PathwaySeeker: Evidence-Grounded AI Reasoning over Organism-Specific Metabolic Networks

PathwaySeeker is een bewijsgebaseerd AI-systeem dat organism-specifieke metabole netwerken reconstrueert uit geïntegreerde proteomics- en metabolomics-data en deze koppelt aan een taalmodel via 'Oracle-in-the-Loop' inferentie om experimenteel onderbouwde inzichten te onderscheiden van testbare hypothesen.

De kern

Stel je voor dat je een enorme, ingewikkelde stad probeert te begrijpen: het metabolisme van een organisme. In deze stad zijn er straten (reacties), gebouwen (enzymen) en voorraden (metabolieten).

Vroeger hadden wetenschappers slechts één kaart van deze stad: een algemene, statische plattegrond die voor alle steden ter wereld leek te gelden. Maar het probleem is dat elke stad (elk organisme) en elke dag (elke omstandigheid) er anders uitziet. Soms zijn straten gesloten, soms zijn er nieuwe wegen aangelegd, en soms werken de gebouwen anders dan op de kaart staat.

Daarnaast hadden we nieuwe technologie (multi-omics data) die ons foto's gaf van wat er nu gebeurt in de stad: welke gebouwen open zijn, welke voorraden er liggen. Maar deze foto's waren een rommelpot; ze vertelden niet hoe de straten met elkaar verbonden waren.

En toen hadden we super-intelligente robots (AI zoals Large Language Models) die alles over de stad wisten, maar die vaak droomden van wegen die er niet waren, of die vergeten waren dat de stad vandaag anders was dan gisteren.

PathwaySeeker is de oplossing die deze drie dingen samenbrengt. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Live Kaart" (Het Bewijs-Gebaseerde Netwerk)

In plaats van te vertrouwen op de oude, statische kaart, bouwt PathwaySeeker eerst een live kaart van de stad, gebaseerd op de foto's van vandaag (proteïne- en metaboliet-data).

• De analogie: Stel je voor dat je een stad in kaart brengt door te kijken welke lichten aan zijn in de gebouwen (enzymen) en welke voorraden er op de markt liggen (metabolieten). Als je een licht ziet branden, weet je dat die straat actief is. PathwaySeeker maakt een kaart van alle straten die op deze manier actief zijn.
• Het slimme trucje: Als je een voorraad ziet, maar het licht in het gebouw is uit, denkt het systeem: "Misschien is het gebouw nog wel open, we zien het licht alleen niet." Het houdt de weg dus open, maar markeert het als "gedeeltelijk bewezen".

2. De "Orakel in de Loopt" (De Controleur)

Dit is het meest revolutionaire deel. Normaal gesproken laat je een AI een verhaal vertellen over de stad. Die AI kan dan dingen verzinnen die klinken als waarheid, maar niet kloppen.
PathwaySeeker doet het anders. Het gebruikt een Orakel (een strenge controleur die alleen de live kaart kent).

• Hoe het werkt: De AI probeert een route te bedenken van punt A naar punt B.
  • De AI zegt: "Ik denk dat je via straat X kunt gaan."
  • De Orakel kijkt op de live kaart: "Ja, straat X staat op de kaart, dat klopt!" -> Bewezen.
  • De AI zegt: "En dan via straat Y..."
  • De Orakel kijkt: "Ik zie straat Y niet op de kaart."
  • Cruciaal: De Orakel zegt niet "Nee, dat is onmogelijk!" (want misschien is de kaart gewoon onvolledig). Hij zegt: "Ik zie het niet, dus dit is een hypothese. We moeten dit nog bewijzen."

3. De Drie Soorten Antwoorden

PathwaySeeker geeft je nooit een vaag antwoord. Het markeert elk stukje van zijn verhaal met een label, alsof het een krant is met duidelijke bronvermelding:

• 🟢 GROENE STREEP (Gevonden): "Dit stukje van de route staat echt op de foto's. We weten dat het gebeurt." (Bewezen door de data).
• 🟡 GELE STREEP (Hypothese): "Dit stukje is logisch en klinkt wetenschappelijk, maar we hebben het niet op de foto's gezien. Het is een slimme gok die we moeten testen."
• 🔴 RODE STREEP (Onmogelijk): "Dit is chemisch onzin, zelfs voor een robot."

Waarom is dit zo belangrijk? (Het Trametes-versicolor verhaal)

De auteurs testten dit op een schimmel (Trametes versicolor) die hout kan afbreken. Deze schimmel is een "niet-model" organisme, wat betekent dat we geen perfecte kaart van haar binnenwerk hebben.

• De oude manier: Wetenschappers keken naar een schimmel die ze wel kenden (zoals gist) en dachten: "Ze doet het waarschijnlijk net zo."
• De PathwaySeeker manier: Het systeem keek naar de foto's van deze specifieke schimmel en vond routes die niemand eerder had bedacht, omdat ze niet op de standaardkaarten stonden. Het vond zelfs een nieuwe afslag in de route die de oude kaarten misten!

De "Thermodynamische Check"

Voordat het systeem zijn conclusies deelt, doet het nog een check: Is dit energielogisch mogelijk?

• Analogie: Je kunt een route bedenken van Amsterdam naar New York, maar als je zegt "ik loop erheen", is dat onmogelijk omdat je niet genoeg energie hebt. PathwaySeeker berekent of de "brandstof" (energie) in de cellen voldoende is om die route daadwerkelijk te rijden.

Samenvatting in één zin

PathwaySeeker is als een slimme detective die een verhaal schrijft over wat er in een cel gebeurt, maar die elke zin van dat verhaal controleert tegen de echte bewijsstukken (de data), en eerlijk aangeeft wat ze zeker weten en waar ze nog een giswerkje bij moet doen.

Het maakt AI niet alleen slimmer, maar vooral eerlijker voor de wetenschap. Het vertelt je niet alleen wat er gebeurt, maar ook hoe zeker we daarover zijn.

Technische samenvatting

Probleemstelling

Metabolische activiteit is geen intrinsieke eigenschap van een organisme, maar een emergente toestand die wordt gevormd door de omgevings- en experimentele context. Bestaande computationele frameworks kampen met drie fundamentele beperkingen bij het interpreteren van metabolisme:

1. Statische databases: Curated pathway-databases (zoals KEGG) bieden organism-agnostische, statische kaarten die losstaan van de specifieke experimentele context.
2. Gebrek aan mechanistische interpretatie: Multi-omics datasets (proteomica en metabolomica) bevatten dynamische, condition-specifieke metingen, maar missen een gestructureerd raamwerk om deze bewijzen om te zetten in mechanistische pathway-hypothese.
3. Beperkingen van AI: Grote Taalmodellen (LLM's) hebben geavanceerde biochemische redeneervermogens, maar werken op statische, publieke kennis. Ze kunnen niet inherent onderscheid maken tussen experimenteel onderbouwde relaties en aannemelijke hypothesen gebaseerd op hun trainingscorpus, en missen transparante bewijsvoering (provenance).

Het resultaat is dat metabolische netwerken vaak losstaan van de experimentele toestanden die biologische functie definiëren, wat vooral problematisch is voor niet-modelorganismen.

Methodologie: PathwaySeeker

PathwaySeeker is een AI-systeem dat LLM-redenering koppelt aan expliciete verificatie tegen experimentele kennis. Het systeem werkt in drie fasen:

1. Constructie van een condition-specifiek metabolisch kennisgraf

• Data-integratie: Proteomische en metabolomische data worden gemapt op een gestructureerd reactienetwerk (afgeleid van KEGG).
• Evidence-aware logica: Het systeem gebruikt een inclusieve (OR-gebaseerde) logica. Een reactie wordt opgenomen als er bewijs is voor het enzym (proteomica) of voor de substraten/producten (metabolomica). Dit voorkomt dat netwerken fragmenteren door ontbrekende data in één van de lagen.
• Grafstructuur: Het resultaat is een gerichte graaf met drie lagen: verbindingen (reacties), enzymen en verbindingen (metabolieten). Elke rand (edge) wordt gelabeld met de bewijstype (alleen proteomica, alleen metabolomica, of beide).

2. Schema-bewuste training en fine-tuning

• Een schema-aware training data generator creëert superviserende voorbeelden uit de graf.
• Het model (fine-tuned op GPT-4.1) leert onderscheid te maken tussen:
  • GRAPH_FACT: Experimenteel geverifieerde enkele reacties.
  • GRAPH_PATH: Experimenteel geverifieerde multi-stap paden.
  • HYPOTHESIS: Biochemisch plausibele verbindingen die niet in de graf staan, maar wel logisch zijn.
  • NO_PATH/INVALID: Gebieden zonder bewijs of biologisch onmogelijke routes.

3. Oracle-in-the-Loop (OitL) Inferentie
Dit is de kerninnovatie. In plaats van alleen te genereren, voert het systeem een iteratieve zoektocht uit:

• Generatie: Het model genereert pathway-hypothese.
• Verificatie (Oracle): Een "graf-orakel" (een interface met de experimentele graaf) verifieert elke stap van de hypothese.
  • Principe: Aanwezigheid in de graf is positief bewijs. Afwezigheid is geen afwijzing (omdat de data incompleet kan zijn).
• Iteratie: Als een stap slechts gedeeltelijk bewijs heeft, genereert het model verfijnde alternatieven.
• Beam Search: Hypothesen worden gescoord op bewijsondersteuning (40%), biochemische coherentie (40%) en parsimonie (20%).
• Output: Elke output-stap krijgt een expliciet label met bewijsprovenance (bijv. "GRAPH_FACT" of "HYPOTHESIS met confidence score").

Belangrijkste Bijdragen

• Evidence-Grounded Reasoning: Het eerste systeem dat LLM-redenering strikt beperkt tot organism-specifiek experimenteel bewijs, terwijl het toch hypothesen kan genereren voor ontbrekende delen van het netwerk.
• Transparante Provenance: Het systeem onderscheidt expliciet tussen wat experimenteel is bevestigd en wat een testbare hypothese is, wat hallucinaties voorkomt en wetenschappelijke integriteit waarborgt.
• Oracle-in-the-Loop Architectuur: Een nieuwe inferentie-paradigma waarbij externe, positieve-evidence-only orakels iteratief AI-generaties valideren, toepasbaar op elk domein met onvolledige maar betrouwbare data.
• Toepassing op niet-modelorganismen: Succesvolle toepassing op Trametes versicolor (een witrotzwam), waar geen volledig geannoteerd genoom of metabolisch model bestaat.

Resultaten

Het systeem werd getest op multi-omics data van Trametes versicolor (5859 eiwitten, 325 metabolieten).

1. Grafconstructie: Er werd een graaf opgebouwd met 3.402 unieke reacties en 1.897 gerichte randen. 90,1% van de gedetecteerde metabolieten kon worden gemapt.
2. Herstel van Pathways: PathwaySeeker slaagde erin de fenylpropanoïde pathway (van L-fenylalanine naar ferulaat) volledig te reconstrueren, inclusief vertakkingen en alternatieve instap-punten (via L-tyrosine).
   • Het systeem herkende routes die eerder handmatig waren samengesteld, maar zonder gebruik te maken van homologie naar andere organismen of literatuur na de trainingscutoff van het model (juni 2024). Dit bewijst dat de kennis uit de experimentele data komt, niet uit memorisatie.
3. Validatie:
   • Thermodynamisch: De voorspelde paden werden gefilterd op thermodynamische haalbaarheid (Max-min Driving Force analyse). De systematische identificatie van thermodynamische knelpunten (bottlenecks) was mogelijk.
   • Biologisch: Conditiespecifieke metaboliet-abundantie toonde gecoördineerde verschuivingen in de geverifieerde paden, wat wijst op actieve flux.
4. Systematische Evaluatie:
   • Op 64 queries bereikte het systeem een Experimental Evidence Ratio (EER) van 26,4%. Dit betekent dat ongeveer een kwart van de gerapporteerde randen direct experimenteel bewijs had, terwijl de rest als gelabelde hypothesen werd gepresenteerd.
   • De wetenschappelijke kwaliteit (beoordeeld door een LLM-judge) was zeer hoog (4,78/5), met name op het gebied van bewijstransparantie en redenering.

Significantie

PathwaySeeker transformeert metabolische inferentie van "plausibiliteitsschatting" naar "evidence-gestratificeerde ontdekking".

• Voor de wetenschap: Het biedt een methodologie om de combinatorische zoekruimte van biochemie in te perken tot een organism-specifiek subspace dat door data wordt ondersteund. Het reduceert onzekerheid kwantificeerbaar.
• Voor experimenteel onderzoek: Het systeem identificeert niet alleen wat bekend is, maar markeert ook precies welke stappen in een pathway nog onbevestigd zijn (HYPOTHESIS), waardoor het experimentele prioritering voor verdere validatie (zoals isotoopsporing of enzymassays) mogelijk maakt.
• Algemeen: Het bewijst dat AI-systemen effectief kunnen redeneren binnen de grenzen van empirisch bewijs, in plaats van er buiten te vallen, wat een nieuw paradigma is voor de integratie van AI en wetenschappelijke data.