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

Os vastos arquivos da biologia moderna contêm milhões de instantâneos da vida ao nível molecular, capturando como os genes se ligam e desligam em células de pessoas saudáveis e de pessoas com doenças. Esses registros, armazenados em repositórios públicos como o Gene Expression Omnibus, destinam-se a ser uma biblioteca compartilhada onde os cientistas podem buscar padrões através de milhares de estudos. No entanto, a utilidade desta biblioteca tem sido retida há muito tempo por um problema simples: as notas anexadas a cada amostra são escritas em uma mistura caótica de línguas humanas. Um pesquisador pode descrever uma amostra como "tumor de mama", enquanto outro escreve "carcinoma mamário", e um terceiro usa uma abreviação críptica que só faz sentido dentro de seu laboratório específico. Como essas descrições são não estruturadas e inconsistentes, encontrar todas as amostras relacionadas a uma doença ou tipo de tecido específico é como tentar encontrar um único livro em uma biblioteca onde cada título está escrito em um dialeto diferente e espalhado pelas prateleiras.

Para resolver isso, Mateusz Szczepaniak e Jonathan Wren, da Oklahoma Medical Research Foundation, construíram um novo sistema que atua como um tradutor universal para esses registros biológicos. Eles desenvolveram um pipeline de inteligência artificial de execução local projetado para ler as notas desordenadas e de texto livre anexadas a mais de 800.000 amostras humanas e convertê-las em rótulos limpos e padronizados. O sistema foca em três informações críticas: o tecido de onde a amostra veio, a condição do paciente ou organismo e quaisquer tratamentos que a amostra tenha recebido. Em vez de apenas ler o texto, o sistema compreende o contexto de todo o estudo, permitindo que preencha detalhes ausentes que uma única nota possa ter deixado de fora. Uma vez que extrai essa informação, o sistema vincula cada rótulo a um vocabulário controlado, garantindo que "câncer de mama" e "tumor mamário" sejam reconhecidos como a mesma coisa, ao mesmo tempo em que agrupa termos que ainda não possuem um nome padrão.

Os pesquisadores testaram seu sistema em um conjunto massivo de dados de amostras humanas e descobriram que ele conseguia identificar o tipo de tecido em quase todos os casos em que a informação estava disponível, alcançando uma precisão de quase 99,7 por cento em um benchmark cuidadosamente verificado. Para identificar a doença ou condição, o sistema estava correto cerca de 95 por cento das vezes. Talvez o mais importante seja que o sistema não apenas adivinhou; ele usou o contexto mais amplo do estudo para resolver ambiguidades. Se uma nota de amostra dizia "grupo controle" sem especificar a doença, o sistema analisou o design geral do estudo e os rótulos das outras amostras naquele mesmo experimento para inferir corretamente o contexto ausente. Esta etapa permitiu que o sistema recuperasse informações ausentes para mais de três quartos dos rótulos de tecido que inicialmente foram marcados como não especificados.

Uma característica fundamental deste trabalho é como ele lida com os termos que não se encaixam nos dicionários médicos existentes. Em vez de forçar um termo estranho ou único em uma categoria onde ele não pertence, o sistema agrupa esses conceitos fora do vocabulário com base em sua similaridade. Isso preserva os detalhes específicos da pesquisa original, mantendo os dados pesquisáveis. A equipe também garantiu que o sistema pudesse rodar em computadores locais sem a necessidade de enviar dados sensíveis para servidores externos, tornando o processo transparente e reproduzível. Ao converter milhões de notas não estruturadas em dados estruturados e pesquisáveis, este pipeline remove uma barreira importante para a descoberta científica. Ele permite que os pesquisadores combinem facilmente dados de diferentes estudos para encontrar novos insights sobre como as doenças funcionam, transformando uma coleção fragmentada de notas em um recurso coerente e utilizável para toda a comunidade científica.