From expansion to consolidation: two decades ofGene Ontology evolution

Dit artikel presenteert een twintigjarige tijdsanalyse van de Gene Ontology die een periode van expansie en structurele herordening beschrijft, gevolgd door een overgang naar stabiliteit rond 2017, wat essentieel is voor reproduceerbaar wetenschappelijk onderzoek.

De kern

De Gene Ontologie: Een levende bibliotheek die na twintig jaar eindelijk rustig aan het groeien is

Stel je voor dat de Gene Ontologie (GO) een gigantische, levende bibliotheek is. In plaats van boeken over fictie of geschiedenis, bevat deze bibliotheek kaarten voor elk gen in elk levend organisme. Deze kaarten vertellen ons wat een gen doet: is het een 'werker' (Moleculaire Functie), een 'fabriek' (Cellulair Component) of een 'proces' (Biologisch Proces)?

De auteurs van dit artikel, een team van onderzoekers uit Spanje, hebben de geschiedenis van deze bibliotheek onder de loep genomen. Ze keken naar 21 jaar aan updates (van 2004 tot 2024). Hun conclusie? De bibliotheek is niet alleen gegroeid, maar is ook volwassen geworden.

Hier is hoe het verhaal eruitziet, vertaald naar alledaagse taal:

1. De bibliotheek groeit, maar verandert van karakter

In de beginjaren (tot ongeveer 2017) was de bibliotheek als een jonge, enthousiaste stad die razendsnel uitbreidde. Er werden constant nieuwe straten aangelegd en nieuwe gebouwen neergezet.

• Het groeiproces: Het aantal termen (de 'woorden' in de bibliotheek) nam elk jaar toe.
• De verandering: Rond 2017 gebeurde er iets interessants. De bouw van nieuwe straten vertraagde, en de stad begon te 'consolideren'. In plaats van alleen maar groter te worden, begonnen de planners oude, verouderde straten te slopen of te hernoemen om de stad overzichtelijker te maken.

2. De structuur: Van een smalle ladder naar een brede boom

De auteurs keken naar hoe de termen met elkaar verbonden zijn.

• Vroeger: De bibliotheek werd steeds 'dieper'. Het was alsof je een ladder steeds langer maakte, met steeds specifiekere termen onderaan.
• Nu: De bibliotheek is juist 'breder' geworden, vooral bij het onderdeel 'Biologische Processen'. Het is meer als een boom geworden met veel takken die zijwaarts groeien, in plaats van alleen omhoog. Dit betekent dat we nu betere, bredere categorieën hebben om complexe biologische processen in te plaatsen.

3. De 'Top' van de bibliotheek is in rep en roer

De bovenste lagen van de bibliotheek (de meest algemene termen) zijn vaak het meest stabiel. Maar rond 2017 en 2018 zagen de auteurs grote schokgolven.

• De analogie: Stel je voor dat de bibliotheekmanager plotseling beslist dat alle boeken over 'Wetenschap' niet meer in de 'Natuurkunde'-sectie liggen, maar verdeeld worden over 'Biologie', 'Chemie' en 'Fysica'. Dat is wat er gebeurde met de Cellulaire Componenten en Moleculaire Functies. Het was een grote herschikking om de logica van de hele bibliotheek te verbeteren.

4. De 'Informatie' (Anotaties) komt uit verschillende bronnen

De bibliotheek bevat niet alleen de kaarten (de termen), maar ook de aantekeningen die vertellen welke genen bij welke kaart horen. Deze aantekeningen komen van verschillende bibliothecarissen:

• SGD (Gist): Een zeer oude, nauwkeurige bibliothecaris die alles handmatig controleert. Hier zijn de aantekeningen zeer betrouwbaar.
• MGI (Muis): Een grote bibliotheek met veel experimentele data.
• GOA (UniProt): Een gigantische, geautomatiseerde bibliotheek die aantekeningen voor duizenden soorten tegelijk doet. Hier zijn veel 'automatische' aantekeningen, die soms veranderen als de software update.

De studie laat zien dat terwijl de 'handmatige' bibliothecarissen gestaag werken, de 'automatische' systemen soms pieken en dalen vertonen, afhankelijk van hoe hun software is ingesteld.

5. Waarom is dit belangrijk voor jou?

Je vraagt je misschien af: "Wat heeft dit met mij te maken?"
Stel je voor dat je een wetenschappelijk onderzoek doet en je gebruikt de bibliotheek om te begrijpen wat je gevonden hebt.

• Het probleem: Als je vandaag een analyse doet met de bibliotheek van 2024, en je herhaalt diezelfde analyse met de bibliotheek van 2010, krijg je misschien een heel ander antwoord. De 'woorden' zijn anders gedefinieerd of de 'straten' zijn anders aangelegd.
• De les: De auteurs zeggen: "Wees voorzichtig!" Als je resultaten vergelijkt, moet je altijd weten welke versie van de bibliotheek je hebt gebruikt. De bibliotheek is nu volwassen en stabieler, wat betekent dat de resultaten betrouwbaarder worden, maar je moet wel weten welke 'editie' je gebruikt.

Conclusie: Van expansie naar stabiliteit

Kortom, de Gene Ontologie is in 21 jaar uitgegroeid van een jonge, chaotische verzameling notities naar een volwassen, goed georganiseerde kennisbank. Rond 2017 is het een 'tipping point' bereikt: de groei is niet meer alleen kwantitatief (meer termen), maar kwalitatief (betere structuur). Voor wetenschappers is dit goed nieuws, want het betekent dat hun analyses in de toekomst consistenter en reproduceerbaarder zullen zijn.

Het is alsof de bibliotheekmanager eindelijk heeft gezegd: "Oké, we hebben genoeg nieuwe boeken, nu gaan we de oude catalogus op orde brengen zodat iedereen het altijd kan vinden."

Technische samenvatting

Probleemstelling

De Gene Ontology (GO) is een fundamentele, door de gemeenschap onderhouden kennisbron die de functionele annotatie van genproducten in talloze biologische databases ondersteunt. Omdat GO en de bijbehorende annotaties voortdurend evolueren door nieuwe biologische inzichten en curatie, zijn analyseresultaten die op GO zijn gebaseerd inherent gekoppeld aan specifieke versies van de ontologie en de annotaties.

• Het kernprobleem: Een gebrek aan systematisch inzicht in hoe GO over de lange termijn verandert, vormt een risico voor reproduceerbaarheid, data-integratie en de interpretatie van historische analyses. Eerdere studies hebben slechts beperkte tijdsperiodes of specifieke perspectieven onderzocht, maar er ontbreekt een uitgebreide, longitudinale karakterisering die zowel de structuur van de ontologie als de inhoud van de annotaties over een periode van twee decennia omvat.

Methodologie

De auteurs hebben een longitudinale analyse uitgevoerd over een periode van 21 jaar (2004–2024), waarbij ze de GO-releases behandelden als een uniek tijdsreeksdataset.

1. Dataverzameling:
   • Ontologie: OBO-bestanden (go.obo) van de GO-archive voor elk jaar van 2004 tot 2024.
   • Annotaties: Annotatiebestanden van drie representatieve bronnen met verschillende curatiestrategieën:
     • SGD (Saccharomyces cerevisiae): Diepgaand handmatig curatie.
     • MGI (Mus musculus): Groot scala aan experimentele data en curatie.
     • GOA-UniProt: Brede taxonomische dekking met zwaar gebruik van geautomatiseerde pipelines.
2. Ontologie-analyse:
   • Structuurmetriek: Analyse van het aantal actieve en verouderde (obsolete) termen, de verhouding tussen niet-leaf (interne) en leaf-termen, en de diepte van termen in de Directed Acyclic Graph (DAG).
   • Relaties: Tracking van verhoudingen per term voor is_a en part_of relaties, evenals andere relationele types.
   • Thematische Evolutie: Woordenverrijking (word enrichment) op basis van hypergeometrische tests om de biologische thema's van nieuw toegevoegde termen per jaar te identificeren.
3. Annotatie-analyse:
   • Analyse van de groei van het aantal annotaties en de samenstelling op basis van bewijscodes (Experimenteel, Computergestuurd, Phylogenie, etc.), met specifieke aandacht voor "Inferred from Electronic Annotation" (IEA).
4. Subontologie-splitsing: De drie subontologieën (Biological Process - BP, Molecular Function - MF, Cellular Component - CC) werden afzonderlijk geanalyseerd om hun specifieke dynamiek te begrijpen.

Belangrijkste Bijdragen

• Longitudinale Dataset: De eerste systematische kwantificering van GO-evolutie over 21 jaar, inclusief zowel de conceptuele structuur als de operationele annotaties.
• Identificatie van een "Tipping Point": De studie identificeert een duidelijke overgang rond 2017 van een fase van expansie naar een fase van consolidatie en stabilisatie.
• Nuance in Ontologie-dynamiek: Het onderscheid maken tussen de groei van de ontologie (nieuwe termen toevoegen) en de herstructurering (veroudering en herschikking van bestaande termen), met name op hoog niveau.
• Vergelijkend Kader: Een vergelijkende analyse van hoe verschillende curatiemodellen (handmatig vs. geautomatiseerd) de tijdsdynamiek van annotaties beïnvloeden.

Resultaten

1. Evolutie van de Ontologie-structuur:

• Groeipatroon: Het totale aantal actieve termen steeg gestaag tot ongeveer 2017, waarna het plateauerde. Na 2017 werd een lichte afname waargenomen in BP en CC, en een duidelijke afname in MF in 2024.
• Veroudering vs. Toevoeging: De snelheid van het toevoegen van nieuwe termen nam na 2017 af. Tegelijkertijd nam het aantal verouderde termen toe, wat wijst op een verschuiving van "groei" naar "kwaliteitscontrole en herstructurering".
• Structuur en Diepte:
  • BP (Biological Process): Dit domein vertoont de meeste complexiteit (meer niet-leaf dan leaf-termen). De groei voor 2017 werd voornamelijk gedreven door het toevoegen van interne knopen, wat leidde tot een "breder" maar niet noodzakelijk "dieper" domein (de mediaan diepte nam zelfs af tot 2011).
  • MF en CC: Deze vertonen een hoger aandeel leaf-termen en waren structureel stabieler.
• Hersluiting: Er vonden significante herstructureringen plaats op de eerste laag (de meest algemene termen), vooral rond 2018 in MF en CC. Dit wijst op fundamentele conceptuele revisies van hoe biologische functies worden gecategoriseerd.
• Stabilisatie: Rond 2017-2019 werd een duidelijke trend naar stabiliteit waargenomen, consistent met een "rijpingsfase" van de resource.

2. Evolutie van Annotaties:

• Algemene Trend: Het aantal annotaties nam over het algemeen toe in alle bronnen, maar met verschillende patronen.
• Bronverschillen:
  • SGD en MGI: Toonden een gestage toename van experimenteel onderbouwde annotaties, met stabilisatie in recente jaren.
  • GOA: Vertoonde een sterke stijging in 2018, grotendeels gedreven door IEA's (elektronisch afgeleide annotaties).
• Bewijscodes: Er zijn duidelijke verschillen in de samenstelling van bewijscodes tussen bronnen. Bijvoorbeeld, IEA's in MGI piekten in 2007 en daalden daarna, terwijl ze in SGD stabiliseerden. In GOA ontbraken IEA's voor 2018 volledig, waarna ze stabiel bleven.

Significantie en Implicaties

• Reproduceerbaarheid: De studie benadrukt dat resultaten van functionele analyse (zoals verrijkingstests) tijdafhankelijk zijn. Onderzoekers moeten de exacte versie van GO en annotaties rapporteren om reproduceerbaarheid te garanderen.
• Maturiteit van GO: De bevinding dat GO rond 2017 is overgegaan van expansie naar consolidatie suggereert dat de ontologie nu een stabielere fase heeft bereikt. Toekomstige wijzigingen zullen waarschijnlijk meer incrementeel zijn dan disruptief.
• FAIR-principes: Voor bio-informatica-tools die voldoen aan FAIR-principes (Findable, Accessible, Interoperable, Reusable) is het essentieel om versiebeheer van ontologieën en annotaties expliciet te ondersteunen.
• Interpretatie van Historische Data: De studie biedt een referentiekader voor het interpreteren van historische analyses. Veranderingen in de structuur van de ontologie (vooral op hoog niveau) kunnen leiden tot andere biologische conclusies bij het heranalyseren van oude datasets.

Kortom, dit werk levert een cruciaal inzicht in de levenscyclus van een van de belangrijkste biologische databronnen, waarbij wordt aangetoond dat GO een dynamische maar nu steeds meer gestabiliseerde resource is geworden.