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

I vasti archivi della biologia moderna contengono milioni di istantanee della vita a livello molecolare, catturando come i geni si attivino e si disattivino nelle cellule di persone sane e malate. Questi record, conservati in repository pubblici come il Gene Expression Omnibus, sono destinati a essere una biblioteca condivisa dove gli scienziati possono cercare modelli attraverso migliaesi di studi. Tuttavia, l'utilità di questa biblioteca è stata a lungo frenata da un problema semplice: le note allegate a ogni campione sono scritte in un mix caotico di lingue umane. Un ricercatore potrebbe descrivere un campione come "tumore al seno", mentre un altro scrive "carcinoma mammario", e un terzo usa un'abbreviazione criptica che ha senso solo all'interno del suo specifico laboratorio. Poiché queste descrizioni sono non strutturate e incoerenti, trovare tutti i campioni relativi a una specifica malattia o tipo di tessuto è come cercare un singolo libro in una biblioteca dove ogni titolo è scritto in un dialetto diverso ed è disperso sugli scaffali.

Per risolvere questo problema, Mateusz Szczepaniak e Jonathan Wren dell'Oklahoma Medical Research Foundation hanno costruito un nuovo sistema che funge da traduttore universale per questi record biologici. Hanno sviluppato una pipeline di intelligenza artificiale in esecuzione locale progettata per leggere le note disordinate e in testo libero allegate a oltre 800.000 campioni umani e convertirle in etichette pulite e standardizzate. Il sistema si concentra su tre informazioni critiche: il tessuto da cui proviene il campione, la condizione del paziente o dell'organismo e qualsiasi trattamento ricevuto dal campione. Invece di limitarsi a leggere il testo, il sistema comprende il contesto dell'intero studio, permettendogli di colmare i dettagli mancanti che una singola nota potrebbe omettere. Una volta estratta questa informazione, collega ogni etichetta a un vocabolario controllato, assicurando che "cancro al seno" e "tumore mammario" siano riconosciuti come la stessa cosa, raggruppando al contempo termini che non hanno ancora un nome standard.

I ricercatori hanno testato il loro sistema su un enorme dataset di campioni umani e hanno scoperto che poteva identificare con successo il tipo di tessuto in quasi tutti i casi in cui l'informazione era disponibile, raggiungendo un'accuratezza di quasi il 99,7 percento su un benchmark accuratamente controllato. Per l'identificazione della malattia o della condizione, il sistema è stato corretto circa il 95 percento delle volte. Forse la cosa più importante è che il sistema non ha semplicemente tirato a indovinare; ha utilizzato il contesto più ampio dello studio per risolvere le ambiguità. Se una singola nota del campione diceva "gruppo di controllo" senza specificare la malattia, il sistema ha esaminato il design complessivo dello studio e le etichette degli altri campioni nello stesso esperimento per inferire correttamente il contesto mancante. Questo passaggio ha permesso al sistema di recuperare informazioni mancanti per più di tre quarti delle etichette dei tessuti che inizialmente erano contrassegnate come non specificate.

Una caratteristica chiave di questo lavoro è il modo in cui gestisce i termini che non rientrano nei dizionari medici esistenti. Invece di forzare un termine strano o unico in una categoria in cui non appartiene, il sistema raggruppa questi concetti fuori dal vocabolario in base alla loro somiglianza. Ciò preserva i dettagli specifici della ricerca originale pur rendendo i dati ricercabili. Il team ha inoltre garantito che il sistema potesse essere eseguito su computer locali senza la necessità di inviare dati sensibili a server esterni, rendendo il processo trasparente e riproducibile. Convertendo milioni di note non strutturate in dati strutturati e ricercabili, questa pipeline rimuove una barriera fondamentale alla scoperta scientifica. Permette ai ricercatori di combinare facilmente i dati provenienti da diversi studi per trovare nuove intuizioni su come funzionano le malattie, trasformando una collezione frammentata di note in una risorsa coerente e utilizzabile per l'intera comunità scientifica.