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

Les vastes archives de la biologie moderne contiennent des millions de clichés de la vie au niveau moléculaire, capturant la façon dont les gènes s'activent et se désactivent dans les cellules de personnes saines et de personnes malades. Ces archives, stockées dans des répertoires publics comme le Gene Expression Omnibus, sont destinées à être une bibliothèque partagée où les scientifiques peuvent rechercher des modèles à travers des milliers d'études. Cependant, l'utilité de cette bibliothèque est depuis longtemps entravée par un problème simple : les notes jointes à chaque échantillon sont écrites dans un mélange chaotique de langues humaines. Un chercheur pourrait décrire un échantillon comme « tumeur du sein », tandis qu'un autre écrit « carcinome mammaire », et un troisième utilise une abréviation cryptique qui n'a de sens que dans son laboratoire spécifique. Parce que ces descriptions sont non structurées et incohérentes, trouver tous les échantillons liés à une maladie ou un type de tissu spécifique revient à essayer de trouver un livre unique dans une bibliothèque où chaque titre serait écrit dans un dialecte différent et éparpillé sur les étagères.

Pour résoudre cela, Mateusz Szczepaniak et Jonathan Wren, de l'Oklahoma Medical Research Foundation, ont construit un nouveau système qui agit comme un traducteur universel pour ces dossiers biologiques. Ils ont développé un pipeline d'intelligence artificielle tournant en local, conçu pour lire les notes textuelles désordonnées attachées à plus de 800 000 échantillons humains et les convertir en étiquettes propres et normalisées. Le système se concentre sur trois informations critiques : le tissu dont provient l'échantillon, l'état du patient ou de l'organisme, et tout traitement reçu par l'échantillon. Au lieu de simplement lire le texte, le système comprend le contexte de l'étude entière, ce qui lui permet de combler les détails manquants qu'une note isolée pourrait omettre. Une fois qu'il a extrait cette information, il lie chaque étiquette à un vocabulaire contrôlé, garantissant que « cancer du sein » et « tumeur mammaire » soient reconnus comme la même chose, tout en regroupant les termes qui n'ont pas encore de nom standard.

Les chercheurs ont testé leur système sur un ensemble massif de données d'échantillons humains et ont constaté qu'il pouvait identifier avec succès le type de tissu dans presque tous les cas où l'information était disponible, atteignant une précision de près de 99,7 % sur un test de référence rigoureusement vérifié. Pour l'identification de la maladie ou de la condition, le système a été correct environ 95 % du temps. Plus important encore, le système ne s'est pas contenté de deviner ; il a utilisé le contexte plus large de l'étude pour lever les ambiguïtés. Si la note d'un échantillon indiquait simplement « groupe témoin » sans préciser la maladie, le système examinait la conception globale de l'étude et les étiquettes des autres échantillons de cette même expérience pour inférer correctement le contexte manquant. Cette étape a permis au système de récupérer l'information manquante pour plus des trois quarts des étiquettes de tissus qui étaient initialement marquées comme non spécifiées.

Une caractéristique clé de ce travail est la manière dont il traite les termes qui ne s'insèrent pas dans les dictionnaires médicaux existants. Plutôt que de forcer un terme étrange ou unique dans une catégorie où il n'a pas sa place, le système regroupe ces concepts hors vocabulaire en fonction de leur similitude. Cela préserve les détails spécifiques de la recherche originale tout en rendant les données consultables. L'équipe a également veillé à ce que le système puisse fonctionner sur des ordinateurs locaux sans avoir besoin d'envoyer des données sensibles vers des serveurs externes, rendant le processus transparent et reproductible. En convertissant des millions de notes non structurées en données structurées et consultables, ce pipeline lève un obstacle majeur à la découverte scientifique. Il permet aux chercheurs de combiner facilement des données provenant de différentes études pour trouver de nouvelles perspectives sur le fonctionnement des maladies, transformant une collection fragmentée de notes en une ressource cohérente et utilisable pour l'ensemble de la communauté scientifique.