Το BBERT χρησιμοποιεί τεχνητή νοημοσύνη για να αναγνωρίζει βακτηριακό DNA κρυμμένο σε δείγματα εδάφους

Ερευνητές από το Hebrew University of Jerusalem και συνεργαζόμενα ιδρύματα ανέπτυξαν το BBERT, ένα εργαλείο τεχνητής νοημοσύνης που αναγνωρίζει βακτηριακό DNA σε θραύσματα μήκους μόλις 100 βάσεων. Η έρευνα αντιμετωπίζει ένα επίμονο πρόβλημα της περιβαλλοντικής γονιδιωματικής: οι επιστήμονες μπορούν να προσδιορίσουν την αλληλουχία του γενετικού υλικού ενός δείγματος εδάφους, ωστόσο μεγάλο μέρος του παραμένει δύσκολο να ερμηνευτεί, επειδή οι οργανισμοί δεν εκπροσωπούνται επαρκώς στις βάσεις δεδομένων αναφοράς.

Η μελέτη, «Ταχεία και ακριβής ταξινομική ταξινόμηση περιοχών σύντομων μεταγονιδιωματικών αναγνώσεων με χρήση του BBERT», δημοσιεύτηκε στο Nucleic Acids Research. Επικεφαλής της ήταν ο δρ Amir Erez, από το Racah Institute of Physics του πανεπιστημίου, και ο δρ Omri M. Finkel, από το Department of Plant and Environmental Sciences του. Οι Dmitry Alekhin, Moshe Alon και Tomer Sidi είχαν ισότιμη συμβολή, μαζί με συναδέλφους από το University of Haifa και το Volcani Institute του Agricultural Research Organization.

Γιατί είναι δύσκολη η ταξινόμηση του DNA του εδάφους

Η μεταγονιδιωματική αλληλούχηση τύπου shotgun προσδιορίζει την αλληλουχία DNA που συλλέγεται από μια ολόκληρη κοινότητα, αντί από έναν μεμονωμένο, απομονωμένο οργανισμό. Στο έδαφος, αυτό σημαίνει ότι αναμειγνύονται γενετικά θραύσματα από βακτήρια, μύκητες, φυτά και άλλες μορφές ζωής. Στη συνέχεια, οι ερευνητές πρέπει να προσδιορίσουν από πού προήλθαν αυτά τα θραύσματα και ποιες βιολογικές πληροφορίες περιέχουν.

Τα εργαλεία που βασίζονται σε βάσεις αναφοράς συγκρίνουν τις αναγνώσεις με γνωστές αλληλουχίες. Αυτό είναι χρήσιμο όταν υπάρχει πολύ κοντινή αντιστοιχία, όμως οι ελλιπείς βάσεις δεδομένων αφήνουν πολλές αναγνώσεις χωρίς ταξινόμηση. Η λεγόμενη μικροβιακή «σκοτεινή ύλη» που προκύπτει μπορεί να αποκρύψει τόσο τη σύνθεση μιας κοινότητας όσο και τις λειτουργίες που επιτελεί.

Το BBERT εξετάζει ένα προγενέστερο ερώτημα ταξινόμησης: μοιάζει ένα θραύσμα να είναι βακτηριακό; Πρόκειται για ευρύτερη ταξινόμηση από την ονομασία ενός είδους. Η αναγνώριση χαρακτηριστικών μοτίβων βακτηριακών αλληλουχιών μπορεί να βοηθήσει τους ερευνητές να αποφασίσουν ποιες αναγνώσεις θα χρησιμοποιήσουν στις επόμενες αναλύσεις, ακόμη κι όταν δεν υπάρχει κοντινή αντιστοιχία σε κάποια αλληλουχία αναφοράς.

Ένα γλωσσικό μοντέλο εκπαιδευμένο σε μοτίβα DNA

Η μελέτη περιγράφει ένα μοντέλο βασισμένο στο BERT, το οποίο μαθαίνει το πλαίσιο μέσα στις αλληλουχίες νουκλεοτιδίων. Ο αναλυτής του αναπαριστά τις επιμέρους βάσεις DNA, συμπεριλαμβανομένου ενός συμβόλου για αμφίσημη βάση. Κατά την προεκπαίδευση, το μοντέλο μαθαίνει να ανακτά βάσεις που έχουν αποκρυφτεί, αξιοποιώντας τις πληροφορίες της αλληλουχίας που τις περιβάλλει. Πρόκειται για προσαρμογή της προσέγγισης μοντελοποίησης γλώσσας με απόκρυψη, η οποία χρησιμοποιείται στην τεχνητή νοημοσύνη για την επεξεργασία γλώσσας.

Στη συνέχεια, οι ερευνητές προσαρμόσαν περαιτέρω το μοντέλο ώστε να ταξινομεί τις αλληλουχίες ως βακτηριακές ή μη βακτηριακές. Στόχος είναι να μάθει μοτίβα που χαρακτηρίζουν τις βακτηριακές αλληλουχίες, ώστε να μπορεί να εξάγει συμπεράσματα χωρίς να αναζητά κάθε φορά μια αντίστοιχη αλληλουχία αναφοράς, όταν αξιολογείται μια ανάγνωση. Η εξαγωγή συμπερασμάτων χωρίς αλληλουχίες αναφοράς εξακολουθεί να εξαρτάται από όσα έμαθε το μοντέλο κατά την εκπαίδευσή του· δεν σημαίνει ότι το σύστημα αναπτύχθηκε χωρίς γονιδιωματικά δεδομένα.

Το BBERT εκτιμά επίσης αν ένα θραύσμα κωδικοποιεί πρωτεΐνη και προβλέπει το πλαίσιο ανάγνωσής του. Τα πλαίσια ανάγνωσης καθορίζουν πώς ομαδοποιούνται οι βάσεις DNA σε μονάδες τριών γραμμάτων, οι οποίες χρησιμοποιούνται για την κωδικοποίηση αμινοξέων. Η επιλογή του σωστού πλαισίου βοηθά τα εργαλεία που χρησιμοποιούνται στα επόμενα στάδια να ερμηνεύσουν σωστά ένα κωδικοποιητικό θραύσμα.

Τι έδειξαν οι συγκριτικές αξιολογήσεις

Σύμφωνα με την ανακοίνωση της έρευνας που δόθηκε στη δημοσιότητα, το BBERT πέτυχε ακρίβεια περίπου 90% στη διάκριση βακτηριακού από μη βακτηριακό DNA στις δοκιμές συγκριτικής αξιολόγησης. Εντόπισε κωδικοποιητικά θραύσματα πρωτεϊνών με ακρίβεια περίπου 88% και τα πλαίσια ανάγνωσής τους με ακρίβεια περίπου 96%. Πρόκειται για ξεχωριστές εργασίες και όχι για έναν ενιαίο δείκτη συνολικής κατανόησης του γονιδιώματος.

Η ομάδα εφάρμοσε το εργαλείο σε 1.969 δημόσια διαθέσιμα σύνολα δεδομένων DNA από εδάφη. Το εργαλείο αναγνώρισε βακτηριακές αλληλουχίες σε σημαντικό ποσοστό των αναγνώσεων που ένα καθιερωμένο εργαλείο σύγκρισης είχε αφήσει χωρίς ταξινόμηση. Τα ευρήματα έδειξαν επίσης ότι το ανεξήγητο γενετικό υλικό περιλαμβάνει μη βακτηριακές πηγές και δεν αποτελείται αποκλειστικά από άγνωστα βακτήρια.

Το φιλτράρισμα των αναγνώσεων πριν από την ανακατασκευή του γονιδιώματος μείωσε επίσης τον απαιτούμενο υπολογιστικό φόρτο. Σε προσομοιωμένα μείγματα οργανισμών, ο μέσος χρόνος συναρμολόγησης μειώθηκε από περίπου 66 ώρες σε 25 ώρες ανά σύνολο δεδομένων. Οι ανακατασκευασμένες αλληλουχίες είχαν λιγότερες αναντιστοιχίες και λιγότερα κενά, ενώ διατηρήθηκε περίπου το 96% της μέσης κάλυψης βακτηριακού γονιδιώματος που επιτυγχανόταν χωρίς φιλτράρισμα.

Οι δοκιμές σε ριζικά φυμάτια άγριων ψυχανθών προσέφεραν ένα πιο σύνθετο βιολογικό παράδειγμα. Οι δομές αυτές περιέχουν μαζί φυτικό και μικροβιακό DNA. Το φιλτράρισμα μείωσε περίπου στο μισό τον χρόνο συναρμολόγησης και περιόρισε τη μέγιστη χρήση μνήμης από 188 GB σε 82 GB, ενώ μειώθηκε η επιμόλυνση σε αρκετά ανακατασκευασμένα βακτηριακά γονιδιώματα. Ωστόσο, χάθηκε και μέρος της βακτηριακής πληροφορίας.

Το λογισμικό ανοικτού κώδικα καθιστά τη μέθοδο αξιοποιήσιμη

Το δημόσια διαθέσιμο αποθετήριο του BBERT της ομάδας παρέχει λογισμικό για την εξαγωγή συμπερασμάτων και οδηγίες για τη λήψη του μοντέλου. Στα αποτελέσματα που τεκμηριώνονται περιλαμβάνονται πιθανότητες βακτηριακής ταξινόμησης, πιθανότητες κωδικοποίησης και πιθανότητες για έξι πιθανά πλαίσια ανάγνωσης. Οι ερευνητές μπορούν επίσης να εξαγάγουν ενσωματώσεις αλληλουχιών για περαιτέρω ανάλυση.

Το αποθετήριο υποστηρίζει τις συνήθεις μορφές εισόδου FASTA και FASTQ και παρέχει οδηγίες για επιτάχυνση μέσω GPU, υποστήριξη Apple Silicon και βραδύτερη λειτουργία αποκλειστικά με CPU. Προσφέρει επίσης βοηθητικά εργαλεία για τη μετάφραση προβλεπόμενων κωδικοποιητικών αλληλουχιών σε αμινοξέα. Αυτές οι δυνατότητες καθιστούν το μοντέλο στοιχείο μιας ροής εργασιών ανάλυσης, με αποτελέσματα που οι ερευνητές μπορούν να φιλτράρουν και να εξετάζουν.

Το χρήσιμο φιλτράρισμα έχει και βιολογικά όρια

Το BBERT μπορεί να ταξινομήσει εσφαλμένα ορισμένα τμήματα. Το DNA των χλωροπλαστών μπορεί να μοιάζει με βακτηριακό DNA λόγω της εξελικτικής του προέλευσης, ενώ εξακολουθεί να είναι δύσκολο να διακριθούν τα βακτήρια από τα αρχαία. Επομένως, το φιλτράρισμα μπορεί να βελτιώσει την αποδοτικότητα, αλλά και να απορρίψει γνήσιες βακτηριακές αναγνώσεις αλληλούχισης. Οι ερευνητές χρειάζεται να σταθμίσουν αυτόν τον συμβιβασμό σε σχέση με τους στόχους της συγκεκριμένης ανάλυσης.

Το οικολογικό κίνητρο δεν περιορίζεται στην ταχύτερη υπολογιστική επεξεργασία. Το πανεπιστημιακό ερευνητικό προφίλ του Finkel περιγράφει έρευνα για τα μικροβιώματα των φυτών, τις μικροβιακές αλληλεπιδράσεις και τη μεταγονιδιωματική φυτών της ερήμου και εδαφών. Η κατανόηση των οργανισμών και των λειτουργιών που υπάρχουν αποτελεί θεμέλιο για τη μελέτη του τρόπου με τον οποίο συγκροτούνται αυτές οι κοινότητες και επηρεάζουν τα φυτά.

Το BBERT προσφέρει έναν τρόπο να επανεξεταστούν υπάρχουσες συλλογές περιβαλλοντικών δεδομένων αλληλούχισης, καθώς και να αναλυθούν νέα δείγματα. Η συμβολή του είναι μια ταχύτερη, βασισμένη σε μοτίβα πρώτη εξέταση σύντομων αναγνώσεων αλληλούχισης, η οποία βοηθά τους ερευνητές να αποφασίσουν ποια γενετικά τμήματα αξίζει να διερευνηθούν σε μεγαλύτερο βάθος.