BBERT nutzt KI, um in Bodenproben verborgene bakterielle DNA zu erkennen

Forschende an der Hebrew University of Jerusalem und Partnereinrichtungen haben BBERT entwickelt, ein KI-Tool, das bakterielle DNA in Fragmenten mit einer Länge von nur 100 Basen erkennt. Die Arbeit befasst sich mit einem hartnäckigen Problem der Umweltgenomik: Wissenschaftlerinnen und Wissenschaftler können zwar das genetische Material einer Bodenprobe sequenzieren, doch vieles davon lässt sich nur schwer interpretieren, weil die Organismen in Referenzdatenbanken kaum erfasst sind.

Die Studie „Schnelle und präzise taxonomische Domänenzuordnung kurzer metagenomischer Reads mit BBERT“ wurde in Nucleic Acids Research veröffentlicht. Geleitet wurde sie von Dr. Amir Erez vom Racah-Institut für Physik der Universität und Dr. Omri M. Finkel von deren Institut für Pflanzen- und Umweltwissenschaften. Dmitry Alekhin, Moshe Alon und Tomer Sidi leisteten gleichwertige Beiträge, ebenso wie Kolleginnen und Kollegen von der University of Haifa und dem Volcani-Institut der Agricultural Research Organization.

Warum Boden-DNA schwer zuzuordnen ist

Bei der Shotgun-Metagenomik wird DNA sequenziert, die aus einer gesamten Lebensgemeinschaft stammt, statt von einem einzelnen isolierten Organismus. Im Boden bedeutet das, dass genetische Fragmente von Bakterien, Pilzen, Pflanzen und anderen Lebensformen gemeinsam erfasst werden. Forschende müssen anschließend herausfinden, woher diese Fragmente stammen und welche biologischen Informationen sie enthalten.

Referenzbasierte Tools vergleichen Reads mit bekannten Sequenzen. Das ist nützlich, wenn eine sehr ähnliche Sequenz vorhanden ist. Unvollständige Datenbanken führen jedoch dazu, dass viele Reads nicht klassifiziert werden können. Diese daraus entstehende mikrobielle „dunkle Materie“ kann sowohl die Zusammensetzung einer Lebensgemeinschaft als auch ihre Funktionen verschleiern.

BBERT setzt bei einer früheren Frage der Sortierung an: Sieht ein Fragment bakteriell aus? Das ist eine allgemeinere Klassifizierung als die Bestimmung einer Art. Das Erkennen bakterieller Sequenzmuster kann Forschenden dabei helfen, zu entscheiden, welche Reads in nachfolgenden Analysen weiterverwendet werden sollen – selbst wenn keine sehr ähnliche Referenzsequenz verfügbar ist.

Ein Sprachmodell, das auf DNA-Mustern trainiert wurde

Die Studie beschreibt ein BERT-basiertes Modell, das den Kontext innerhalb von Nukleotidsequenzen erlernt. Sein Tokenizer bildet einzelne DNA-Basen ab, darunter auch ein Symbol für mehrdeutige Basen. Beim Vortraining lernt das Modell, maskierte Basen anhand der umgebenden Sequenzinformationen zu rekonstruieren. Dabei handelt es sich um eine Anpassung des in der Sprach-KI verwendeten Verfahrens der maskierten Sprachmodellierung.

Anschließend stimmten die Forschenden das Modell speziell auf die Unterscheidung zwischen bakteriellen und nicht bakteriellen Sequenzen ab. Ziel ist es, charakteristische Muster bakterieller Sequenzen zu erlernen, sodass Rückschlüsse möglich sind, ohne bei jeder Bewertung eines Reads nach einer passenden Referenzsequenz suchen zu müssen. Referenzfreie Schlussfolgerungen hängen weiterhin davon ab, was das Modell während des Trainings gelernt hat; sie bedeuten nicht, dass das System ohne Genomdaten entwickelt wurde.

BBERT schätzt außerdem, ob ein Fragment für ein Protein codiert, und sagt seinen Leserahmen voraus. Leserahmen bestimmen, wie DNA-Basen in Dreiergruppen unterteilt werden, die Aminosäuren codieren. Die Wahl des richtigen Leserahmens hilft nachgelagerten Tools, ein codierendes Fragment sinnvoll zu interpretieren.

Ergebnisse der Vergleichstests

Laut der bereitgestellten Forschungsmitteilung erreichte BBERT in Vergleichstests eine Genauigkeit von etwa 90 % bei der Unterscheidung zwischen bakterieller und nicht bakterieller DNA. Protein-codierende Fragmente erkannte das Modell mit einer Genauigkeit von etwa 88 %, ihre Leserahmen mit etwa 96 %. Dabei handelt es sich um separate Aufgaben und nicht um ein einziges Maß für das allgemeine Verständnis von Genomen.

Das Team wandte das Tool auf 1.969 öffentlich verfügbare Boden-DNA-Datensätze an. Dabei erkannte es bakterielle Sequenzen in einem erheblichen Teil der Reads, die ein etabliertes Vergleichstool nicht hatte klassifizieren können. Die Ergebnisse deuteten außerdem darauf hin, dass ungeklärtes genetisches Material auch nicht bakterielle Quellen umfasst und nicht ausschließlich aus unbekannten Bakterien besteht.

Das Filtern von Reads vor der Rekonstruktion von Genomen verringerte außerdem den Rechenaufwand. Bei simulierten Organismengemischen sank die durchschnittliche Assemblierungszeit von etwa 66 Stunden auf 25 Stunden pro Datensatz. Die rekonstruierten Sequenzen wiesen weniger Fehlpaarungen und Lücken auf, während rund 96 % der durchschnittlichen Abdeckung des Bakteriengenoms erhalten blieben, die ohne Filterung erreicht wurde.

Tests an Wurzelknöllchen wild wachsender Hülsenfrüchtler lieferten ein komplexeres biologisches Beispiel. Diese Strukturen enthalten sowohl pflanzliche als auch mikrobielle DNA. Durch die Filterung halbierte sich die Assemblierungszeit ungefähr, und der Spitzenwert des Speicherbedarfs sank von 188 GB auf 82 GB. Zudem war die Verunreinigung in mehreren rekonstruierten Bakteriengenomen geringer. Ein Teil der bakteriellen Informationen ging ebenfalls verloren.

Offene Software macht den Ansatz nutzbar

Das öffentliche BBERT-Repository des Teams stellt Software für Schlussfolgerungen und Anleitungen zum Herunterladen der Modelle bereit. Zu den dokumentierten Ausgaben gehören Wahrscheinlichkeiten für die Klassifizierung als Bakterium, für die Codierung und für sechs mögliche Leserahmen. Forschende können außerdem Sequenzeinbettungen für weitere Analysen exportieren.

Das Repository unterstützt gängige FASTA- und FASTQ-Eingabeformate und enthält Informationen zur GPU-Beschleunigung, zur Unterstützung von Apple Silicon sowie zum langsameren Betrieb ausschließlich mit einer CPU. Außerdem stellt es Hilfsprogramme bereit, mit denen sich vorhergesagte codierende Sequenzen in Aminosäuren übersetzen lassen. Dank dieser Funktionen kann das Modell als Bestandteil einer Analysepipeline eingesetzt werden, deren Ergebnisse Forschende filtern und überprüfen können.

Nützliches Filtern hat biologische Grenzen

BBERT kann einige Fragmente falsch klassifizieren. Chloroplasten-DNA kann aufgrund ihres evolutionären Ursprungs bakterieller DNA ähneln, und die Unterscheidung zwischen Bakterien und Archaeen bleibt schwierig. Eine Filterung kann daher die Effizienz steigern, zugleich aber auch echte bakterielle Reads aussortieren. Forschende müssen diesen Zielkonflikt im Hinblick auf die Ziele der jeweiligen Analyse abwägen.

Die ökologische Motivation geht über schnelleres Rechnen hinaus. Finkels universitäres Forschungsprofil beschreibt Arbeiten zu Pflanzenmikrobiomen, mikrobiellen Interaktionen sowie zur Metagenomik von Wüstenpflanzen und -böden. Zu verstehen, welche Organismen und Funktionen vorhanden sind, bildet die Grundlage für die Erforschung, wie sich diese Gemeinschaften zusammensetzen und Pflanzen beeinflussen.

BBERT bietet eine Möglichkeit, bereits vorhandene Sammlungen von Umweltsequenzierungen erneut zu untersuchen und neue Proben zu verarbeiten. Der Beitrag des Verfahrens besteht in einem schnelleren, musterbasierten ersten Durchlauf kurzer Reads, der Forschenden dabei hilft zu entscheiden, welche genetischen Fragmente eingehender untersucht werden sollten.