Missing by design: why genomic metadata must be captured at submission, not recovered from the literature

Imagine uma biblioteca onde milhões de livros são adicionados todos os anos, mas suas prateleiras estão vazias das informações mais cruciais: quem os escreveu, em que idioma estão e que história eles contam. No mundo da biologia, esta biblioteca é um enorme arquivo global onde cientistas armazenam os projetos genéticos de plantas e animais. Esses projetos, conhecidos como montagens de genomas, são as instruções fundamentais para a vida. No entanto, para dar sentido a essas instruções, os pesquisadores precisam de detalhes específicos sobre o organismo, como se ele possui um conjunto de cromossomos ou vários, qual variedade específica ele pertence e como seu material genético é organizado. Sem esses detalhes, o projeto é apenas um amontoado de letras que não pode ser lido ou comparado de forma confiável com outras formas de vida.

Por anos, cientistas têm depositado esses projetos genéticos no arquivo em um ritmo aceleradamente crescente. No entanto, o contexto essencial necessário para interpretá-los está frequentemente ausente. A informação ou não é solicitada quando os dados são submetidos, ou é escrita de uma forma que os computadores não conseguem entender. Isso cria um problema significativo para qualquer pessoa que tente usar esses dados para estudar doenças, melhorar culturas ou entender a evolução. Se um programa de computador tentar analisar a genética de uma planta sem conhecer sua estrutura específica, poderá chegar a conclusões confiantes, porém completamente erradas, confundindo variações naturais com erros.

Uma equipe de pesquisadores investigou agora exatamente como esse hiato de informações se forma e se pode ser corrigido analisando os artigos científicos que acompanham esses registros. Eles descobriram que os detalhes ausentes não são apenas omissões aleatórias; são o resultado de um sistema que permite aos submetentes pular perguntas importantes e de uma falta de acordo sobre como escrever as respostas. Os pesquisadores construíram um programa de computador para vasculhar milhares de artigos científicos para encontrar esses detalhes ausentes nos registros já presentes no arquivo. Embora o programa tenha sido bem-sucedido em recuperar cerca de metade das informações ausentes, ele também revelou uma realidade dura: para muitos registros, a informação simplesmente não foi escrita de uma forma que pudesse ser encontrada, ou estava faltando inteiramente.

O estudo conclui que tentar corrigir o problema depois que os dados já estão no arquivo é como tentar limpar uma sujeira após o copo ter se estilhaçado; é possível recolher os pedaços, mas a bagunça continuará acontecendo. A única solução duradoura é mudar as regras da própria biblioteca. Os pesquisadores argumentam que o arquivo deve exigir que os cientistas forneçam esses detalhes específicos como um passo obrigatório quando submetem seus dados pela primeira vez, usando uma lista padrão de palavras com as quais todos concordem. Ao capturar a verdade no momento da criação, em vez de tentar reconstruí-la mais tarde, a comunidade científica pode garantir que a crescente biblioteca da vida permaneça um recurso útil e preciso para o futuro.

O cerne do problema reside em como o arquivo é atualmente desenhado. Quando um cientista envia um novo genoma para o banco de dados, o sistema solicita o nome da espécie, que é obrigatório. No entanto, outros detalhes críticos, como o número de conjuntos de cromossomos de um organismo ou a variedade específica de uma cultura, são frequentemente opcionais. Mesmo quando os cientistas possuem essa informação, eles frequentemente deixam os campos em branco porque preenchê-los exige esforço extra e não oferece recompensa imediata para sua publicação. Além disso, quando fornecem a informação, frequentemente a escrevem como texto livre, usando palavras ou formatos diferentes para o mesmo conceito. Um cientista pode escrever "quatro conjuntos", outro "4x" e um terceiro pode usar um código complexo. Para um leitor humano, estes são claramente a mesma coisa, mas para um programa de computador, são completamente diferentes e desconexos.

Essa falta de padronização torna-se um grande obstáculo ao tentar compreender organismos complexos. Em muitas plantas, o número de conjuntos de cromossomos pode variar até mesmo dentro da mesma espécie. Por exemplo, a maioria das macieiras tem dois conjuntos de cromossomos, mas algumas variedades populares têm três. Se um banco de dados registra apenas o nome da espécie como "maçã", ele não consegue distinguir entre as variedades de dois e três conjuntos, levando à confusão. Da mesma forma, a maneira como os cientistas nomeiam os cromossomos individuais dentro de um genoma varia enormemente entre diferentes grupos de pesquisa. Em algumas culturas, os cromossomos são rotulados com números simples, enquanto em outras, são rotulados com letras e números que indicam de qual parte ancestral do genoma eles vieram. Sem um acordo compartilhado sobre esses nomes, um computador não pode automaticamente combinar cromossomos de um estudo com outro, mesmo que estejam estudando a mesma planta.

Para ver quão profundo é este problema, os pesquisadores construíram um pipeline, uma ferramenta de software especializada projetada para agir como um detetive digital. Esta ferramenta pega um registro genético do arquivo, encontra o artigo científico que o descreve e lê o texto para extrair os detalhes ausentes. Os pesquisam testaram esta ferramenta em uma grande coleção de genomas de plantas. Eles descobriram que, para cerca de metade dos registros, a ferramenta conseguiu encontrar a informação ausente no artigo associado. No entanto, para quase um terço dos registros, a ferramenta encontrou o artigo, mas não conseguiu encontrar uma declaração clara dos detalhes ausentes dentro do texto. Em muitos casos, a informação simplesmente não foi escrita de uma forma recuperável, ou estava enterrada em um artigo que não estava diretamente vinculado ao registro genético.

O estudo também examinou se o tamanho da comunidade científica que estuda uma determinada planta fazia diferença. Poder-se-ia supor que culturas populares com muitos pesquisadores teriam registros mais consistentes e completos. No entanto, os dados não mostraram tal ligação. Mesmo para culturas com milhares de artigos publicados, as convenções de nomenclatura para cromossomos permaneceram inconsistentes se a comunidade não tivesse concordado com um padrão único. Isso sugere que o problema não é a falta de esforço ou interesse, mas sim uma falta de coordenação. A inconsistência surge porque diferentes grupos desenvolveram suas próprias maneiras de descrever as coisas e, sem um acordo central, essas diferenças persistem.

Os pesquisadores perceberam que o seu detetive digital, embora impressionante, tem um limite fundamental. Ele só pode encontrar informações que já existem na literatura. Se a informação nunca foi escrita, ou se o artigo está atrás de um paywall ou simplesmente não existe, a ferramenta não pode criá-la. O estudo destacou casos específicos onde a informação correta estava escondida em uma seção de métodos de um artigo que não estava vinculado ao genoma, ou onde o registro do genoma não tinha nenhum artigo anexado. Isso prova que confiar na recuperação posterior ao fato é insuficiente. O hiato nos dados não é apenas um desafio técnico de encontrar palavras; é uma falha estrutural do próprio processo de submissão.

O caminho a seguir, segundo os autores, é parar de tentar corrigir o problema depois que os dados chegam e, em vez disso, evitar que o problema aconteça em primeiro lugar. Eles propõem que o arquivo mude seus formulários de submissão para tornar detalhes como conjuntos de cromossomos, variedades específicas e estrutura genômica obrigatórios. Em vez de permitir que os cientistas digitem o que quiserem, o sistema deve exigir que escolham de uma lista padrão de termos aprovados. Isso garantiria que cada registro venha com o contexto necessário, escrito em uma linguagem que tanto humanos quanto computadores possam entender. A infraestrutura para fazer isso já existe; outras áreas da biologia implementaram com sucesso mudanças semelhantes em seus requisitos de submissão.

Os pesquisadores enfatizam que esta mudança não seria um fardo pesado para os cientistas. A informação geralmente é conhecida pela equipe de pesquisa antes mesmo de submeterem seus dados, muitas vezes antes de seu artigo ser publicado. Se um detalhe é verdadeiramente desconhecido, o sistema pode simplesmente registrar que ele está faltando, tal como faz atualmente para outros pontos de dados, como o local exato onde uma amostra foi coletada. Ao tornar esses campos obrigatórios e padronizados, a comunidade científica pode garantir que a futura pesquisa genética seja construída sobre uma base de informações completas e confiáveis. O objetivo é converter um fardo recorrente de correção manual em uma correção única na fonte, garantindo que a biblioteca da vida permaneça um lugar onde cada livro possa ser devidamente compreendido.