Using Agentic AI to Review GO Standard Annotations: Agentic AI and GO, Oct 2025, part 2

Using Agentic AI to Review GO Standard Annotations                                                                                                                                              
                                                                                                                                                                                                  
  Abstract                                                                                                                                                                                        
                                                                                                                                                                                                  
  This presentation introduces an agentic AI approach to systematically review and improve Gene Ontology (GO) annotations at scale. Traditional GO curation requires expert biocurators to        
  manually evaluate evidence for thousands of gene-function associations—a time-intensive process that struggles to keep pace with the growing volume of biological literature.                   
                                                                                                                                                                                                  
  The ai-gene-review system (https://github.com/ai4curation/ai-gene-review) addresses this challenge by deploying AI agents equipped with specialized bioinformatics tools. The workflow combines 
  deep literature research with real-time access to GO databases (QuickGO), protein databases (UniProt), pathway resources (Reactome), ontology services (OLS), and PubMed. Agents can also write 
  and execute ad-hoc Python code for sequence analysis when needed.                                                                                                                               
                                                                                                                                                                                                  
  For each gene, the system reviews every existing annotation and assigns one of six actions: ACCEPT (retain as core function), MODIFY (propose better terms), REMOVE (insufficient evidence),    
  MARK_AS_OVER_ANNOTATED (too generic or indirect), KEEP_AS_NON_CORE (valid but peripheral), or NEW (propose missing annotations). Each decision includes a detailed rationale synthesizing       
  multiple evidence sources.                                                                                                                                                                      
                                                                                                                                                                                                  
  Key capabilities demonstrated include:                                                

                                                                                                         
  - Detecting over-annotations inferred from indirect evidence                                                                                                                                    
  - Identifying outdated annotations superseded by new literature                                                                                                                                 
  - Proposing more precise GO terms when annotations are too general                                                                                                                              
  - Discovering missing annotations from recent publications                                                                                                                                      
  - Performing sequence-based analyses to validate functional assignments                                                                                                                         
                                                                                                                                                                                                  
  Initial evaluation across diverse genes (human, yeast, bacteria, phage) shows the system can identify problematic annotations that would require expert attention while providing transparent,  
  traceable reasoning. Limitations include occasional hallucination risks and challenges with complex isoform-specific functions.