BBERT utiliza IA para reconocer ADN bacteriano oculto en muestras de suelo

Investigadores de la Hebrew University of Jerusalem y de instituciones colaboradoras han desarrollado BBERT, una herramienta de IA que reconoce ADN bacteriano en fragmentos de tan solo 100 bases. Este trabajo aborda un problema persistente de la genómica ambiental: los científicos pueden secuenciar el material genético de una muestra de suelo, pero gran parte sigue siendo difícil de interpretar porque los organismos están poco representados en las bases de datos de referencia.

El estudio, «Asignación rápida y precisa del dominio taxonómico de lecturas metagenómicas cortas mediante BBERT», se publicó en Nucleic Acids Research. Lo dirigieron el Dr. Amir Erez, del Instituto Racah de Física de la universidad, y el Dr. Omri M. Finkel, del Departamento de Ciencias Vegetales y Ambientales. Dmitry Alekhin, Moshe Alon y Tomer Sidi contribuyeron por igual, junto con colegas de la University of Haifa y del Instituto Volcani de la Agricultural Research Organization.

Por qué es difícil clasificar el ADN del suelo

La metagenómica shotgun secuencia ADN recogido de toda una comunidad, en lugar de hacerlo de un único organismo aislado. En el suelo, esto supone mezclar fragmentos genéticos de bacterias, hongos, plantas y otras formas de vida. Después, los investigadores deben determinar de dónde proceden esos fragmentos y qué información biológica contienen.

Las herramientas basadas en referencias comparan las lecturas con secuencias conocidas. Esto resulta útil cuando existe una coincidencia cercana, pero las bases de datos incompletas dejan muchas lecturas sin clasificar. Esta «materia oscura» microbiana puede ocultar tanto la composición de una comunidad como las funciones que desempeña.

BBERT aborda una cuestión de clasificación previa: ¿parece bacteriano un fragmento? Se trata de una clasificación más amplia que la identificación de una especie. Reconocer patrones de secuencia bacterianos puede ayudar a los investigadores a decidir qué lecturas incluir en los análisis posteriores, incluso cuando no se dispone de una secuencia de referencia similar.

Un modelo de lenguaje entrenado con patrones de ADN

El artículo describe un modelo basado en BERT que aprende el contexto dentro de las secuencias de nucleótidos. Su tokenizador representa las bases individuales del ADN, incluido un símbolo para las bases ambiguas. Durante el preentrenamiento, el modelo aprende a recuperar bases enmascaradas a partir de la información de las secuencias circundantes, una adaptación del enfoque de modelado de lenguaje enmascarado utilizado en la IA lingüística.

A continuación, los investigadores ajustaron el modelo para clasificar secuencias como bacterianas o no bacterianas. El objetivo es aprender patrones característicos de las secuencias bacterianas y así poder inferir su clasificación sin buscar una secuencia de referencia coincidente cada vez que se evalúa una lectura. La inferencia sin referencias sigue dependiendo de lo aprendido por el modelo durante el entrenamiento; no significa que el sistema se haya desarrollado sin datos genómicos.

BBERT también estima si un fragmento codifica proteínas y predice su marco de lectura. Los marcos de lectura determinan cómo se agrupan las bases del ADN en unidades de tres letras que codifican aminoácidos. Elegir el marco correcto ayuda a las herramientas posteriores a interpretar de forma significativa un fragmento codificante.

Qué revelaron las pruebas de referencia

Según el anuncio de investigación proporcionado, BBERT alcanzó una precisión de aproximadamente el 90 % al distinguir entre ADN bacteriano y no bacteriano en pruebas de referencia. Identificó fragmentos codificantes de proteínas con una precisión de aproximadamente el 88 % y sus marcos de lectura con una precisión de aproximadamente el 96 %. Se trata de tareas distintas, no de una única medida de comprensión genómica general.

El equipo aplicó la herramienta a 1.969 conjuntos de datos de ADN del suelo disponibles públicamente. Reconoció secuencias bacterianas en una proporción considerable de las lecturas que una herramienta de comparación consolidada había dejado sin clasificar. Los resultados también indicaron que el material genético sin explicación incluye fuentes no bacterianas, en lugar de estar compuesto exclusivamente por bacterias desconocidas.

Filtrar las lecturas antes de reconstruir los genomas también redujo el trabajo computacional. En mezclas simuladas de organismos, el tiempo medio de ensamblaje por conjunto de datos bajó de unas 66 horas a 25 horas. Las secuencias reconstruidas presentaron menos discrepancias y brechas, y conservaron aproximadamente el 96 % de la cobertura media del genoma bacteriano obtenida sin filtrar.

Las pruebas realizadas en nódulos de raíces de leguminosas silvestres ofrecieron un ejemplo biológico más complejo. Estas estructuras contienen ADN vegetal y microbiano. El filtrado redujo aproximadamente a la mitad el tiempo de ensamblaje y disminuyó el uso máximo de memoria de 188 GB a 82 GB; además, redujo la contaminación en varios genomas bacterianos reconstruidos. También se perdió parte de la información bacteriana.

El software de código abierto permite utilizar este enfoque

El repositorio público de BBERT del equipo ofrece software de inferencia e instrucciones para descargar el modelo. Entre los resultados documentados figuran las probabilidades de clasificación bacteriana, las probabilidades de codificación y las probabilidades de los seis posibles marcos de lectura. Los investigadores también pueden exportar representaciones vectoriales de las secuencias para realizar análisis adicionales.

El repositorio admite archivos de entrada estándar en formato FASTA y FASTQ y documenta la aceleración mediante GPU, la compatibilidad con Apple Silicon y el funcionamiento más lento solo con CPU. También ofrece utilidades para traducir las secuencias codificantes predichas a aminoácidos. Estas funciones permiten integrar el modelo en una cadena de análisis cuyos resultados los investigadores pueden filtrar y examinar.

El filtrado útil tiene límites biológicos

BBERT puede clasificar incorrectamente algunos fragmentos. El ADN de los cloroplastos puede parecerse al ADN bacteriano debido a sus orígenes evolutivos, y sigue siendo difícil distinguir las bacterias de las arqueas. Por lo tanto, el filtrado puede mejorar la eficiencia y, al mismo tiempo, descartar lecturas bacterianas auténticas. Los investigadores deben sopesar esa compensación teniendo en cuenta los objetivos de cada análisis.

La motivación ecológica va más allá de acelerar los cálculos. El perfil de investigación de Finkel en la universidad describe trabajos sobre microbiomas vegetales, interacciones microbianas y metagenómica de plantas y suelos desérticos. Entender qué organismos y funciones están presentes es fundamental para estudiar cómo se forman esas comunidades y cómo influyen en las plantas.

BBERT ofrece una forma de volver a analizar colecciones existentes de secuencias ambientales y de procesar muestras nuevas. Su aportación consiste en una primera pasada más rápida y basada en patrones sobre lecturas cortas, que ayuda a los investigadores a decidir qué fragmentos genéticos merecen una investigación más profunda.