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

Los vastos archivos de la biología moderna contienen millones de instantáneas de la vida a nivel molecular, capturando cómo los genes se activan y desactivan en las células de personas sanas y de aquellas con enfermedades. Estos registros, almacenados en repositorios públicos como el Gene Expression Omnibus, están destinados a ser una biblioteca compartida donde los científicos puedan buscar patrones a través de miles de estudios. Sin embargo, la utilidad de esta biblioteca se ha visto frenada durante mucho tiempo por un problema simple: las notas adjuntas a cada muestra están escritas en una mezcla caótica de lenguas humanas. Un investigador podría describir una muestra como "tumor de mama", mientras que otro escribe "carcinoma mamario", y un tercero utiliza una abreviatura críptica que solo tiene sentido dentro de su laboratorio específico. Debido a que estas descripciones son no estructuradas e inconsistentes, encontrar todas las muestras relacionadas con una enfermedad o tipo de tejido específico es como intentar encontrar un solo libro en una biblioteca donde cada título está escrito en un dialecto diferente y disperso por los estantes.

Para resolver esto, Mateusz Szczepaniak y Jonathan Wren, de la Oklahoma Medical Research Foundation, han construido un nuevo sistema que actúa como un traductor universal para estos registros biológicos. Desarrollaron un flujo de trabajo de inteligencia artificial que se ejecuta localmente, diseñado para leer las notas desordenadas de texto libre adjuntas a más de 800,000 muestras humanas y convertirlas en etiquetas limpias y estandarizadas. El sistema se centra en tres piezas críticas de información: el tejido del que proviene la muestra, la condición del paciente u organismo, y cualquier tratamiento que la muestra haya recibido. En lugar de simplemente leer el texto, el sistema comprende el contexto de todo el estudio, lo que le permite completar detalles faltantes que una sola nota podría omitir. Una vez que extrae esta información, vincula cada etiqueta a un vocabulario controlado, asegurando que "cáncer de mama" y "tumor mamario" sean reconocidos como la misma cosa, al tiempo que agrupa términos que aún no tienen un nombre estándar.

Los investigadores probaron su sistema en un conjunto masivo de datos de muestras humanas y descubrieron que podía identificar con éxito el tipo de tejido en casi todos los casos donde la información estaba disponible, logrando una precisión de casi el 99.7 por ciento en un punto de referencia cuidadosamente verificado. Para identificar la enfermedad o condición, el sistema fue correcto aproximadamente el 95 por ciento de las veces. Quizás lo más importante es que el sistema no solo adivinó; utilizó el contexto más amplio del estudio para resolver ambigüedades. Si una nota de muestra decía "grupo de control" sin especificar la enfermedad, el sistema observaba el diseño general del estudio y las etiquetas de las otras muestras en ese mismo experimento para inferir correctamente el contexto faltante. Este paso permitió al sistema recuperar información faltante para más de tres cuartas partes de las etiquetas de tejido que inicialmente estaban marcadas como no especificadas.

Una característica clave de este trabajo es cómo maneja los términos que no encajan en los diccionarios médicos existentes. En lugar de forzar un término extraño o único en una categoría donde no pertenece, el sistema agrupa estos conceptos fuera del vocabulario basándose en su similitud. Esto preserva los detalles específicos de la investigación original mientras sigue haciendo que los datos sean rastreables. El equipo también se aseguró de que el sistema pudiera ejecutarse en computadoras locales sin necesidad de enviar datos sensibles a servidores externos, haciendo que el proceso sea transparente y reproducible. Al convertir millones de notas no estructuradas en datos estructurados y rastreables, este flujo de trabajo elimina una barrera importante para el descubrimiento científico. Permite a los investigadores combinar fácilmente datos de diferentes estudios para encontrar nuevos conocimientos sobre cómo funcionan las enfermedades, convirtiendo una colección fragmentada de notas en un recurso coherente y utilizable para toda la comunidad científica.