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

आधुनिक जीव विज्ञान के विशाल अभिलेखागारों में आणविक स्तर पर जीवन के लाखों स्नैपशॉट्स मौजूद हैं, जो यह दर्शाते हैं कि स्वस्थ लोगों और रोग से ग्रस्त लोगों की कोशिकाओं में जीन कैसे चालू या बंद होते हैं। ये रिकॉर्ड, जीन एक्सप्रेशन ओमनिबस जैसे सार्वजनिक रिपॉजिटरी में संग्रहीत हैं, जिन्हें एक साझा लाइब्रेरी के रूप में बनाया गया है जहाँ वैज्ञानिक हजारों अध्ययनों में पैटर्न खोज सकते हैं। हालाँकि, इस लाइब्रेरी की उपयोगिता लंबे समय से एक सरल समस्या के कारण बाधित रही है: प्रत्येक नमूने (सैंपल) के साथ संलग्न नोट्स मानव भाषाओं के एक अराजक मिश्रण में लिखे गए हैं। एक शोधकर्ता किसी नमूने को "ब्रेस्ट ट्यूमर" के रूप में वर्णित कर सकता है, जबकि दूसरा "मैमरी कार्सिनोमा" लिखता है, और तीसरा एक ऐसा रहस्यमय संक्षिप्त रूप उपयोग करता है जो केवल उनके विशिष्ट लैब के भीतर ही समझ में आता है। क्योंकि ये विवरण असंरचित और असंगत हैं, इसलिए किसी विशिष्ट बीमारी या ऊतक (टिश्यू) प्रकार से संबंधित सभी नमूनों को खोजना एक ऐसी लाइब्रेरी में एक अकेली किताब खोजने जैसा है जहाँ प्रत्येक शीर्षक अलग बोली में लिखा गया है और अलमारियों पर बिखरा हुआ है।

इसे हल करने के लिए, ओकलाहोमा मेडिकल रिसर्च फाउंडेशन के माटेउज़ स्ज़ेपानियाक और जोनाथन रेन ने एक नई प्रणाली बनाई है जो इन जैविक रिकॉर्डों के लिए एक सार्वभौमिक अनुवादक के रूप में कार्य करती है। उन्होंने एक स्थानीय रूप से चलने वाला आर्टिफिशियल इंटेलिजेंस पाइपलाइन विकसित किया है जिसे 8,00,000 से अधिक मानव नमूनों से जुड़े अव्यवस्थित, मुक्त-पाठ (फ्री-टेक्स्ट) नोट्स को पढ़ने और उन्हें स्वच्छ, मानकीकृत लेबल में बदलने के लिए डिज़ाइन किया गया है। यह प्रणाली तीन महत्वपूर्ण सूचनाओं पर ध्यान केंद्रित करती है: वह ऊतक जिससे नमूना लिया गया था, रोगी या जीव की स्थिति, और कोई भी उपचार जो नमूने को दिया गया था। केवल पाठ को पढ़ने के बजाय, यह प्रणाली पूरे अध्ययन के संदर्भ को समझती है, जिससे यह उन विवरणों को भरने में सक्षम होती है जो एक एकल नोट छोड़ सकता है। एक बार जब यह जानकारी निकाल लेती है, तो यह प्रत्येक लेबल को एक नियंत्रित शब्दावली (कंट्रोल्ड वोकैबुलरी) से जोड़ देती है, यह सुनिश्चित करते हुए कि "ब्रेस्ट कैंसर" और "मैमरी ट्यूमर" को एक ही चीज़ के रूप में पहचाना जाए, और साथ ही उन शब्दों को एक साथ समूहित किया जाए जिनका अभी तक कोई मानक नाम नहीं है।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण मानव नमूनों के एक विशाल डेटासेट पर किया और पाया कि यह लगभग हर उस मामले में ऊतक के प्रकार की सफलतापूर्वक पहचान कर सकता था जहाँ जानकारी उपलब्ध थी, जिसने एक सावधानीपूर्वक जांच किए गए बेंचमार्क पर लगभग 99.7 प्रतिशत की सटीकता प्राप्त की। बीमारी या स्थिति की पहचान करने के लिए, सिस्टम लगभग 95 प्रतिशत बार सही था। सबसे महत्वपूर्ण बात यह है कि सिस्टम ने केवल अनुमान नहीं लगाया; इसने अस्पष्टताओं को दूर करने के लिए अध्ययन के व्यापक संदर्भ का उपयोग किया। यदि किसी एक नमूने के नोट में बीमारी निर्दिष्ट किए बिना केवल "कंट्रोल ग्रुप" लिखा था, तो सिस्टम ने अध्ययन के समग्र डिज़ाइन और उसी प्रयोग के अन्य नमूनों के लेबल को देखकर गायब संदर्भ का सही निष्कर्ष निकाला। इस चरण ने सिस्टम को उन एक-तिहाई से अधिक ऊतक लेबल के लिए गायब जानकारी को पुनः प्राप्त करने में सक्षम बनाया जो शुरू में अनिर्दिष्ट (अनस्पेसिफाइड) के रूप में चिह्नित थे।

इस कार्य की एक प्रमुख विशेषता यह है कि यह उन शब्दों को कैसे संभालता है जो मौजूदा चिकित्सा शब्दकोशों में फिट नहीं होते हैं। किसी अजीब या अद्वितीय शब्द को उस श्रेणी में जबरन डालने के बजाय जहाँ वह नहीं आता, यह प्रणाली इन 'आउट-ऑफ-वोकैबुलरी' अवधारणाओं को उनकी समानता के आधार पर एक साथ समूहित करती है। यह मूल अनुसंधान के विशिष्ट विवरणों को सुरक्षित रखते हुए डेटा को खोजने योग्य बनाता है। टीम ने यह भी सुनिश्चित किया कि सिस्टम बाहरी सर्वरों पर संवेदनशील डेटा भेजे बिना स्थानीय कंप्यूटरों पर चल सके, जिससे यह प्रक्रिया पारदर्शी और पुनरुत्पादक (रिप्रोड्यूसिबल) बन गई। लाखों असंरचित नोट्स को संरचित, खोजने योग्य डेटा में बदलकर, यह पाइपलाइन वैज्ञानिक खोज के एक बड़े अवरोध को हटा देता है। यह शोधकर्ताओं को विभिन्न अध्ययनों के डेटा को आसानी से संयोजित करने की अनुमति देता है ताकि यह पता लगाया जा सके कि बीमारियाँ कैसे काम करती हैं, जिससे नोट्स के एक खंडित संग्रह को संपूर्ण वैज्ञानिक समुदाय के लिए एक सुसंगत, उपयोगी संसाधन में बदल दिया जाता है।