CROssBARv2: A Unified Computational Framework for Heterogeneous Biomedical Data Representation and LLM-Driven Exploration

CROssBARv2 is een geünificeerd computatiefraamwerk dat heterogene biomedische data integreert in een kennisgrafiek met standaardontologieën en vector-embeddings, waardoor onderzoekers via een LLM-gedreven zoekinterface hallucinaties kunnen vermijden en betere voorspellende analyses kunnen uitvoeren voor toepassingen zoals drughergebruik en eiwitfunctievoorspelling.

De kern

Stel je voor dat de wereld van de biomedische wetenschap (het onderzoek naar ziektes, medicijnen en ons lichaam) een enorme bibliotheek is. Maar dit is geen gewone bibliotheek. Het is een bibliotheek waar:

• De boeken in duizend verschillende talen geschreven zijn.
• De boeken overal verspreid liggen: in kelders, op zolders en in andere steden.
• Sommige boeken vol staan met feiten, andere met gissingen, en weer anderen met oude informatie.
• Om een antwoord te vinden op een simpele vraag, moet je als onderzoeker eerst zelf de sleutel vinden, naar drie verschillende gebouwen rennen, en dan proberen de puzzelstukjes in elkaar te zetten.

CROssBARv2 is de oplossing voor dit chaos. Het is een nieuw, slim platform dat al deze verspreide informatie verzamelt, ordent en in één groot, interactief netwerk zet.

Hier is hoe het werkt, verteld in simpele taal:

1. De Grote Bibliotheek die Alles Verbindt (Het Kennisnetwerk)

In plaats van dat onderzoekers zelf door duizenden databases moeten graven, heeft CROssBARv2 een gigantisch digitaal spinnenweb gebouwd.

• De Spinnen: De "punten" in het web zijn dingen zoals genen, eiwitten, medicijnen en ziektes.
• De Draden: De lijnen die ze verbinden vertellen ons hoe ze met elkaar te maken hebben (bijvoorbeeld: "Dit medicijn remt dat eiwit" of "Die ziekte heeft te maken met dat gen").

Het platform haalt informatie van 34 verschillende bronnen (zoals grote internationale databases) en plakt ze allemaal netjes aan elkaar. Het resultaat? Een overzicht van ongeveer 2,7 miljoen punten en 12,6 miljoen verbindingen. Het is alsof je alle losse puzzelstukjes van de menselijke biologie in één keer op de tafel legt, zodat je het hele plaatje kunt zien.

2. De Slimme Vertaler (CROssBAR-LLM)

Vroeger moest je om dit web te gebruiken een computerprogrammeur zijn en een speciale taal (Cypher) leren. Dat was als proberen een boek te lezen in een taal die je niet spreekt.

CROssBARv2 introduceert CROssBAR-LLM, een slimme assistent die werkt als een vertaler.

• Jij stelt een vraag in gewoon Nederlands (of Engels), bijvoorbeeld: "Welke medicijnen helpen tegen obesitas, maar reageren niet goed met mijn andere medicijn?"
• De assistent vertaalt jouw vraag direct naar de "taal" van het spinnenweb, zoekt het antwoord op, en vertaalt het resultaat weer terug naar een begrijpelijk verhaal voor jou.
• Belangrijk: Omdat deze assistent kijkt naar de feiten in het web en niet alleen maar raadt (zoals sommige AI's doen), is het antwoord betrouwbaar en gebaseerd op echte data. Het voorkomt "hallucinaties" (het verzinnen van feiten).

3. De Magische Zoektocht (Vector Zoeken)

Soms zijn twee dingen niet direct met elkaar verbonden in het web, maar lijken ze wel heel erg op elkaar.
Stel je voor dat je op zoek bent naar een medicijn, maar dat medicijn staat nog niet in de database. CROssBARv2 kan kijken naar de "chemische geur" of "vorm" van het molecuul en zeggen: "Hey, dit nieuwe molecuul lijkt 99% op een bekend medicijn dat werkt op een bepaald eiwit."

Dit noemen ze semantische zoekopdrachten. Het is alsof je niet alleen zoekt op exacte namen, maar ook op "gevoel" of "betekenis". Hierdoor kunnen wetenschappers nieuwe medicijnen sneller vinden die ze anders misschien nooit hadden ontdekt.

4. Waarom is dit zo belangrijk?

• Voor de arts: Hij of zij kan snel zien welke medicijnen veilig zijn te combineren, zonder urenlang in databases te zoeken.
• Voor de onderzoeker: Ze kunnen nieuwe hypothesen bedenken. Bijvoorbeeld: "Als dit medicijn werkt op ziekte A, en dit eiwit is ook betrokken bij ziekte B, kunnen we het medicijn misschien ook voor ziekte B gebruiken?" (Dit heet 'drug repurposing' of medicijnen hergebruiken).
• Betrouwbaarheid: Het systeem houdt bij waar elke informatie vandaan komt. Je kunt zien of een feit bewezen is in een lab of alleen maar een theorie is.

Samenvatting in één beeld

Stel je voor dat CROssBARv2 een super-supermarkt is voor biomedische kennis.

• Vroeger moest je naar 34 verschillende winkels gaan, elke winkel had een ander systeem, en je moest zelf je mandje vullen.
• Nu is er één grote, georganiseerde supermarkt. Alles is netjes op de planken gezet.
• Je hebt een slimme winkelassistent (de AI) die je door de gangen loopt. Jij zegt: "Ik wil iets voor mijn hoofdpijn dat niet botst met mijn maagpillen."
• De assistent loopt naar de juiste schappen, pakt de producten, checkt de labels (de data) en legt ze in je mandje met een duidelijk uitleg: "Hier zijn drie opties, allemaal veilig en gebaseerd op bewezen feiten."

Met CROssBARv2 maken de onderzoekers het leven van artsen, apothekers en wetenschappers een stuk makkelijker, sneller en veiliger, zodat ze zich kunnen focussen op wat echt belangrijk is: gezondheid vinden.

Technische samenvatting

Probleemstelling

Biomedische ontdekking wordt momenteel gehinderd door de fragmentatie van gegevens in modale, gespecialiseerde repositories en inconsistente metadata. Dit leidt tot:

• Geïsoleerde data: Onderzoekers moeten door meerdere "silos" navigeren om samenhangende inzichten te krijgen.
• Gebrek aan context: Bestaande kennisgrafieken (Knowledge Graphs - KG's) missen vaak uitgebreide metadata (zoals bewijsniveaus, herkomst en betrouwbaarheidsscores), wat het risico op foutieve conclusies vergroot.
• Gebruiksgemak en reproduceerbaarheid: Veel KG's vereisen programmeervaardigheden voor toegang, zijn niet reproduceerbaar (geen open code voor constructie) of zijn te specifiek voor één taak.
• Hallucinaties in AI: Grote Taalmodellen (LLM's) zijn vatbaar voor het genereren van onnauwkeurige of verzonnen informatie ("hallucinaties") omdat ze geen directe toegang hebben tot gestructureerde, actuele domein-specifieke databases.

Methodologie

CROssBARv2 is een geïntegreerd computationeel raamwerk dat heterogene biomedische data unificeert in een schaalbare, metadata-rijke kennisgrafiek.

1. Data-integratie en Architectuur:

• Bronnen: Het systeem integreert data uit 34 bronnen, waaronder databases voor genen, eiwitten, ziekten, geneesmiddelen, pathways en fenotypes.
• Schema: De kennisgrafiek bevat ongeveer 2,7 miljoen knopen (14 types, o.a. genen, eiwitten, ziekten) en 12,6 miljoen randen (51 types, o.a. interacties, regulatie, associaties).
• Pipeline: Gebruikmakend van de Python-bibliotheken Pypath (voor data-oogst) en BioCypher (voor harmonisatie en schema-configuratie), worden automatische "adapter-scripts" gebruikt om data te halen, te standaardiseren en te importeren.
• Opslag: De data wordt opgeslagen in een Neo4j graph-database.
• Metadata: Elke knoop en rand is verrijkt met uitgebreide metadata, waaronder herkomst (provenance), bewijscodes, PubMed-identificatoren en betrouwbaarheidsscores.

2. Vector-embeddings en Semantische Zoekopdrachten:

• Naast topologische relaties worden knopen verrijkt met vector-embeddings gegenereerd door state-of-the-art deep learning-modellen:
  • Eiwitten: ESM2 en ProtT5.
  • Geneesmiddelen/Verbindingen: SELFormer (gebaseerd op SELFIES-notatie).
  • Genen: Nucleotide Transformer.
  • Ziekten: Doc2Vec.
  • Pathways: TransE.
• Dit maakt vector-similariteitszoekopdrachten mogelijk, waardoor entiteiten met vergelijkbare functionele of structurele eigenschappen kunnen worden gevonden, zelfs zonder directe grafische verbinding.

3. Gebruikersinterfaces:

• CROssBAR-LLM: Een natuurlijke taal-vraag-antwoordsysteem dat LLM's koppelt aan de KG. Het vertaalt natuurlijke taalvragen naar Cypher-query's (de querytaal voor Neo4j), voert deze uit en synthetiseert de gestructureerde resultaten terug naar een leesbaar antwoord. Dit vermindert hallucinaties door de antwoorden te "grounden" in de KG.
• GraphQL API: Voor programmeerbare toegang tot de data.
• Neo4j Browser: Voor interactieve visuele exploratie.

Belangrijkste Bijdragen

1. Provenance-rijke KG: Een universele, reproduceerbare kennisgrafiek met uitgebreide metadata die betrouwbare analyses mogelijk maakt.
2. Hybride Zoekstrategie: Combinatie van grafische traversatie (topologie) en vector-similariteit (semantiek) voor diepere inzichten.
3. Toegankelijkheid: Een gebruiksvriendelijke interface voor zowel niet-programmeurs (via LLM en visuele browser) als bioinformatici (via API en data-dumps).
4. Open Source: Volledige openbaarmaking van de code voor data-integratie, de API en de deployment-scripts, wat reproduceerbaarheid garandeert.
5. LLM-integratie: Een robuust systeem (CROssBAR-LLM) dat LLM's koppelt aan gestructureerde data om nauwkeurige biomedische vragen te beantwoorden.

Resultaten

De auteurs hebben CROssBARv2 gevalideerd via drie hoofdroutes:

1. Biologische Validiteit (Use Cases):

• Eiwitrelaties: Metapath2vec-embeddings toonden aan dat eiwitten uit dezelfde familie dicht bij elkaar in de vectorruimte liggen, wat de functionele coherentie van de grafiek bevestigt.
• Geneesmiddel-Ziekte Associaties: De grafiek kon bekende interacties succesvol voorspellen (HR@1 = 0,457 voor geneesmiddel-geneesmiddel interacties) en nieuwe, literatuur-ondersteunde associaties suggereren (bijv. tussen een nieuw analoog en hemofilie).
• Pathway Synoniemen: Vector-similariteit kon synonieme pathways uit verschillende databases (KEGG vs. Reactome) correct identificeren.
• De Novo Moleculen: In een "blinde" test kon het systeem een nieuw ontworpen molecuul koppelen aan bestaande kennis (CNR1/NOS2 inhibitie) via vector-zoekopdrachten, wat de farmacologische profielen van bekende drugs (zoals Rimonabant) correct voorspelde.

2. LLM Benchmarking:

• Cypher-generatie: Moderne LLM's (zoals DeepSeek R1, LLaMA 3.1-405B) konden complexe natuurlijke taalvragen met hoge nauwkeurigheid vertalen naar geldige Cypher-query's.
• Vraag-Antwoord: CROssBAR-LLM (geaugmenteerd met de KG) presteerde aanzienlijk beter dan standalone LLM's of LLM's met webzoekfunctie.
  • Op een intern "waar/onwaar" benchmark behaalde CROssBAR-LLM met GPT-4o 97% nauwkeurigheid, tegenover willekeurig gokken bij standalone modellen.
  • Op de GeneTuring benchmark (transcriptiefactor-regulatie) behaalde CROssBAR-LLM tot 90% nauwkeurigheid, superieur aan web-gebaseerde zoekopdrachten.

3. Predictive Modelling:

• Een nieuw model, ProtHGT (Heterogeneous Graph Transformer), werd getraind op de CROssBARv2 KG voor eiwitfunctievoorspelling.
• Het model behaalde state-of-the-art prestaties (hoogste Fmax-scores) op de DeepHGAT-benchmark, beter dan modellen die alleen op sequenties of enkelvoudige netwerken zijn getraind. Dit bevestigt dat de heterogene structuur van CROssBARv2 waardevolle context biedt voor machine learning.

Betekenis en Impact

CROssBARv2 biedt een schaalbaar, AI-klaar fundament voor biomedisch onderzoek. Het lost kritieke problemen op rondom datafragmentatie en reproduceerbaarheid. Door de combinatie van een rijke, metadata-gedreven kennisgrafiek met geavanceerde vector-embeddings en een LLM-interface, stelt het onderzoekers in staat om:

• Hypothesen te genereren en te valideren zonder door honderden databases te hoeven bladeren.
• Betrouwbare, niet-hallucinerende antwoorden op complexe biomedische vragen te krijgen.
• Geavanceerde machine learning-modellen te trainen op een gestructureerde, context-rijke dataset.

Het platform positioneert zich als een essentieel hulpmiddel voor drug discovery, ziektemechanisme-inferentie en gepersonaliseerde geneeskunde, en vormt een brug tussen traditionele bio-informatica en moderne generatieve AI.