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

O artigo apresenta a IEKB, uma base de conhecimento aberta e abrangente para a genética do ouvido interno que unifica associações curadas, interações cocleares, priorização de candidatos baseada em Bayes, relações de suporte explicáveis para genes pouco estudados e uma rede científica de entidades, tudo acessível através de uma interface web interativa e de uma ferramenta de questionamento em linguagem natural.

O essencial

Imagine que o ouvido interno é como uma cidade extremamente complexa e antiga, cheia de ruas, prédios, sistemas de energia e comunicação. Para entender por que essa cidade às vezes "falha" (causando surdez), os cientistas precisam de um mapa.

O problema é que, até agora, esse mapa estava espalhado em milhões de livros diferentes, escritos em línguas técnicas, e cada livro mostrava apenas um pedaço da cidade. Um livro falava sobre um gene específico, outro sobre uma célula, e outro sobre uma doença. Era como tentar montar um quebra-cabeça gigante onde as peças estavam em caixas diferentes, em casas diferentes, e você não sabia se elas se encaixavam.

O que é o IEKB?

Os autores deste artigo criaram o IEKB (Base de Conhecimento do Ouvido Interno). Pense nele como um "Google Maps" definitivo e interativo para a genética do ouvido.

Aqui está como ele funciona, usando analogias simples:

1. O Grande Arquivo (A Coleta de Dados)

Imagine que você tem 250.000 livros de receitas (artigos científicos) espalhados pelo mundo. O IEKB enviou "robôs coletores" (agentes de IA) para ler todos esses livros. Mas, ao contrário de um robô que apenas copia tudo, esses robôs foram treinados para entender o contexto: "Este gene está realmente relacionado ao ouvido?".

• A Analogia: É como ter um bibliotecário superinteligente que lê milhões de livros e separa apenas as páginas que falam sobre a cidade do ouvido, ignorando tudo o resto.

2. O Mapa de Conexões (Interações)

O ouvido não funciona com peças isoladas; é uma rede. O IEKB não apenas lista os genes, mas desenha as estradas entre eles.

• A Analogia: Se o gene A é uma "usina de energia" e o gene B é uma "lâmpada", o IEKB mostra o fio que liga os dois. Ele mapeou mais de 4.000 dessas conexões dentro do ouvido, mostrando quem conversa com quem.

3. O Detetive de "Causas Escuras" (Priorização Bayesiana)

Aqui está a parte mais mágica. Existem muitos genes que os cientistas ainda não sabem se causam surdez. Eles são como "suspeitos" em um caso de crime, mas sem provas diretas.
O IEKB usa um sistema de detetive probabilístico (chamado "Dark Matter" ou Matéria Escura). Ele olha para os genes que já sabemos que causam surdez e pergunta: "Quem são os amigos desses genes? Quem anda na mesma rua? Quem tem o mesmo trabalho?".

• A Analogia: Se você sabe que o "Sr. Surdez" (um gene conhecido) vive na Rua X e trabalha na Fábrica Y, o IEKB aponta para o "Sr. Desconhecido" que também vive na Rua X e trabalha na Fábrica Y, dizendo: "Ei, esse cara tem 86% de chance de ser um suspeito importante, vamos investigar!". Isso ajudou a encontrar mais de 240.000 novos candidatos possíveis.

4. O "Porquê" Explicável (Relações Explicáveis)

Muitas vezes, a IA diz "isso é provável", mas não explica o porquê. O IEKB é diferente. Para cada suspeito novo, ele mostra quem são os testemunhas que o incriminam.

• A Analogia: Em vez de apenas dizer "O Sr. Desconhecido é culpado", o sistema diz: "O Sr. Desconhecido é suspeito porque ele tem um amigo em comum com o Sr. Surdez, eles usam o mesmo transporte e foram vistos no mesmo lugar". Isso dá aos cientistas uma pista clara de onde começar a investigar.

5. O Assistente de Conversa (IEKB QA)

O IEKB não é apenas um banco de dados chato para baixar planilhas. Ele tem um assistente de conversação.

• A Analogia: Você pode entrar no site e perguntar em linguagem natural: "Quais genes estão ligados à surdez causada por ruído e como eles interagem?". O sistema não apenas busca a resposta, ele lê os livros, conecta os pontos e te dá uma resposta organizada, citando as fontes, como um pesquisador humano faria.

Por que isso é importante?

Antes do IEKB, um cientista ou médico tinha que gastar semanas lendo artigos, tentando conectar os pontos manualmente. Com o IEKB:

1. Economiza tempo: Tudo está em um só lugar.
2. Encontra o que estava escondido: A IA ajuda a ver padrões que humanos poderiam perder.
3. É transparente: Você pode ver as provas e as conexões, não apenas uma "caixa preta" de resultados.
4. É gratuito: Todo o mapa, todas as peças e todas as ferramentas estão disponíveis para qualquer pessoa usar, sem pagar nada.

Em resumo: O IEKB transformou uma biblioteca bagunçada de milhões de livros em um mapa digital inteligente, interativo e explicativo que ajuda a desvendar os mistérios da surdez, acelerando a descoberta de tratamentos e diagnósticos para milhões de pessoas ao redor do mundo.

Resumo técnico

1. O Problema

A genética do ouvido interno expandiu-se rapidamente, impulsionada por tecnologias de sequenciamento de nova geração (NGS). No entanto, o conhecimento gerado está disperso em uma vasta literatura e em recursos que geralmente focam em aspectos isolados (como loci, variantes ou dados de expressão), sem oferecer uma interpretação biológica integrada.

• Limitações dos Recursos Atuais: Ferramentas existentes, como o Hereditary Hearing Loss Homepage (HHL) ou o Deafness Variation Database (DVD), fornecem catálogos de genes ou variantes, mas carecem de contexto mecanístico, redes de interação coclear, priorização probabilística de candidatos e exploração de redes de entidades científicas.
• Necessidade: Pesquisadores e clínicos necessitam de uma plataforma unificada, de acesso aberto, que conecte evidências curadas de associações gene-fenotipo-doença, interações biológicas, priorização de candidatos "escuros" (genes não caracterizados) e ferramentas de análise de rede.

2. Metodologia

O IEKB foi construído através de um pipeline automatizado assistido por agentes (agent-assisted), combinando extração estruturada, monitoramento humano e revisão de especialistas. O processo envolveu as seguintes etapas principais:

• Construção do Universo de Genes: Definido um universo de 16.563 genes humanos com ortólogos em camundongos, servindo como base para todas as recuperações.
• Recuperação e Filtragem de Literatura:
  • Recuperação de 250.696 registros do PubMed e Europe PMC usando consultas sensíveis a sinônimos e termos de contexto do ouvido interno.
  • Filtragem em duas etapas: um pré-filtro baseado em regras e um classificador baseado em LLM (DeepSeek Chat) para garantir relevância biológica.
• Curadoria Assistida por Agentes:
  • Um agente automatizado extraiu associações gene-fenotipo-doença e interações gene-gene da literatura, restringindo a saída a esquemas de dados Pydantic.
  • Monitoramento Humano: Amostragem aleatória de 10% dos dados por pesquisadores para correção de erros.
  • Revisão de Especialistas: Todos os registros finais foram revisados por especialistas em genética do ouvido interno para validar níveis de evidência e mecanismos.
• Módulo "Dark Matter" (Bayesiano):
  • Um modelo de regressão logística bayesiana prioriza associações gene-fenotipo para genes sem evidência direta na literatura ("matéria escura").
  • Utiliza três características: pontuação de vizinhos diretos no grafo STRING, pontuação de Random Walk with Restart (RWR) e sobreposição com grupos de genes ligados ao fenótipo.
  • Resultado: 243.071 previsões para 13.229 genes candidatos.
• Camada de Relações "Dark" (Explicabilidade):
  • Um modelo supervisionado classifica quais genes conhecidos apoiam melhor cada candidato "dark".
  • Fornece uma cadeia de evidência auditável, decompondo a pontuação em características (ex: peso da aresta STRING, difusão de rede, sobreposição de grupos) e gerando resumos em linguagem natural.
• Construção de Rede de Conhecimento:
  • Integração de entidades (genes, fenótipos, doenças, vias, tipos celulares, regiões cocleares) em um grafo com ~4.000 entidades e mais de 112.000 arestas (determinísticas e derivadas de literatura).
• Interface Web e IA:
  • Desenvolvida em Next.js com banco de dados SQLite rodando no navegador (sql.js).
  • Inclui o IEKB QA, um assistente de perguntas e respostas baseado em agentes que realiza consultas SQL estruturadas e sintetiza respostas com citações.

3. Principais Contribuições e Resultados

• Escala e Cobertura:
  • Curadoria de 6.051 associações gene-fenotipo-doença a partir de 2.494 genes únicos.
  • Catalogação de 4.102 interações gene-gene cocleares.
  • Cobertura de 43 categorias de fenótipos (ex: perda auditiva neurossensorial, malformação do ouvido interno).
  • Integração de 97,5% dos genes de perda auditiva do ClinGen e 94,9% das entradas do HHL, além de 2.301 genes adicionais não presentes nessas bases.
• Desempenho Preditivo:
  • O módulo de priorização alcançou um AUC-ROC global de 0,8603 e um AUC-PR de 0,1674.
  • Identificação de candidatos biologicamente plausíveis, como o gene RBM5 para perda auditiva neurossensorial (pontuação posterior de 0,81).
• Funcionalidades Únicas:
  • Explicabilidade: A camada de relações "dark" permite que os pesquisadores entendam por que um gene candidato foi priorizado, listando os genes conhecidos de suporte e os sinais de evidência.
  • Rede Científica: Visualização interativa de uma rede complexa onde hubs centrais incluem células ciliadas, gânglio espiral e vias de sinalização (Notch, Wnt, FGF).
  • Acesso e Interoperabilidade: Dados disponíveis sem registro sob licença CC BY 4.0 em formatos CSV, JSON, SQLite e XLSX.
  • Ferramentas de Análise: Módulo de enriquecimento de conjuntos de genes e interface de perguntas e respostas (IEKB QA) com respostas fundamentadas em evidências.

4. Significado e Impacto

O IEKB representa o primeiro recurso de acesso aberto para genética do ouvido interno que unifica curadoria de literatura, interações biológicas, priorização probabilística de candidatos "escuros" e redes de conhecimento em uma única plataforma.

• Mudança de Paradigma: Transita de um catálogo passivo para uma plataforma de geração de hipóteses, permitindo que pesquisadores identifiquem novos genes candidatos e validem suas descobertas através de cadeias de evidência auditáveis.
• Validação e Transparência: A abordagem híbrida (IA + especialista) garante alta precisão (Tier 1) enquanto identifica áreas que necessitam de validação futura (Tier 2), promovendo o uso transparente dos dados.
• Utilidade Prática: A capacidade de realizar consultas offline (via SQLite), enriquecimento de vias e o uso de IA conversacional facilita a interpretação clínica e a pesquisa translacional, preenchendo lacunas deixadas por recursos existentes focados apenas em variantes ou expressão gênica.

Em resumo, o IEKB oferece uma infraestrutura robusta e escalável para acelerar a descoberta de genes causadores de doenças do ouvido interno e a compreensão dos mecanismos biológicos subjacentes.