🧬 biology

Beyond Manual Curation: Augmenting Targeted Protein Degradation Databases via Agentic Literature Extraction Workflows

Dit artikel introduceert een expert-in-the-loop agentwerkstroom die promptverfijning benut om de extractie van complexe gegevens over gerichte proteïneafbraak uit wetenschappelijke literatuur te automatiseren, waarbij hoge nauwkeurigheid wordt bereikt en bestaande databases aanzienlijk worden uitgebreid terwijl essentiële experimentele context wordt vastgelegd die eerder bij handmatige curatie verloren ging.

Oorspronkelijke auteurs: Yaochen Rao, Farzaneh Jalalypour, N. M. Anoop Krishnan, Rocío Mercado

Gepubliceerd 2026-05-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yaochen Rao, Farzaneh Jalalypour, N. M. Anoop Krishnan, Rocío Mercado

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je de wereld van de geneesmiddelenontdekking voor als een enorme, chaotische bibliotheek. Elk jaar publiceren wetenschappers meer dan 1,5 miljoen nieuwe boeken (onderzoeksartikelen) die beschrijven hoe je tiny moleculaire machines kunt bouwen die ziekteverwekkende eiwitten kunnen vernietigen. Deze machines worden Gerichte Proteïne-afbrekers (TPD's) genoemd.

Het probleem? De belangrijkste informatie in deze boeken – de specifieke recepten, de exacte ingrediënten en de testresultaten – zit opgesloten in rommelige alinea's, verspreide tabellen en verborgen in de achterkant van het boek (aanvullende bestanden). Momenteel moet een team van menselijke bibliothecarissen elk boek lezen, deze details vinden en ze in een nette spreadsheet neerschrijven. Dit is traag, duur en ze missen vaak details of schrijven alleen de "beste" voorbeelden op, terwijl ze de mislukkingen negeren die ook belangrijk zijn voor het leren.

Dit artikel introduceert een super-slimme, geautomatiseerde bibliothecaris (een AI-workflow) die deze wetenschappelijke boeken veel sneller en nauwkeuriger kan lezen dan mensen, terwijl een menselijke expert zijn werk blijft controleren.

Hier is hoe het werkt, met eenvoudige analogieën:

1. De "Driehoekige" Waarheidscontrole

Om ervoor te zorgen dat hun nieuwe AI-bibliothecaris goed is, hebben de auteurs niet zomaar gevraagd om een gok. Ze stelden een driewegvergelijking op, als een spel "Telefoon" met een scheidsrechter:

De Oude Database: De bestaande spreadsheets gemaakt door menselijke bibliothecarissen.
De Gok van de AI: Wat de nieuwe AI uit de artikelen heeft gehaald.
De Gouden Standaard: Een nieuwe set artikelen gelezen en geannoteerd door expert-wetenschappers (de "Ground Truth").

Door alle drie te vergelijken, konden ze zien of de AI beter was dan de oude databases en of het de waarheid sprak in vergelijking met de experts.

2. Het "Coach en Speler" Systeem (Agent Workflow)

In plaats van de AI een statische set instructies te geven, bouwden de auteurs een dynamisch team van drie AI-"agenten" die samenwerken, onder toezicht van een mens:

De Extractor (De Speler): Deze agent leest het artikel en haalt de data eruit (zoals de naam van de verbinding, het doeleiwit en de resultaten).
De Analist (De Coach): Als de Extractor een fout maakt, kijkt de Analist naar het originele artikel en de "Gouden Standaard" om uit te zoeken waarom het mislukte. Heb je een tabel gemist? Heb je twee vergelijkbare chemische namen verward?
De Verfijner (De Trainer): Op basis van de notities van de Analist, past de Verfijner de instructies (de "prompt") voor de Extractor aan om ervoor te zorgen dat deze niet dezelfde fout opnieuw maakt.

Dit gebeurt in een lus. De AI probeert, krijgt coaching, leert en probeert opnieuw totdat het goed is. De auteurs noemen dit CAPO (Cross-validated Agentic Prompt Optimization). Het is als het trainen van een hond: je zegt het niet één keer; je corrigeert het en het leert de regels.

3. De "Magische Truc" van Transfer

Het team begon met het trainen van dit systeem op Moleculaire Lijmen (een type proteïne-afbreker) met slechts zeven door experts geannoteerde artikelen. Dat is een minieme hoeveelheid trainingsdata.

Zodra het systeem had geleerd hoe het Moleculaire Lijm-artikelen moest lezen, deden ze iets slim: ze vervingen simpelweg het woord "Moleculaire Lijm" door "PROTAC" (een ander, maar gerelateerd type afbreker) in de instructies. Ze hoefden het hele systeem niet opnieuw te trainen. Het was alsof je een chef-kok leert een chocoladetaart te bakken, en ze dan zegt: "Bak nu een vanilletaart met dezelfde stappen, wissel alleen de smaak uit." De AI werkte perfect voor het nieuwe type ook.

4. De Resultaten: De Gaten Opvullen

Toen ze deze AI losliet op duizenden artikelen, waren de resultaten indrukwekkend:

Het vond meer: De AI voegde 81% meer records toe aan de Moleculaire Lijm-database en 92% meer aan de PROTAC-database.
Het was nauwkeurig: Toen experts de nieuwe bevindingen van de AI controleerden, waren 92% van de Moleculaire Lijm-records en 82,5% van de PROTAC-records correct.
Het vond het "saie" materiaal: De oude door mensen samengestelde databases hielden voornamelijk de "winnaars" (sterke medicijnen) bij en misten de context (zoals hoe lang de test duurde of welke cellen werden gebruikt). De AI herstelde al deze ontbrekende context, wat cruciaal is voor wetenschappers die verschillende studies eerlijk willen vergelijken.

5. Wat Het Niet Doet (De Grenzen)

Het artikel is zeer duidelijk over wat dit hulpmiddel nog niet kan:

Het kan geen plaatjes lezen: Als een cruciaal experimenteel resultaat alleen wordt getoond in een grafiek of foto (zoals een Western blot-afbeelding) en niet in tekst of een tabel is geschreven, mist de AI het. De oude menselijke databases misten deze ook, maar de AI loste dat specifieke probleem niet op.
Het heeft een mens in de lus nodig: Het systeem is niet bedoeld om wetenschappers volledig te vervangen. Het is ontworpen om het zware werk van lezen en sorteren te doen, terwijl mensen de lastige delen verifiëren.

De Conclusie

De auteurs hebben een hulpmiddel gebouwd dat werkt als een onuitputtelijke, hyper-nauwkeurige onderzoeksassistent. Het neemt de rommelige, ongestructureerde tekst van wetenschappelijke artikelen en zet het om in schone, georganiseerde data. Door een kleine hoeveelheid expert-hulp te gebruiken om de AI "te leren" hoe het moet lezen, konden ze bestaande databases bijna verdubbelen, waardoor wetenschappers een veel rijker en vollediger beeld krijgen van hoe deze proteïne-afbrekende medicijnen werken. Ze hebben dit hulpmiddel en de nieuwe data vrijgegeven voor iedereen om te gebruiken.

Probleemstelling
De snelle uitbreiding van biomedische literatuur, met meer dan 1,5 miljoen artikelen die jaarlijks worden gepubliceerd, heeft een kritieke knelpunt gecreëerd voor datagedreven medicijnontwikkeling: de moeilijkheid om ongestructureerde gepubliceerde resultaten om te zetten in gestructureerde, machine-leesbare data. Deze uitdaging is bijzonder acuut in Targeted Protein Degradation (TPD), een therapeutische modaliteit die PROTACs en moleculaire lijmen (MGs) omvat. Bestaande publieke bronnen (bijv. PROTAC-DB, MolGlueDB) vertrouwen op handmatige curatie, wat te traag is om gelijke tred te houden met publicatiecijfers en vaak de benodigde gedetailleerde experimentele context (testtype, cellijnen, tijdstippen, concentraties) mist die vereist is voor downstream machine learning-modellering. Bovendien neigt handmatige curatie ertoe om sterk actieve verbindingen te prioriteren, waardoor zwakke of inactieve voorbeelden die essentieel zijn voor het trainen van robuuste modellen, ondergerapporteerd worden. Generieke Large Language Model (LLM) extractiepijplijnen falen op dit domein omdat TPD-records het combineren van verschillende velden vereisen (verbindingidentiteit, target, recruiter, testcontext, eindpunten) die vaak verspreid liggen over tekst, tabellen en aanvullende bestanden, terwijl er tegelijkertijd omgegaan moet worden met inconsistente chemische identificatoren en impliciete experimentele contexten.

Methodologie
De auteurs stellen een expert-in-the-loop LLM-workflow voor die is ontworpen om gestructureerde TPD-testrecords te extraheren zonder model-finetuning. Het systeem werkt op volledige artikelen en aanvullende materialen van PubMed Central (PMC).

Data-acquisitie en triangulaire evaluatie: De studie construeert drie datasets voor een triangulaire vergelijking: een basislijn van gestandaardiseerde records uit bestaande databases (PROTAC-DB en MolGlueDB), een LLM-predictieset, en een onafhankelijke grondwaarheid afgeleid van expertannotatie van een gestratificeerde subset van artikelen (7 MG- en 15 PROTAC-artikelen).
Agente workflow (CAPO): De kerninnovatie is CAPO (Cross-validated Agentic Prompt Optimization), een lichtgewicht module die extractie-instructies aanpast op basis van schaarse expertannotaties. Het maakt gebruik van een dubbel-lus systeem:
- Binnenste lus: Een Extractor-agent verwerkt artikelen via vier fasen: initiële extractie uit de hoofdtekst, zinsniveau-bronverificatie, integratie van aanvullend materiaal, en een definitieve review om ontbrekende chemische identificatoren te voltooien.
- Buitenste lus: Een Analist-agent diagnoseert fouten (vals-positieven/vals-negatieven) in artikelen die onder een prestatiedrempel vallen ( $\tau = 0.9$ ). Een Refiner-agent actualiseert vervolgens het extractieprompt op basis van deze diagnoses. Dit proces wordt uitgevoerd via Leave-One-Out Cross-Validation (LOOCV) om een "Kampioensprompt" te selecteren die de F1-score op vastgehouden data maximaliseert.
Nabewerking en semantische matching: Geëxtraheerde data ondergaat eenheidsnormalisatie, deduplicatie en verrijking van chemische identificatoren (met OPSIN en PubChem). Een semantische matching-module behandelt entiteitssynoniemen (bijv. "CRBN" vs. "Cereblon") met behulp van een beperkt LLM-gebaseerd ja/nee-verificatie, die wordt gecachet voor consistentie.
Evaluatiekader: Het systeem gebruikt hiërarchische evaluatiemodi: Experimenteel (5-veld sleutel: verbinding, target, recruiter, test, cellijn), Mechanistisch (3-veld sleutel), en Fenotypisch (2-veld sleutel). Metrieken omvatten precisie, recall en F1 op zowel record- als veldniveau.

Belangrijkste bijdragen

Formulering en Kader: Het artikel formuleert TPD-database-extractie als een domeinspecifieke curatietak en introduceert een triangulair evaluatiekader dat LLM-predicties, gestandaardiseerde basislijnrecords en expert-grondwaarheid vergelijkt.
Expert-in-the-loop workflow: De auteurs presenteren een end-to-end workflow die bron-gegronde extractie, integratie van aanvullingen en de CAPO-prompt-verfijningsmodule combineert, wat succesvol extractieregels aanpast aan een zeer kleine set annotaties (7 artikelen).
Schaalbare prestaties: De workflow bereikt hoge nauwkeurigheid voor zowel moleculaire lijmen als PROTACs, en toont aan dat een prompt die is geoptimaliseerd voor één modaliteit naar de andere kan worden overgebracht uitsluitend via terminologie-substitutie.
Publicatie van bronnen: De auteurs geven de workflow, geoptimaliseerde prompts, evaluatiecode en de nieuw geëxtraheerde datasets vrij als open bronnen.

Resultaten

Nauwkeurigheid: Op de Molecular Glue (MG) cohort bereikte de workflow een record-niveau F1 van 0,98. Bij overdracht naar PROTACs via terminologie-substitutie behield het een record-niveau F1 > 0,93. Daarentegen behaalden bestaande basislijndatabases (MolGlueDB en PROTAC-DB) aanzienlijk lagere F1-scores (respectievelijk 0,43 en 0,69) onder dezelfde Mechanistische modus, voornamelijk door ontbrekende contextvelden.
Database-aanvulling: Toegepast op grote schaal, breidde de workflow de MG-database uit met 81% (van 136 naar 246 records) en de PROTAC-database met 92% (van 372 naar 714 records).
Validatie: Handmatige review van de nieuw herwonnen "alleen-LLM" records bevestigde 92% validiteit voor MGs en 82,5% voor PROTACs. Omgekeerd leunden veel "alleen-basislijn" records op bewijs gebaseerd op figuren buiten het bereik van tekst-extractie.
Contextherstel: De workflow herstelde significant ontbrekende contextvelden, waardoor de dekking van testen en cellijnen voor MGs met respectievelijk 498% en 513% toenam, en voor PROTACs met respectievelijk 7010% en 98%. Het herstelde ook kinetische data (tijdstippen, concentraties) die essentieel zijn voor condition-aware modellering.
Efficiëntie: De prompt-optimalisatie convergeerde binnen drie rondes met slechts zeven geannoteerde artikelen, waarbij de totale API-kosten voor het hele project onder de $100 bleven.

Beteekenis
Het artikel stelt dat de primaire knelpunt in TPD-curatie dekking is in plaats van nauwkeurigheid; bestaande databases zijn betrouwbaar wanneer ze aanwezig zijn, maar onvolledig. De resultaten ondersteunen een verschuiving van exhaustieve handmatige transcriptie naar expert-in-the-loop curatie, waarbij domeinexperts gerichte annotaties leveren om geautomatiseerde pijplijnen te valideren en te sturen. Door rijke experimentele context (tijdstippen, concentraties, testtypes) te herstellen die vaak wordt gemist bij handmatige curatie, maakt deze workflow de constructie mogelijk van gebalanceerde, condition-aware datasets die noodzakelijk zijn voor het trainen van generaliseerbare machine learning-modellen voor proteïne-degradatie. De auteurs positioneren dit werk als een sjabloon voor AI-gestuurde wetenschappelijke curatie in domeinen waar gestructureerde data verspreid blijft over de literatuur, met de nadruk dat de workflow is ontworpen om expert-curatie te ondersteunen, niet te vervangen.