Application of Large Language Models for Annotating Genes into Reactome Pathways
Notice bibliographique
Résumé
Reactome is the most comprehensive, open source, open access biological pathway knowledgebase, widely used in the research community. To ensure the highest quality of its content, human pathway data in Reactome is manually curated. However, manual curation is labor-intensive, time-consuming, and increasingly difficult to keep up with the ever-growing biomedical literature. Large language model (LLM)-driven artificial intelligence (AI) technologies are transforming many fields, including bioinformatics resource development. Applying LLM/AI technologies in Reactome may offer a powerful way to scale curation and consolidate pathway-related data into a single resource. This manuscript describes the first stage of our attempt to adopt LLM/AI technologies for Reactome manual curation. We developed an LLM workflow that can assist curators in adding new genes to existing pathways and refining the functional annotations of existing ones. The workflow predicts pathways in which genes are likely to function, identifies PubMed-indexed literature that may support these predictions, generates text summaries describing potential molecular mechanisms, and extracts functional relationships among biological entities from full-text PDF papers. To validate the workflow output, we used a computational approach based on semantic similarity between LLM workflow-generated summaries and Reactome manual annotations. The results show significant enrichment of high-similarity matches. Manual evaluation of 19 genes indicated that more than half of the outputs are useful for supporting curation. Based on these results, we developed an enhanced workflow that incorporates protein-protein interaction data, facilitating Reactome's reaction-based annotation. In summary, our initial adoption of LLM/AI technologies produced encouraging results and provides a practical framework for integrating AI-assisted methods into Reactome's curation pipeline. The strategies described here may be broadly applicable to community knowledgebases in general.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».