Context-aware LLM extraction and controlled-vocabulary normalization of GEO transcriptomic sample metadata

De enorme archieven van de moderne biologie bevatten miljoenen momentopnames van het leven op moleculair niveau, die vastleggen hoe genen aan- en uitgaan in cellen van gezonde mensen en mensen met een ziekte. Deze records, opgeslagen in publieke repositories zoals de Gene Expression Omnibus, zijn bedoeld als een gedeelde bibliotheek waar wetenschappers patronen kunnen zoeken over duizenden studies heen. De bruikbaarheid van deze bibliotheek wordt echter al lang gehinderd door een simpel probleem: de aantekeningen bij elk monster zijn geschreven in een chaotische mix van menselijke talen. De ene onderzoeker beschrijft een monster als "breast tumor", terwijl een ander "mammary carcinoma" schrijft, en een derde een cryptische afkorting gebruikt die alleen binnen hun specifieke laboratorium zinvol is. Omdat deze beschrijvingen ongestructureerd en inconsistent zijn, is het vinden van alle monsters die gerelateerd zijn aan een specifieke ziekte of weefseltype alsof je probeert een enkel boek te vinden in een bibliotheek waar elke titel in een ander dialect is geschreven en verspreid over de planken ligt.

Om dit op te lossen, hebben Mateusz Szczepaniak en Jonathan Wren van de Oklahoma Medical Research Foundation een nieuw systeem gebouwd dat fungeert als een universele vertaler voor deze biologische records. Ze hebben een lokaal draaiende kunstmatige intelligentie-pipeline ontwikkeld die ontworpen is om de rommelige, vrije tekstnotities die bij meer dan 800.000 menselijke monsters horen te lezen en deze om te zetten in schone, gestandaardiseerde labels. Het systeem richt zich op drie cruciale stukken informatie: het weefsel waar het monster vandaan kwam, de conditie van de patiënt of het organisme, en eventuele behandelingen die het monster heeft ondergaan. In plaats van alleen de tekst te lezen, begrijpt het systeem de context van de gehele studie, waardoor het ontbrekende details kan invullen die een enkele notitie misschien achterlaat. Zodra het deze informatie extraheert, koppelt het elk label aan een gecontroleerde vocabulaire, wat ervoor zorgt dat "breast cancer" en "mammary tumor" als hetzelfde worden herkend, terwijl het ook termen groepeert die nog geen standaardnaam hebben.

De onderzoekers testten hun systeem op een enorme dataset van menselijke monsters en ontdekten dat het in bijna elk geval waarin de informatie beschikbaar was, het weefseltype succesvol kon identificeren, met een nauwkeurigheid van bijna 99,7 procent op een zorgvuldig gecontroleerde benchmark. Voor het identificeren van de ziekte of conditie was het systeem ongeveer 95 procent van de tijd correct. Misschien wel het belangrijkste is dat het systeem niet simpelweg gokte; het gebruikte de bredere context van de studie om ambiguïteit op te lossen. Als een enkele monsternotitie "control group" vermeldde zonder de ziekte te specificeren, keek het systeem naar het algemene ontwerp van de studie en de labels van de andere monsters in datzelfde experiment om de ontbrekende context correct af te leiden. Deze stap stelde het systeem in staat om ontbrekende informatie te herstellen voor meer dan drie kwart van de weefsellabels die aanvankelijk als ongespecificeerd waren gemarkeerd.

Een belangrijk kenmerk van dit werk is hoe het omgaat met termen die niet in bestaande medische woordenboeken passen. In plaats van een vreemde of unieke term in een categorie te dwingen waar hij niet thuishoort, groepeert het systeem deze concepten die buiten de bestaande vocabulaire vallen samen op basis van hun gelijkenis. Dit behoudt de specifieheid van het oorspronkelijke onderzoek terwijl het de data toch doorzoekbaar maakt. Het team heeft er ook voor gezorgd dat het systeem op lokale computers kan draaien zonder dat gevoelige gegevens naar externe servers hoeven te worden verzonden, wat het proces transparant en reproduceerbaar maakt. Door miljoenen ongestructureerde notities om te zetten in gestructureerde, doorzoekbare data, verwijdert deze pipeline een grote barrière voor wetenschappelijke ontdekking. Het stelt onderzoekers in staat om gemakkelijk data uit verschillende studies te combineren om nieuwe inzichten te vinden in hoe ziekten werken, waardoor een gefragmenteerde collectie notities wordt veranderd in een coherente, bruikbare bron voor de gehele wetenschappelijke gemeenschap.