM habilitado para la búsqueda web integrado en un flujo de trabajo de anotación guionizado.

• Selección de Organismos: La taxonomía de origen fue el Catalogue of Life (2026-04-18 XR). Un script de selección priorizó Animalia, Plantae y Fungi, con el objetivo de lograr una cobertura a nivel de familia. El proceso retuvo aproximadamente el 5% de especies extintas y favoreció nombres aceptados y aquellos con nombres comunes en inglés. Un conjunto inicial de 35.000 especies fue refinado mediante una revisión asistida por LLM (usando GPT 5.5 Pro) para incluir organismos familiares ausentes de la lista inicial, resultando en un conjunto final de 35.856 especies.
• Flujo de Trabajo de Anotación: Las especies fueron evaluadas mediante 196 preguntas fenotípicas que cubren biología celular, anatomía, fisiología, ecología, comportamiento, historia de vida, reproducción, tolerancia ambiental y asociaciones humanas. El modelo utilizado fue Grok-4-1-fast-reasoning vía la API de xAI, configurado con la herramienta web_search para recuperar información de taxones oscuros.
• Escala de Respuesta: Las anotaciones utilizaron una escala ordinal de cinco niveles: 0 (Definitivamente No), 1 (Probablemente No), 2 (Desconocido/no aplicable), 3 (Probablemente Sí) y 4 (Definitivamente Sí). El prompt instruyó al modelo a devolver el código 2 cuando no se pudiera determinar una respuesta.
• Procesamiento de Datos:
  • Parsing: Las respuestas fueron validadas en su estructura; los resultados desalineados fueron descartados y reemplazados con valores de "Desconocido" en lugar de ser aceptados silenciosamente.
  • Imputación: Los valores faltantes (código 2 y fuera de rango) fueron imputados utilizando clasificación de bosque aleatorio (clúster H2O). La imputación trató otros ítems fenotípicos retenidos como predictores para generar una matriz completada para el análisis posterior, preservando al mismo tiempo la matriz original para la procedencia.
  • Reducción de Dimensionalidad: Se aplicó un modelo de teoría de respuesta al ítem (IRT) de 14 factores con rotación promax a la matriz completada para derivar dimensiones fenotípicas (p. ej., "Similitud con plantas", "Acuático", "Peligroso").

Contribuciones Clave

1. Dataset LifeDive: Un conjunto de datos trans-reino que contiene 7.027.776 anotaciones fenotípicas ordinales para 35.856 especies de animales, plantas y hongos.
2. Marco Metodológico: Un flujo de trabajo reproducible que demuestra cómo los LLM habilitados para la búsqueda web pueden utilizarse como anotadores estructurados en lugar de meros lectores de texto, incorporando esquemas explícitos, salidas restringidas y pasos de validación.
3. Capas de Datos: El lanzamiento distingue entre:
   • Matriz Bruta (Raw Matrix): Respuestas originales del modelo incluyendo códigos de "Desconocido".
   • Matriz Completada (Completed Matrix): Valores imputados para análisis que requieren datos rectangulares.
   • Productos Derivados: Matrices de carga de 14 factores y puntuaciones fenotípicas de peso unitario.
4. Suite de Validación: Materiales de validación técnica exhaustivos, incluyendo comparaciones externas (benchmarks), auditorías entre modelos y análisis de estructura latente.

Resultados y Validación

• Comparación Externa (Benchmarking): El conjunto de datos se comparó con recursos de rasgos independientes (p. ej., PanTHERIA, EltonTraits, FishBase, AmphiBIO). Los indicadores taxonómicos amplios mostraron correlaciones cercanas al techo (p. ej., Animalia vs. celulosa: $r = -0.99$; Plantae vs. celulosa: $r = 0.99$; Mammalia vs. pelo: $r = 0.99$). Las variables ecológicas específicas también mostraron un fuerte acuerdo (p. ej., etapa larvaria de anfibios vs. metamorfosis: $r = 0.90$).
• Auditoría entre Modelos: Una muestra aleatoria de 200 especies fue auditada utilizando un LLM diferente (Claude Opus 4.7) y búsquedas web. La auditoría estimó un acuerdo direccional del 95–97% para la matriz suministrada. Los códigos definitivos (0 y 4) resultaron ser más precisos que los códigos de duda o matizados (1 y 3).
• Estructura Latente: El análisis factorial produjo 14 dimensiones interpretables (p. ej., "Similitud con plantas", "Similitud con hongos", "Similitud con insectos", "Peligroso"). Las visualizaciones confirmaron que las puntuaciones se alineaban con las expectativas biológicas (p. ej., las plantas leñosas ocupando regiones altas de "Similitud con plantas" y "Durabilidad").
• Similitud Fenotípica: Un análisis de redes del subconjunto de 200 especies mostró que los organismos se agrupaban por filo y analogía funcional (p. ej., árboles con árboles, ranas con ranas), con altas correlaciones intra-grupo (p. ej., 0.877 para Ascomycota).

Significancia y Reivindicaciones
El artículo posiciona a LifeDive como un recurso de fenotipos computacional diseñado para una cobertura amplia y uniforme a través del árbol de la vida. Los autores declaran explícitamente que los datos no son un reemplazo de las mediciones primarias, los registros de especies curados por expertos o los rasgos continuos medidos.

En su lugar, el conjunto de datos está destinado para:

• Análisis comparativos exploratorios y generación de hipótesis.
• Evaluación de futuros sistemas de anotación contra un conjunto fijo de organismos y preguntas.
• Priorización de celdas inciertas para la revisión experta dirigida.
• Generación de características para el modelado macroecológico.

Los autores enfatizan que el producto de datos debe juzgarse por su procedencia documentada, su incertidumbre visible (distinguiendo entre valores brutos e imputados) y sus controles técnicos independientes. Advierten que la regeneración exacta de las anotaciones brutas no está garantizada debido a la naturaleza dinámica de los LLM y la recuperación web, y aconsejan a los usuarios tratar las capas de datos según su tolerancia específica a la incertidumbre.