BBERT využívá umělou inteligenci k rozpoznávání bakteriální DNA skryté ve vzorcích půdy

Výzkumníci z Hebrew University of Jerusalem a partnerských institucí vyvinuli BBERT, nástroj umělé inteligence, který rozpozná bakteriální DNA i ve fragmentech dlouhých pouhých 100 bází. Výzkum se zabývá přetrvávajícím problémem environmentální genomiky: vědci mohou sekvenovat genetický materiál ve vzorku půdy, jeho velkou část je však stále obtížné interpretovat, protože příslušné organismy jsou v referenčních databázích zastoupeny jen omezeně.

Studie „Rychlé a přesné přiřazování krátkých metagenomických čtení k taxonomickým doménám pomocí BBERT“ vyšla v časopise Nucleic Acids Research. Vedli ji Dr. Amir Erez z Racah Institute of Physics této univerzity a Dr. Omri M. Finkel z jejího Department of Plant and Environmental Sciences. Dmitry Alekhin, Moshe Alon a Tomer Sidi se na práci podíleli stejnou měrou spolu s kolegy z University of Haifa a Volcani Institute při Agricultural Research Organization.

Proč je obtížné roztřídit půdní DNA

Shotgun metagenomika sekvenuje DNA získanou z celého společenstva, nikoli z jediného izolovaného organismu. V půdě to znamená směs genetických fragmentů bakterií, hub, rostlin a dalších forem života. Výzkumníci pak musí určit, odkud tyto fragmenty pocházejí a jaké biologické informace nesou.

Nástroje založené na referenčních sekvencích porovnávají sekvenační čtení se známými sekvencemi. To je užitečné, pokud existuje blízká shoda, neúplné databáze však způsobují, že mnoho čtení zůstává nezařazených. Výsledná mikrobiální „temná hmota“ může zastřít jak složení společenstva, tak funkce, které vykonává.

BBERT řeší otázku, která stojí na začátku třídění: vypadá daný fragment jako bakteriální? Jde o širší klasifikaci než určení druhu. Rozpoznávání vzorců typických pro bakteriální sekvence může výzkumníkům pomoci rozhodnout, která sekvenační čtení zařadit do dalších analýz, i když není k dispozici blízká referenční sekvence.

Jazykový model trénovaný na vzorcích DNA

Článek popisuje model založený na BERT, který se učí zachytit kontext v nukleotidových sekvencích. Jeho tokenizér reprezentuje jednotlivé báze DNA, včetně symbolu pro nejednoznačnou bázi. Během předtrénování se model učí doplňovat maskované báze na základě okolních informací o sekvenci, což je úprava přístupu predikce maskovaných jazykových modelů používaného v jazykových systémech umělé inteligence.

Výzkumníci pak model doladili pro klasifikaci sekvencí na bakteriální a nebakteriální. Cílem je naučit se vzorce charakteristické pro bakteriální sekvence, aby bylo možné při vyhodnocování každého čtení provést odhad bez opakovaného vyhledávání odpovídající referenční sekvence. Odhad bez referenčních sekvencí stále závisí na tom, co se model naučil během trénování; neznamená to, že byl systém vyvinut bez genomických dat.

BBERT také odhaduje, zda fragment kóduje protein, a předpovídá jeho čtecí rámec. Čtecí rámce určují, jak se báze DNA seskupují do trojic, které slouží ke kódování aminokyselin. Správně zvolený rámec pomáhá následným nástrojům smysluplně interpretovat kódující fragment.

Co ukázaly srovnávací testy

Podle poskytnutého oznámení o výzkumu dosáhl BBERT ve srovnávacích testech přibližně 90% přesnosti při rozlišování bakteriální a nebakteriální DNA. Kódující fragmenty proteinů identifikoval s přibližně 88% přesností a jejich čtecí rámce určil s přibližně 96% přesností. Jde o samostatné úlohy, nikoli o jedinou míru celkového porozumění genomu.

Tým použil nástroj na 1 969 veřejně dostupných datových souborech s půdní DNA. Mezi sekvenačními čteními rozpoznal bakteriální sekvence i ve značné části těch, která zavedený srovnávací nástroj nedokázal zařadit. Zjištění také naznačila, že nevysvětlený genetický materiál pochází i z nebakteriálních zdrojů a netvoří jej pouze neznámé bakterie.

Filtrování sekvenačních čtení před sestavením genomu také snížilo výpočetní náročnost. U simulovaných směsí organismů klesla průměrná doba sestavení z přibližně 66 hodin na 25 hodin na datový soubor. Sestavené sekvence obsahovaly méně neshod a mezer, přičemž se zachovalo přibližně 96 % průměrného pokrytí bakteriálního genomu dosaženého bez filtrování.

Testy na hlízkách kořenů planě rostoucích bobovitých rostlin představovaly složitější biologický příklad. Tyto útvary obsahují společně rostlinnou i mikrobiální DNA. Filtrování zkrátilo dobu sestavení přibližně na polovinu a snížilo maximální spotřebu paměti ze 188 GB na 82 GB; u několika sestavených bakteriálních genomů se zároveň snížila kontaminace. Došlo také ke ztrátě části bakteriálních informací.

Otevřený software umožňuje tento přístup využívat

Veřejný repozitář BBERT týmu poskytuje software pro provádění odhadů a pokyny ke stažení modelu. Mezi zdokumentované výstupy patří pravděpodobnosti bakteriální klasifikace, pravděpodobnosti kódujících sekvencí a pravděpodobnosti šesti možných čtecích rámců. Výzkumníci mohou také exportovat vektorové reprezentace sekvencí pro další analýzu.

Repozitář podporuje standardní vstupní formáty FASTA a FASTQ a popisuje akceleraci pomocí GPU, podporu počítačů Apple Silicon i pomalejší provoz pouze na CPU. Nabízí také nástroje pro převod předpovězených kódujících sekvencí na aminokyseliny. Díky těmto funkcím lze model začlenit do analytického pracovního postupu, jehož výstupy mohou výzkumníci filtrovat a kontrolovat.

Užitečné filtrování má své biologické limity

BBERT může některé fragmenty chybně klasifikovat. DNA chloroplastů může kvůli svému evolučnímu původu připomínat bakteriální DNA a rozlišování bakterií od archeí zůstává náročné. Filtrování tak může zvýšit efektivitu, zároveň však může vyřadit i skutečná bakteriální čtení. Výzkumníci musí tento kompromis zvážit s ohledem na cíle konkrétní analýzy.

Ekologické důvody sahají dál než k rychlejšímu výpočtu. Univerzitní výzkumný profil Finkela popisuje výzkum rostlinných mikrobiomů, interakcí mezi mikroorganismy a metagenomiky pouštních rostlin a půdy. Porozumění tomu, které organismy a funkce jsou přítomny, je základem pro studium toho, jak se tato společenstva utvářejí a jak ovlivňují rostliny.

BBERT nabízí způsob, jak znovu analyzovat stávající soubory environmentálních sekvenačních dat i zpracovávat nové vzorky. Jeho přínosem je rychlý první průchod krátkými čteními založený na rozpoznávání vzorců, který výzkumníkům pomáhá rozhodnout, které genetické fragmenty stojí za podrobnější zkoumání.