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

L'article présente l'IEKB, une base de connaissances ouverte et intégrée pour la génétique de l'oreille interne qui unifie des associations curées, des interactions cochléaires, une priorisation bayésienne de gènes candidats et un réseau scientifique interactif pour faciliter la recherche et l'interprétation des données.

L'essentiel

Imaginez que le monde de la génétique de l'oreille interne est une immense bibliothèque cachée sous terre. Pendant des années, les chercheurs ont dû fouiller des millions de livres (des articles scientifiques) un par un, dans le noir, pour trouver des indices sur ce qui cause la surdité. C'était lent, épuisant et beaucoup d'indices restaient perdus.

IEKB (Inner Ear Knowledge Base) est comme un super-héros bibliothécaire intelligent qui vient de débarquer dans cette bibliothèque pour tout ranger, tout connecter et tout rendre visible.

Voici comment ce projet fonctionne, expliqué simplement :

1. Le Grand Tri (La Bibliothèque Organisée)

Jusqu'à présent, les informations étaient éparpillées. IEKB a pris 250 000 articles scientifiques (c'est énorme !) et les a lus grâce à une équipe de robots intelligents (des agents IA) aidés par de vrais experts humains.

• L'analogie : Imaginez que vous avez un tas de 250 000 pièces de puzzle mélangées. Les robots trient les pièces, les experts humains vérifient qu'elles sont bien, et le résultat est un tableau géant de 6 000 connexions claires entre des gènes, des maladies et des symptômes.

2. Le Détective de l'Invisible (Le Module "Matière Noire")

C'est la partie la plus magique. Il y a des gènes que nous connaissons bien (les "étoiles brillantes") et des gènes que nous ne connaissons pas du tout, mais qui pourraient causer des problèmes (la "matière noire" ou les "gènes sombres").

• L'analogie : C'est comme si vous cherchiez un criminel dans une ville. Vous connaissez déjà les 100 principaux suspects. Mais IEKB utilise une boussole mathématique (Bayésienne) pour deviner qui sont les 243 000 autres suspects potentiels, même si personne ne les a jamais soupçonnés auparavant.
• Le résultat : Le système vous dit : "Attention, ce gène inconnu a 80 % de chances d'être lié à la surdité."

3. Le Réseau de Témoins (Les Relations Explicables)

Souvent, quand une IA dit "ce gène est suspect", on ne sait pas pourquoi. IEKB change la donne.

• L'analogie : Si vous arrêtez un suspect, vous voulez savoir qui l'a vu sur les lieux. IEKB ne se contente pas de pointer du doigt un gène inconnu. Il vous dit : "Ce gène inconnu ressemble beaucoup à ce gène connu (que nous savons être dangereux), et ils travaillent dans le même quartier (le même chemin biologique)."
• C'est comme avoir un réseau de témoins qui explique pourquoi le suspect est crédible, rendant la découverte scientifique plus fiable et compréhensible.

4. La Carte Interactive (Le Réseau Scientifique)

Tout est relié. Les gènes, les cellules de l'oreille, les maladies, les voies de communication dans le corps.

• L'analogie : Imaginez un plan de métro géant où chaque gare est une pièce du puzzle (un gène, une maladie). IEKB vous permet de cliquer sur une gare et de voir toutes les lignes qui y mènent. Vous pouvez voir comment une mutation dans un gène peut faire dérailler tout le système de l'oreille interne.

5. Le Chatbot Savant (IEKB QA)

Au lieu de devoir chercher vous-même dans les tableaux, vous pouvez simplement poser une question en langage naturel.

• L'analogie : C'est comme avoir un médecin expert assis à côté de vous. Vous lui demandez : "Quels gènes sont liés à la surdité due au bruit ?" et il vous répond instantanément avec une liste, des preuves et des références, comme s'il avait lu tous les livres de la bibliothèque en une seconde.

En résumé

IEKB est un outil gratuit et ouvert qui transforme un chaos de données scientifiques en une carte au trésor claire.

• Il aide les chercheurs à trouver de nouvelles pistes plus vite.
• Il aide les médecins à mieux comprendre les causes de la surdité.
• Il rend la science accessible à tous, sans avoir besoin d'être un expert en informatique ou en génétique.

C'est une boîte à outils complète pour décoder le mystère de l'ouïe, du premier soupçon jusqu'à la preuve finale.

Résumé technique

1. Problématique

La génétique de l'oreille interne a connu une expansion rapide grâce aux technologies de séquençage de nouvelle génération (NGS). Cependant, les connaissances restent dispersées dans une littérature vaste et fragmentée. Les ressources existantes (comme HHL, DVD, Gene4HL) se concentrent souvent sur des aspects isolés : catalogues de loci, interprétation de variants ou données d'expression, mais manquent d'une intégration systémique.
Les chercheurs et cliniciens font face à plusieurs défis :

• L'absence d'une plateforme unique unifiant les associations gène-phénotype-maladie, les interactions cochléaires et les réseaux biologiques.
• La difficulté à prioriser les gènes candidats "orphelins" (sans preuve directe dans la littérature) pour des phénotypes spécifiques.
• Le manque de relations explicables et audibles reliant les nouveaux candidats aux gènes connus.

2. Méthodologie

IEKB a été construit via un pipeline de curation assisté par des agents intelligents, supervisé par des humains et validé par des experts. Le processus se décompose en plusieurs étapes clés :

• Construction de l'univers génique et récupération de la littérature :

  • Définition d'un univers de 16 563 gènes humains (avec orthologues souris).
  • Récupération de 250 696 articles PubMed via des requêtes combinant des gènes et 11 termes contextuels de l'oreille interne.
  • Filtrage en deux étapes : pré-filtre basé sur des règles (co-occurrence titre/résumé) et classification par LLM (DeepSeek Chat) pour valider la pertinence biologique.

• Curation assistée par agent :

  • Extraction structurée des données (associations gène-phénotype et interactions gène-gène) via des agents IA contraints par des schémas de données (Pydantic).
  • Normalisation des entités (symboles HGNC, phénotypes, voies) et fusion des doublons.
  • Boucle humaine : Échantillonnage aléatoire (10 %) pour correction d'erreurs et validation finale par des experts en génétique de l'oreille interne.

• Modules prédictifs et inférence :

  • Module "Dark Matter" (Bayésien) : Utilise la propagation sur réseau (Random Walk with Restart) et l'analyse de groupes de gènes pour prioriser 243 071 associations gène-phénotype candidates pour 13 229 gènes non encore documentés. Le modèle utilise des scores de qualité de preuve et de clarté mécanistique.
  • Couche "Dark Relation" : Un classifieur supervisé (Logistic Regression ou LightGBM) classe les gènes connus qui soutiennent le mieux un candidat "dark matter", fournissant une chaîne de preuves auditable (score de relation, décomposition des caractéristiques réseau).

• Construction du Réseau Scientifique et Interface :

  • Création d'un graphe de connaissances multi-entités (gènes, maladies, phénotypes, voies, types cellulaires) avec des liens déterministes et dérivés de la littérature.
  • Déploiement web sans serveur backend (SQL.js exécuté côté navigateur) et interface de question-réponse (IEKB QA) utilisant un pipeline d'agents pour générer des réponses étayées par des citations.

3. Contributions Clés

IEKB se distingue comme la première ressource ouverte intégrant simultanément :

1. Associations curées : 6 051 associations gène-phénotype-maladie issues de 2 494 gènes.
2. Interactions cochléaires : 4 102 interactions gène-gène annotées avec contexte cellulaire et voies biologiques.
3. Priorisation probabiliste : Un module "Dark Matter" identifiant des candidats plausibles au-delà des données littéraires directes.
4. Support explicable : Une couche "Dark Relation" qui explique pourquoi un gène connu soutient un candidat (via des métriques de réseau et des résumés naturels).
5. Réseau scientifique : Un graphe de ~4 000 entités et ~112 000 liens.
6. Accessibilité : Données téléchargeables (CSV, JSON, SQLite) et interface de question-réponse naturelle (IEKB QA).

4. Résultats

• Couverture et Qualité : Le système a extrait des données pour 2 494 gènes. L'évaluation par des experts montre une haute précision (Tier 1 : preuves explicites confirmées ; Tier 2 : inférences nécessitant validation).
• Performance du modèle "Dark Matter" :
  • AUC-ROC global de 0,8603 et AUC-PR de 0,1674.
  • Capacité à distinguer efficacement les associations établies des candidats novateurs.
  • Exemple : Le gène RBM5 a été identifié comme un candidat plausible pour la perte auditive neurosensorielle (score postérieur 0,81).
• Réseau et Interactions : Identification de hubs biologiques centraux (ex: Organ of Corti, Hair cells) et de voies clés (Notch, Wnt, FGF, réponse au stress oxydatif).
• Comparaison : IEKB couvre 97,5 % des gènes de la perte auditive ClinGen et 94,9 % des entrées HHL, tout en ajoutant 2 301 gènes absents de ces bases de référence.

5. Signification et Impact

IEKB comble un vide critique dans la recherche sur la surdité en passant d'une simple base de données de catalogues à une plateforme de génération d'hypothèses.

• Transparence et Auditabilité : Contrairement aux "boîtes noires" de l'IA, IEKB fournit des chaînes de preuves explicables pour chaque prédiction, permettant aux chercheurs de valider la pertinence biologique avant des expériences coûteuses.
• Efficacité de la recherche : L'intégration de la curation assistée par IA et de la validation humaine accélère l'exploitation de la littérature massive.
• Utilité pratique : La disponibilité des données brutes (SQLite) et l'outil de question-réponse (IEKB QA) facilitent l'analyse reproductible et l'exploration rapide pour les cliniciens et biologistes.
• Modèle de mise à jour : Le système est conçu pour une maintenance continue avec des mises à jour mensuelles validées par des experts, assurant la pérennité et l'actualité des données.

En résumé, IEKB représente une avancée majeure en offrant un écosystème unifié pour l'exploration, la prédiction et la validation des mécanismes génétiques de l'oreille interne, sous une licence ouverte (CC BY 4.0).