IEKB: a comprehensive knowledge base for inner ear genetics integrating curated associations, cochlear interactions, Bayesian candidate prioritisation, explainable dark-gene support relations, and a scientific entity network

Dit artikel introduceert IEKB, een open kennisbank die geautomatiseerde en door experts geverifieerde curatie combineert met Bayesiaanse prioritering en netwerkanalyse om verspreide genetische gegevens over het binnenoor te integreren tot een centraal hulpmiddel voor onderzoek.

De kern

Stel je voor dat de wereld van de genetica voor gehoorverlies een enorme, chaotische bibliotheek is. Duizenden boeken (wetenschappelijke artikelen) liggen overal verspreid, vol met waardevolle informatie over welke genen een rol spelen bij doofheid. Maar tot nu toe was het voor onderzoekers en artsen als zoeken naar een naald in een hooiberg, waarbij je niet wist welke boeken bij elkaar hoorden of welke naalden echt scherp waren.

IEKB (de Inner Ear Knowledge Base) is de oplossing voor dit probleem. Het is een nieuwe, gratis digitale bibliotheek die al die verspreide informatie samenvoegt tot één helder, overzichtelijk systeem.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Slimme Bibliotheekbeheerder (De AI-agent)

Stel je een super-snelle bibliotheekbeheerder voor die 250.000 boeken in één keer kan scannen. Dat is wat IEKB doet. Een slimme computerprogramma (een "agent") leest al die artikelen en haalt de belangrijke feiten eruit: Welk gen veroorzaakt welk probleem?
Maar computers maken soms fouten. Daarom werkt IEKB met een menselijke controle. Net als bij een schoolproject waar de leraar het werk van de leerlingen nakijkt, kijken echte experts in gehoorverlies elke gevonden informatie na voordat deze in de database komt. Zo weten we dat de informatie betrouwbaar is.

2. Het Grote Netwerk (De Spinnenweb)

In plaats van alleen lijsten met namen, laat IEKB zien hoe alles met elkaar verbonden is.

• Het Spinnenweb: Denk aan een enorm spinnenweb in het binnenoor. De draden zijn de genen. Als je aan één draadje trekt (een gen verandert), zie je direct welke andere draden (andere genen) meetrekken.
• De Cellen en Gebieden: Het systeem weet precies in welk deel van het oor (bijvoorbeeld de "haarcellen" of de "spiraalganglion") een gen actief is. Het is alsof je een gedetailleerde plattegrond hebt van een stad, waar je precies kunt zien welke straat (celtype) bij welk gebouw (ziekte) hoort.

3. De "Donkere Materie" (Het Voorspellingsgokje)

Dit is misschien wel het coolste deel. Er zijn duizenden genen waar we nog niet precies weten of ze iets met gehoor te maken hebben. Ze zijn als "donkere sterren" in de lucht die we nog niet kunnen zien.

• De Orakel: IEKB heeft een slimme voorspeller (een "Bayesische module"). Deze kijkt naar de bekende genen en de netwerken en zegt: "Hey, dit onbekende gen lijkt erg op de bekende genen die doofheid veroorzaken. Het is 80% waarschijnlijk dat dit gen ook een rol speelt!"
• Het geeft onderzoekers een top-lijst van verdachten om op te zoeken, zodat ze niet meer blindelings hoeven te zoeken.

4. De Uitleg-Module (Waarom?)

Als de computer een nieuw verdacht gen aanwijst, wil je weten: "Waarom denk je dat?"
Veel AI-systemen geven alleen een antwoord zonder uitleg ("Black box"). IEKB doet dit niet. Het geeft een uitlegkaart: "Dit gen is verdacht omdat het direct verbonden is met Gen X, ze werken samen in hetzelfde proces, en ze komen vaak voor in dezelfde celtype." Het is alsof je een detective krijgt die niet alleen de dader noemt, maar ook de bewijsstukken op een bord plakt.

5. De Chatbot (IEKB QA)

Heb je een vraag, maar weet je niet hoe je moet zoeken? Je kunt gewoon typen: "Welke genen zijn betrokken bij ouderdomsdoofheid en hoe werken ze?"
De IEKB Chatbot (een gesprekspartner) zoekt het antwoord in de database, pakt de beste bewijzen eruit en schrijft een duidelijk, beknopt antwoord voor je, inclusief verwijzingen naar de bronnen. Het is alsof je een expert aan de telefoon hebt die direct in de boekenkast kijkt.

Waarom is dit belangrijk?

Vroeger moest een onderzoeker maandenlang zoeken door duizenden artikelen om een beeld te vormen. Met IEKB kunnen ze:

• Snel vinden: In seconden zien welke genen bij een ziekte horen.
• Nieuwe ontdekkingen doen: De "donkere materie" module wijst op nieuwe kandidaten die eerder over het hoofd werden gezien.
• Betrouwbare informatie: Alles is gecontroleerd door experts.
• Gratis toegang: Iedereen kan het gebruiken, zonder inloggen, en mag de data zelfs downloaden om zelf mee te werken.

Kortom: IEKB is de "Google Maps" voor de genetica van het binnenoor. Het helpt je niet alleen om je weg te vinden in de chaos, maar wijst je ook de snelste routes naar nieuwe ontdekkingen en legt uit waarom die routes werken.

Technische samenvatting

Probleemstelling

Genetisch onderzoek naar het binnenoor heeft zich snel ontwikkeld, maar de ondersteunende bewijslast is verspreid over een enorme hoeveelheid literatuur en verschillende bronnen. Bestaande resources (zoals HHL, DVD, Gene4HL, SHIELD en gEAR) focussen vaak op slechts één aspect: ofwel loci, variaties, expressiedata of lijstjes van genen. Er ontbreekt echter een geïntegreerd platform dat:

1. Curated associaties tussen genen, fenotypes en ziekten combineert.
2. Mechanistische context en interacties in het cochleaire systeem biedt.
3. Voorspellende lagen bevat voor het prioriteren van kandidaat-genen (vooral voor "donkere" genen zonder directe literatuur).
4. Een wetenschappelijk netwerk biedt voor het exploreren van relaties.

De huidige situatie maakt het moeilijk voor onderzoekers en clinici om een actueel en mechanistisch onderbouwd overzicht van binnenoor-genetica te vormen.

Methodologie

De IEKB is gebouwd met een geautomatiseerde, agent-ondersteunde curatie-pijplijn die menselijk toezicht en expertreview integreert. De constructie omvatte de volgende stappen:

1. Gen-universum en Literatuur Retrieval:

   • Een breed menselijk zoekuniversum van 16.563 genen werd gedefinieerd (met minstens één muishomoloog).
   • PubMed-records werden opgehaald via NCBI Entrez en Europe PMC, gefilterd op co-occurrence met 11 binnenoor-gerelateerde termen (bijv. "cochlea", "hearing loss", "hair cell").
   • Een twee-staps filter (regelgebaseerd en een LLM-classificator) selecteerde 250.696 relevante records.

2. Agent-ondersteunde Curatie:

   • Een geautomatiseerde agent verwerkte abstracts en volledige teksten om gestructureerde data te extraheren: (i) gen-fenotype-ziekte associaties en (ii) cochleaire gen-gen interacties.
   • De output was beperkt tot strikte Pydantic-schema's.
   • Human-in-the-loop: Onderzoekers controleerden steekproeven (ca. 10%) en corrigeerden fouten. Alle publiceerbare records werden uiteindelijk beoordeeld door experts in binnenoor-genetica.

3. Bayesiaanse "Dark Matter" Prioritisatie:

   • Om nieuwe associaties te vinden die nog niet in de literatuur staan, werd een probabilistisch model ontwikkeld.
   • Input: Curated data, STRING-interactienetwerken en HGNC-gengroepen.
   • Features: Directe netwerk-buren, Random Walk with Restart (RWR) scores, en overlap met fenotype-gerelateerde gengroepen.
   • Model: Een logistische regressie met Platt-scaling voor calibratie genereerde posterior-scores voor 243.071 kandidaat-associaties.

4. Dark Relation Inference (Verklarende Relaties):

   • Om de "donkere" voorspellingen interpreteerbaar te maken, werd een gesuperviseerd model getraind om bekende genen te rangschikken die een kandidaat-gensupporteren.
   • Dit levert een auditabele bewijsketen op met feature-decompositie (bijv. directe STRING-koppeling, netwerkdifusie).

5. Netwerkconstructie en Web-implementatie:

   • Een multi-entiteit kennisgrafiek werd gebouwd met deterministische en LLM-afgeleide links.
   • De webinterface (Next.js) draait volledig in de browser met sql.js voor SQL-query's, zonder backend-server.
   • IEKB QA: Een conversatie-interface gebruikt een multi-fase agent-pijplijn voor vraag-antwoord op basis van bewijs.

Belangrijkste Resultaten

• Data-omvang: De database bevat 6.051 curateerde gen-fenotype-ziekte associaties (van 2.494 unieke genen) en 4.102 cochleaire gen-gen interacties.
• Fenotypes: De data dekt 43 fenotype-categorieën, waarbij sensorineurale gehoorverlies (964 associaties) en binnenoor-misvormingen (480) het meest voorkomen.
• Voorspellende Kracht: Het Bayesiaanse model genereerde 243.071 kandidaat-associaties voor 13.229 genen. De globale prestaties zijn AUC-ROC = 0,8603 en AUC-PR = 0,1674.
• Netwerk: Het wetenschappelijke netwerk omvat bijna 4.000 entiteiten, 28.616 deterministische randen en 83.712 literatuur-afgeleide relationele links.
• Kwaliteit: De curatie resulteerde voornamelijk in "Tier 1" records (expliciet ondersteund door literatuur en bevestigd door experts), met een kleinere "Tier 2" subset voor verdere validatie.
• Vergelijking: IEKB bevat 2.301 genen die niet voorkomen in bestaande referentiedatabases zoals ClinGen of HHL, wat een aanzienlijke uitbreiding betekent.

Kernbijdragen

1. Eerste Geïntegreerde Resource: IEKB is de eerste open, toegankelijke resource die curateerde associaties, interacties, probabilistische prioritisatie, auditabele support-relaties en een multi-entiteit netwerk in één database combineert.
2. Human-AI Curatie Workflow: Het demonstreert een schaalbaar model waarbij AI-agenten de extractie versnellen, maar experts de eindkwaliteit en validatie garanderen.
3. Uitlegbaar "Dark Matter" Support: In plaats van alleen een zwart-doos score te geven, biedt de "Dark Relation" laag een rangschikking van bekende genen die een kandidaat ondersteunen, inclusief een natuurlijke taal samenvatting van het bewijs.
4. Toegankelijkheid en Interactiviteit:
   • Volledig open data (CC BY 4.0) zonder registratie.
   • Bulk downloads in diverse formaten (CSV, JSON, SQLite, XLSX).
   • Een conversatie-interface (IEKB QA) voor natuurtaalkundige vragen met bronvermelding.
   • Client-side database querying voor offline analyse.

Significantie

De IEKB vult een kritieke leemte in het veld van binnenoor-genetica. Het stelt onderzoekers in staat om van een breed literatuuroverzicht te gaan naar gen-specifiek bewijs en netwerkontwikkeling binnen één workflow. Door de combinatie van curatie, netwerkanalyse en voorspellende modellen, fungeert IEKB niet alleen als een catalogus, maar als een platform voor hypothese-generatie. Het helpt bij het identificeren van nieuwe kandidaat-genen voor gehoorverlies en biedt de nodige transparantie (via de dark-relation lagen) om experimentele follow-up te rechtvaardigen. De open en herbruikbare aard van de data bevordert reproduceerbaarheid en versnelt de vertaling van genetische ontdekkingen naar klinische toepassingen.