BBERT bruger AI til at genkende bakterielt DNA skjult i jordprøver

Forskere ved Hebrew University of Jerusalem og partnerinstitutioner har udviklet BBERT, et AI-værktøj, der genkender bakterielt DNA i fragmenter helt ned til 100 baser. Arbejdet tager fat på et vedvarende problem inden for miljøgenomik: Forskere kan sekventere det genetiske materiale i en jordprøve, men store dele af det er stadig vanskelige at fortolke, fordi organismerne kun er sparsomt repræsenteret i referencedatabaser.

Studiet, »Hurtig og nøjagtig taksonomisk domænetildeling af korte metagenomiske reads ved hjælp af BBERT«, blev publiceret i Nucleic Acids Research. Det blev ledet af dr. Amir Erez fra universitetets Racah Institute of Physics og dr. Omri M. Finkel fra dets Department of Plant and Environmental Sciences. Dmitry Alekhin, Moshe Alon og Tomer Sidi bidrog i lige høj grad sammen med kolleger fra University of Haifa og Agricultural Research Organizations Volcani Institute.

Derfor er det svært at sortere DNA fra jord

Shotgun-metagenomik sekventerer DNA indsamlet fra et helt samfund i stedet for fra én enkelt isoleret organisme. I jord betyder det, at genetiske fragmenter fra bakterier, svampe, planter og andre livsformer blandes. Forskerne skal derefter fastslå, hvor fragmenterne stammer fra, og hvilke biologiske oplysninger de indeholder.

Referencebaserede værktøjer sammenligner reads med kendte sekvenser. Det er nyttigt, når der findes et nært match, men ufuldstændige databaser betyder, at mange reads ikke kan klassificeres. Den mikrobielle »dark matter« kan dermed sløre både et samfunds sammensætning og de funktioner, det udfører.

BBERT tager fat på et tidligere trin i sorteringen: Ligner et fragment bakterielt DNA? Det er en bredere klassifikation end at navngive en art. Genkendelse af bakterielle sekvensmønstre kan hjælpe forskere med at afgøre, hvilke reads der skal med videre i efterfølgende analyser, selv når der ikke findes et nært match i referencedatabasen.

En sprogmodel, der er trænet på DNA-mønstre

Artiklen beskriver en BERT-baseret model, der lærer konteksten i nukleotidsekvenser. Dens tokeniseringsværktøj repræsenterer de enkelte DNA-baser, herunder et symbol for en tvetydig base. Under fortræningen lærer modellen at genskabe maskerede baser ud fra oplysninger i de omgivende sekvenser. Det er en tilpasning af den tilgang med maskeret sprogmodellering, der bruges inden for sprog-AI.

Forskerne finjusterede derefter modellen til at skelne mellem bakterielt og ikke-bakterielt DNA. Målet er at lære mønstre, der kendetegner bakterielle sekvenser, så modellen kan drage slutninger uden at søge efter en matchende referencesekvens, hver gang et read vurderes. Slutninger uden reference afhænger stadig af det, modellen lærte under træningen; det betyder ikke, at systemet blev udviklet uden genomiske data.

BBERT vurderer også, om et fragment koder for et protein, og forudsiger dets læseramme. Læserammer afgør, hvordan DNA-baserne grupperes i enheder på tre bogstaver, som bruges til at kode for aminosyrer. Valg af den korrekte læseramme hjælper efterfølgende værktøjer med at fortolke et kodende fragment meningsfuldt.

Det viste benchmarkresultaterne

Ifølge den medfølgende forskningsmeddelelse opnåede BBERT en nøjagtighed på cirka 90 % i benchmarktests, hvor modellen skulle skelne mellem bakterielt og ikke-bakterielt DNA. Den identificerede proteinkodende fragmenter med en nøjagtighed på cirka 88 % og deres læserammer med en nøjagtighed på cirka 96 %. Der er tale om separate opgaver, ikke ét samlet mål for den genomiske forståelse.

Holdet anvendte værktøjet på 1.969 offentligt tilgængelige datasæt med jord-DNA. Det genkendte bakterielle sekvenser blandt en betydelig andel af de reads, som et etableret sammenligningsværktøj ikke havde kunnet klassificere. Resultaterne tydede også på, at uforklaret genetisk materiale omfatter kilder, der ikke er bakterielle, og ikke udelukkende består af ukendte bakterier.

Filtrering af reads før rekonstruktion af genomer reducerede også beregningsarbejdet. I simulerede blandinger af organismer faldt den gennemsnitlige samlingstid fra cirka 66 timer til 25 timer pr. datasæt. De rekonstruerede sekvenser havde færre uoverensstemmelser og huller, samtidig med at cirka 96 % af den gennemsnitlige dækning af bakteriegenomer, som blev opnået uden filtrering, blev bevaret.

Test af rodknolde fra vilde bælgplanter gav et mere komplekst biologisk eksempel. Disse strukturer indeholder både plante- og mikrobielt DNA. Filtrering halverede omtrent samlingstiden og sænkede det maksimale hukommelsesforbrug fra 188 GB til 82 GB, samtidig med at forureningen i flere rekonstruerede bakteriegenomer blev reduceret. Noget bakteriel information gik også tabt.

Åben software gør metoden anvendelig

Holdets offentligt tilgængelige BBERT-arkiv indeholder software til at drage slutninger og vejledning i at hente modellen. De dokumenterede resultater omfatter sandsynligheder for bakteriel klassifikation, sandsynligheder for proteinkodning og sandsynligheder for hver af seks mulige læserammer. Forskere kan også eksportere sekvensindlejringer til yderligere analyse.

Arkivet understøtter standardformaterne FASTA og FASTQ og indeholder dokumentation om GPU-acceleration, understøttelse af Apple Silicon og langsommere drift, når der kun bruges CPU. Det indeholder også værktøjer til at oversætte forudsagte kodende sekvenser til aminosyrer. Disse funktioner gør modellen til en del af en analysepipeline med resultater, som forskere kan filtrere og undersøge.

Nyttig filtrering har biologiske begrænsninger

BBERT kan fejlklassificere nogle fragmenter. Kloroplast-DNA kan ligne bakterielt DNA på grund af sin evolutionære oprindelse, og det er fortsat vanskeligt at skelne mellem bakterier og arkæer. Filtrering kan derfor øge effektiviteten, men samtidig frasortere ægte bakterielle sekventeringslæsninger. Forskerne må afveje denne ulempe i forhold til målene for den enkelte analyse.

Den økologiske motivation rækker ud over hurtigere databehandling. Finkels forskningsprofil på universitetet beskriver arbejde med planters mikrobiomer, mikrobielle interaktioner samt metagenomik af ørkenplanter og jord. At forstå, hvilke organismer og funktioner der er til stede, er et grundlag for at undersøge, hvordan disse samfund sammensættes og påvirker planter.

BBERT giver mulighed for at genundersøge eksisterende samlinger af miljøsekventeringsdata og behandle nye prøver. Metodens bidrag er en hurtigere, mønsterbaseret første gennemgang af korte sekventeringslæsninger, som hjælper forskere med at afgøre, hvilke genetiske fragmenter der fortjener nærmere undersøgelse.