DisPhaseDB 2.0: Improved interpretation of disease-associated variants in liquid-liquid phase separation proteins with agent-accessible querying.

چکیده اصلی

Membraneless organelles formed through liquid-liquid phase separation (LLPS) are fundamental to cellular organization and are involved in multiple processes, including responses to stimuli and stress. The study of disease-associated variants in LLPS proteins remains vital for understanding protein dysfunction in human diseases. However, maintaining specialized, integrative resources is often hindered when database updates rely on human intervention, typically resulting in long intervals between updates. Here, we introduce a major update to DisPhaseDB (https://disphasedb.leloir.org.ar/), a comprehensive resource for disease-associated variants in LLPS proteins, integrated with an open-source Snakemake workflow organizing systematic data acquisition and parsing into traceable steps. Crucially, the automated system continuously fetches data from source databases, keeping DisPhaseDB up-to-date without the delays of manual maintenance. The updated release expands the database with additional proteins, increases disease annotation coverage by 174%, and adds clinical significance and allele frequency annotations to enhance variant interpretation. To improve accessibility, we also introduce a Model Context Protocol (MCP) server that establishes a standardized interoperability layer, enabling AI agents and large language models to directly query database records through structured operations. This architecture grounds generative workflows in a trusted source, replacing unconstrained web retrieval and reducing unsupported content. In a comparative benchmark, data retrieval through the MCP server achieved a mean F1 score of 0.99, compared to 0.30 for unguided generative retrieval. Together, these developments position DisPhaseDB2.0 as a maintainable resource for LLPS-related variants, optimizing reproducible data access for both human researchers and emerging agentic AI workflows.

ترجمه فارسی چکیده

سازمان‌های بدون غشا که از طریق جداسازی فاز مایع-مایع (LLPS) تشکیل می‌شوند، بنیادی برای سازماندهی سلولی هستند و در فرآیندهای متعددی از جمله پاسخ به محرک‌ها و استرس نقش دارند. مطالعه ژنوتیپی‌های مرتبط با بیماری در پروتئین‌های LLPS همچنان برای درک نقص عملکرد پروتئین در بیماری‌های انسانی حیاتی است. با این حال، حفظ منابع تخصصی و یکپارچه اغلب با موانعی روبرو می‌شود که زمانی رخ می‌دهد که به‌روزرسانی‌های پایگاه داده به دخالت انسان وابسته باشند که معمولاً منجر به فاصله‌های زمانی طولانی بین به‌روزرسانی‌ها می‌شود. در اینجا، ما به‌روزرسانی مهمی به DisPhaseDB معرفی می‌کنیم، که منبع جامعی برای ژنوتیپی‌های مرتبط با بیماری در پروتئین‌های LLPS است و با یک جریان کار مفتوح Snakemake یکپارچه شده است که سازماندهی داده‌های سیستماتیک را در مراحل قابل ردیابی دستکاری می‌کند. به‌طور حیاتی، سیستم خودکار به‌طور مداوم داده‌ها را از پایگاه‌های داده منبع می‌گیرد و DisPhaseDB را بدون تأخیرهای نگهداری دستی به‌روز نگه می‌دارد. نسخه به‌روز شده پایگاه داده را با پروتئین‌های اضافی گسترش می‌دهد، پوشش بیانی بیماری را با ۱۷۴٪ افزایش می‌دهد و نبردهای اهمیت بالینی و فرکانس آللی را برای بهبود تفسیر ژنوتیپی اضافه می‌کند. برای بهبود دسترسی، ما همچنین یک سرور پروتکل زمینه مدل (MCP) معرفی می‌کنیم که لایه یکپارچگی استاندارد را ایجاد می‌کند و به عوامل هوش مصنوعی و مدل‌های زبانی بزرگ اجازه می‌دهد تا مستقیماً با عملیات ساختاریافته به رکوردهای پایگاه داده پرس‌وجو کنند. این معماری کارهای تولیدی را در منبع قابل اعتماد قرار می‌دهد، جستجوی وب محدود را جایگزین کرده و محتوای بدون پشتیبانی را کاهش می‌دهد. در یک مقایسه معیار، بازیابی داده از طریق سرور MCP میانگین امتیاز F1 0.99 را به دست آورد، در حالی که برای بازیابی تولیدی بدون هدایت 0.30 بود. در مجموع، این توسعه‌ها DisPhaseDB2.0 را به عنوان منبعی قابل نگهداری برای ژنوتیپی‌های مرتبط با LLPS، دسترسی به داده‌های قابل تکرار را برای پژوهشگران انسانی و کارهای هوشمندانه آینده AI بهینه می‌کند.

متن کامل اصلی