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

本文介绍了内耳知识库（IEKB），这是一个开放数据库，通过自动化辅助人工审校流程整合了内耳基因与表型的 curated 关联、耳蜗相互作用证据、基于贝叶斯的候选基因优先排序、可解释的暗基因支持关系以及多实体科学网络，旨在为内耳遗传学研究提供统一的资源。

要点

这篇论文介绍了一个名为 IEKB（内耳知识库）的全新工具。为了让你轻松理解，我们可以把内耳遗传学的研究比作在一片浩瀚且混乱的“声音森林”中寻找失落的宝藏。

以前，科学家们就像一群在森林里独自寻宝的人：

• 有的拿着旧地图（旧的数据库），但地图只画了树的位置，没画树和树之间的关系。
• 有的拿着放大镜找具体的树叶（基因变异），但不知道整片森林的生态系统。
• 信息散落在成千上万本书（科学文献）里，大家很难拼凑出一张完整的藏宝图。

IEKB 就是为了解决这个问题而诞生的“超级智能导航系统”。它不仅仅是一张地图，而是一个集成了多种功能的“声音森林指挥中心”。

以下是 IEKB 的核心功能，用生活中的比喻来解释：

1. 超级图书馆与整理员（ curated associations）

• 以前：科学家要读几万篇论文，像大海捞针一样找“哪个基因导致听力下降”。
• 现在：IEKB 雇佣了一支由AI 机器人和人类专家组成的“超级整理团队”。
  • AI 机器人（Agent）：像不知疲倦的图书管理员，24 小时扫描了 25 万多篇论文，把里面的关键信息（比如：基因 A 导致耳聋）快速提取出来。
  • 人类专家：像严格的校对员，检查机器人有没有看错，确保信息准确无误。
  • 结果：他们整理出了 6000 多条 确凿的“基因 - 疾病”关系，就像把散落的珍珠串成了精美的项链。

2. 社交网络侦探（Cochlear interactions）

• 以前：我们只知道某个基因坏了会耳聋，但不知道它为什么坏，或者它和谁“合伙”搞破坏。
• 现在：IEKB 像是一个社交网络侦探。它绘制了内耳里基因们的“朋友圈”。
  • 它知道基因 A 和基因 B 是“死党”（相互作用），它们一起工作维持听力。
  • 它记录了 4000 多条 这种关系，告诉我们当某个基因出问题时会如何影响它的“朋友们”。

3. 预言水晶球（Bayesian "Dark Matter"）

• 以前：有很多基因我们完全不知道它们和听力有没有关系，它们就像“黑暗物质”（Dark Matter），藏在阴影里。
• 现在：IEKB 有一个AI 预言水晶球。
  • 它利用数学模型（贝叶斯推断），根据已知的基因关系，去猜那些“未知基因”是不是也可能导致耳聋。
  • 它给 24 万多个 未知基因排了个序，告诉科学家：“嘿，虽然还没人研究过这个基因，但它和已知的耳聋基因长得太像了，或者在社交网络里离得太近了，它很有可能是下一个导致耳聋的嫌疑人！”
  • 这就像侦探根据作案手法，提前锁定了几个还没被怀疑的嫌疑人。

4. 证据链说明书（Explainable Dark-Relation）

• 以前：AI 说“这个基因可能是嫌疑人”，但没告诉你为什么。科学家不敢轻易相信。
• 现在：IEKB 不仅给出名单，还附上了详细的“证据链说明书”。
  • 它会说：“基因 X 之所以被怀疑，是因为它和已知的‘坏蛋’基因 Y 是邻居，而且它们都参与了同一个‘破坏计划’（生物通路）。”
  • 这让科学家能看懂 AI 的逻辑，放心地去验证这些新发现。

5. 互动式全景地图（Scientific Network & Web Interface）

• 以前：看数据只能看枯燥的表格。
• 现在：IEKB 提供了一个可视化的互动网站。
  • 你可以像玩《模拟城市》一样，看到基因、疾病、细胞类型像星星一样连成一张巨大的网。
  • 你可以点击任何一个点，看到它的所有故事。
  • 甚至还有一个AI 聊天机器人（IEKB QA），你可以直接用自然语言问它：“为什么 GJB2 基因突变会导致耳聋？有哪些证据？”它会像专家一样，引用具体的文献给你解释。

6. 免费开放的公共广场（Open Access）

• 最重要的是，这个工具完全免费，不需要注册，任何人都可以下载数据。它就像把以前锁在保险柜里的宝藏图，免费发给了全世界所有想听清世界声音的人。

总结

IEKB 就像是为内耳遗传学研究建造了一座“全能指挥中心”。它把散乱的信息整理好，用 AI 预测未知的线索，用逻辑解释预测的原因，并让所有人都能免费使用。

它的目标是帮助科学家更快地找到导致耳聋的基因，最终帮助医生更好地诊断和治疗听力障碍，让失聪的人重新听见世界的声音。

技术摘要

以下是关于论文《IEKB: a comprehensive knowledge base for inner ear genetics》（IEKB：一个整合 curated 关联、耳蜗相互作用、贝叶斯候选基因优先排序、可解释的“暗基因”支持关系及科学实体网络的内耳遗传学综合知识库）的详细技术总结：

1. 研究背景与问题 (Problem)

• 背景：内耳遗传学（特别是听力损失）研究进展迅速，但相关证据分散在海量文献和不同的资源中。现有的资源（如 HHL、DVD、Gene4HL 等）通常侧重于特定的层面（如位点列表、变异分类或表达数据），缺乏整合机制解释、相互作用证据和预测能力的统一平台。
• 核心痛点：研究人员和临床医生难以从分散的文献中获取最新的、机制明确的内耳遗传学全貌。缺乏一个能够整合 curated 关联、耳蜗基因相互作用、候选基因优先排序、可解释的“暗基因”（即缺乏直接文献支持的候选基因）支持证据以及科学实体网络的单一开放平台。

2. 方法论 (Methodology)

IEKB 构建了一个自动化代理辅助（Agent-assisted）与专家人工审核相结合的流水线，主要包含以下关键步骤：

• 基因宇宙构建与文献检索：

  • 基于 NCBI 构建包含 16,563 个具有小鼠同源基因的人类蛋白质编码基因作为搜索宇宙。
  • 利用 NCBI Entrez API 和 Europe PMC 检索与 11 个内耳相关术语（如“耳蜗”、“听力损失”等）共现的文献，共检索并去重得到 250,696 条记录。
  • 采用两阶段过滤：基于规则的预过滤（标题/摘要共现）和基于 LLM（DeepSeek Chat）的分类器过滤（确保基因与内耳生物学真正相关）。

• 代理辅助文献策展 (Agent-assisted Curation)：

  • 使用自动化代理处理摘要和全文，提取两类结构化数据：(1) 基因 - 表型 - 疾病关联；(2) 耳蜗内的基因 - 基因相互作用。
  • 输出受 Pydantic 数据模式约束，确保格式规范。
  • 人机回环 (Human-in-the-loop)：研究人员随机抽样检查（约 10%），标记并纠正错误；所有发布数据均经过内耳遗传学领域专家的最终审核，确认证据等级、机制描述和遗传模式。

• 贝叶斯“暗物质”推断 (Bayesian Dark Matter Inference)：

  • 旨在优先排序文献中尚未明确关联的候选基因。
  • 输入： curated 基因表、STRING 相互作用图、HGNC 基因组注释。
  • 特征工程：结合直接邻居得分（STRING 图）、随机游走重启（RWR）得分、基因组重叠度。
  • 模型：使用逻辑回归模型将特征转化为后验概率分数，并通过 Platt 缩放进行校准。
  • 结果：为 13,229 个基因在 43 种表型下生成 243,071 个候选关联预测。

• 可解释的“暗关系”支持层 (Explainable Dark-Relation Support)：

  • 解决“黑盒”预测问题，为每个“暗基因”候选者排序已知基因，解释为何该候选者被预测。
  • 使用监督学习（Logistic Regression 或 LightGBM）基于网络特征（如 Adamic-Adar 指数、共享邻居等）对已知基因进行排序，并提供自然语言证据摘要。

• 科学实体网络构建：

  • 构建包含基因、表型、疾病、通路、细胞类型和耳蜗区域的多实体网络，整合确定性边和基于文献的语义链接。

• 系统实现：

  • 前端基于 Next.js，使用 sql.js 在浏览器端直接执行 SQL 查询（无后端服务器），支持 Cytoscape.js 进行网络可视化。
  • 提供 IEKB QA：基于多阶段代理管道的自然语言问答系统，支持证据溯源和流式回答。

3. 关键贡献 (Key Contributions)

1. 首个综合内耳资源：IEKB 是首个将 curated 关联、耳蜗相互作用网络、概率性候选基因优先排序、可审计的已知基因支持关系以及多实体科学网络整合在单一数据库中的开放资源。
2. 自动化与专家审核结合的工作流：证明了在特定生物医学领域，利用 AI 代理加速结构化数据提取，同时保持人类专家审核以保证数据质量（Tier 1 和 Tier 2 分级）的可行性。
3. “暗物质”预测与可解释性：不仅预测了新的基因 - 表型关联，还通过“暗关系”层提供了可解释的证据链，指出哪些已知基因支持该预测，增强了实验跟进的可行性。
4. 交互式与离线可用性：提供浏览器端查询、网络可视化、富文本问答（QA）以及多种格式（CSV, JSON, SQLite, XLSX）的批量下载，支持离线分析和可重复研究。

4. 主要结果 (Results)

• 数据规模：
  • curated 6,051 个基因 - 表型 - 疾病关联（来自 2,494 个基因，43 种表型）。
  • 收录 4,102 个耳蜗基因 - 基因相互作用（包含通路、细胞类型和实验背景）。
  • 生成 243,071 个候选基因 - 表型预测（覆盖 13,229 个基因）。
  • 构建包含近 4,000 个实体、28,616 条确定性边和 83,712 条文献衍生边的科学网络。
• 模型性能：
  • 贝叶斯优先排序模型的全局 AUC-ROC 为 0.8603，AUC-PR 为 0.1674。
  • 在 43 种表型中，42 种被归类为“可靠”，仅感音神经性听力损失因种子基因异质性被归类为“低可靠性”。
• 覆盖度：
  • 覆盖了 ClinGen 听力损失基因的 97.5% 和 HHL 条目的 94.9%。
  • 包含 2,301 个现有参考数据库（ClinGen, HHL）中未收录的基因，显著扩展了知识边界。
• 质量评估：
  • 通过双盲专家评估，Tier 1 记录（文献明确支持且专家确认）占主导，Tier 2 记录（间接证据）需进一步验证。

5. 意义与影响 (Significance)

• 填补领域空白：解决了现有资源碎片化的问题，为研究人员提供了一个从宏观文献概览到微观基因证据、再到网络上下文的全方位工作流。
• 加速假设生成：通过贝叶斯预测和可解释的“暗关系”层，帮助研究人员在缺乏直接文献证据的情况下，基于系统生物学视角发现新的候选基因，并理解其潜在机制。
• 提升数据可及性与透明度：所有数据在 CC BY 4.0 许可下无注册开放获取，支持离线分析和自定义查询，促进了数据的重用和验证。
• 方法论示范：展示了如何利用“代理辅助 + 专家审核”的模式处理大规模生物医学文献，为其他垂直领域的知识库构建提供了参考范式。
• 未来潜力：作为持续维护的资源，IEKB 计划整合单细胞图谱、扩展物种覆盖（如非人类灵长类）并深化变异级别证据，将成为内耳遗传学研究的重要基础设施。

总结：IEKB 不仅仅是一个数据库，更是一个集成了数据策展、预测建模、网络分析和交互式探索的综合平台，极大地降低了内耳遗传学研究的门槛，并提供了可解释的 AI 辅助发现工具。