BBERT käyttää tekoälyä maaperänäytteisiin kätkeytyvän bakteeri-DNA:n tunnistamiseen

Hebrew University of Jerusalemin ja sen yhteistyöorganisaatioiden tutkijat ovat kehittäneet BBERTin, tekoälytyökalun, joka tunnistaa bakteerien DNA:ta jopa 100 emäksen pituisista katkelmista. Työ vastaa ympäristögenomiikan pitkäaikaiseen ongelmaan: tutkijat pystyvät sekvensoimaan maaperänäytteen geneettisen materiaalin, mutta suuren osan siitä tulkitseminen on vaikeaa, koska eliöt ovat puutteellisesti edustettuina vertailutietokannoissa.

Tutkimus ”Nopea ja tarkka taksonomisen domeenin määritys lyhyistä metagenomisista lukemista BBERTin avulla” julkaistiin Nucleic Acids Research -lehdessä. Sitä johtivat tohtori Amir Erez yliopiston Racah Institute of Physicsistä ja tohtori Omri M. Finkel sen kasvi- ja ympäristötieteiden laitokselta. Dmitry Alekhin, Moshe Alon ja Tomer Sidi osallistuivat työhön yhtä suurella panoksella yhdessä Haifan yliopiston ja Agricultural Research Organizationin Volcani-instituutin kollegoiden kanssa.

Miksi maaperän DNA:n lajittelu on vaikeaa

Haulikkometagenomiikassa sekvensoidaan DNA:ta, joka on kerätty kokonaisesta eliöyhteisöstä yhden eristetyn eliön sijaan. Maaperässä tämä tarkoittaa bakteerien, sienten, kasvien ja muiden eliöiden geneettisten katkelmien sekoittumista. Tutkijoiden on sitten selvitettävä, mistä katkelmat ovat peräisin ja millaista biologista tietoa ne sisältävät.

Vertailuun perustuvat työkalut vertaavat sekvensointilukemia tunnettuihin sekvensseihin. Tämä on hyödyllistä, kun läheinen osuma löytyy, mutta puutteellisten tietokantojen vuoksi monet lukemat jäävät luokittelematta. Tästä syntyvä mikrobien ”pimeä aine” voi hämärtää sekä yhteisön koostumusta että sen toimintoja.

BBERT tarttuu lajittelussa aiempaan kysymykseen: näyttääkö katkelma bakteeriperäiseltä? Kyse on laajemmasta luokittelusta kuin lajin nimeämisestä. Bakteerien sekvenssikuvioiden tunnistaminen voi auttaa tutkijoita päättämään, mitkä lukemat otetaan mukaan myöhempiin analyyseihin, vaikka läheistä vertailusekvenssiä ei olisi saatavilla.

DNA:n sekvenssikuvioilla koulutettu kielimalli

Tutkimuksessa kuvataan BERT-pohjaista mallia, joka oppii nukleotidisekvenssien kontekstia. Sen tokenisaattori esittää yksittäiset DNA-emäkset, myös epäselvää emästä kuvaavan symbolin. Esikoulutuksen aikana malli oppii päättelemään peitetyt emäkset niitä ympäröivän sekvenssitiedon perusteella. Menetelmä on sovellus kielitekoälyssä käytetystä peitetyn kielimallinnuksen lähestymistavasta.

Tutkijat hienosäätivät mallia sen jälkeen bakteeri- ja ei-bakteeriperäisen aineksen luokitteluun. Tavoitteena on oppia bakteerien sekvensseille ominaisia kuvioita, jolloin päätelmiä voidaan tehdä ilman, että jokaiselle arvioitavalle lukemalle etsitään vastaavaa vertailusekvenssiä. Vertailusekvenssistä riippumaton päättely perustuu silti siihen, mitä malli oppi koulutuksen aikana; se ei tarkoita, että järjestelmä olisi kehitetty ilman genomitietoa.

BBERT arvioi myös, koodaako katkelma proteiinia, ja ennustaa sen lukukehyksen. Lukukehys määrittää, miten DNA-emäkset ryhmitellään aminohappoja koodaaviksi kolmen emäksen jaksoiksi. Oikean lukukehyksen valinta auttaa jatkokäsittelyssä käytettäviä työkaluja tulkitsemaan koodaavan katkelman mielekkäästi.

Mitä vertailutestit osoittivat

Tutkimuksesta julkaistun tiedotteen mukaan BBERT erotti vertailutesteissä bakteerien DNA:n ei-bakteeriperäisestä DNA:sta noin 90 prosentin tarkkuudella. Se tunnisti proteiinia koodaavat katkelmat noin 88 prosentin tarkkuudella ja niiden lukukehykset noin 96 prosentin tarkkuudella. Nämä ovat erillisiä tehtäviä, eivät yksi yleistä genomista ymmärrystä kuvaava mittari.

Tutkimusryhmä sovelsi työkalua 1 969 julkisesti saatavilla olevaan maaperän DNA-aineistoon. Se tunnisti bakteerien sekvenssejä huomattavassa osassa niistä lukemista, jotka vakiintunut vertailutyökalu oli jättänyt luokittelematta. Tulokset viittasivat myös siihen, että selittämätön geneettinen materiaali on peräisin muualtakin kuin tuntemattomista bakteereista.

Lukemien suodattaminen ennen genomin rekonstruointia vähensi myös laskentatyötä. Simuloiduissa eliöseoksissa keskimääräinen kokoamisaika lyheni noin 66 tunnista 25 tuntiin aineistoa kohden. Rekonstruoiduissa sekvensseissä oli vähemmän virheellisiä osumia ja aukkoja, ja samalla bakteerigenomien keskimääräisestä peitosta säilyi noin 96 prosenttia siitä, mikä saavutettiin ilman suodatusta.

Luonnonvaraisten palkokasvien juurinystyröillä tehdyt testit tarjosivat biologisesti monimutkaisemman esimerkin. Näissä rakenteissa kasvien ja mikrobien DNA:ta esiintyy yhdessä. Suodatus lyhensi kokoamisajan noin puoleen ja pienensi muistin huippukulutuksen 188 gigatavusta 82 gigatavuun. Lisäksi useissa rekonstruoiduissa bakteerigenomeissa oli vähemmän kontaminaatiota. Osa bakteereihin liittyvästä tiedosta kuitenkin katosi.

Avoin ohjelmisto tekee menetelmästä käyttökelpoisen

Tutkimusryhmän julkisesta BBERT-tietovarastosta saa päättelyohjelmiston ja ohjeet mallin lataamiseen. Dokumentoituihin tulosteisiin kuuluvat bakteeriluokituksen todennäköisyydet, koodaustodennäköisyydet ja kuuden mahdollisen lukukehyksen todennäköisyydet. Tutkijat voivat myös viedä sekvenssiupotuksia lisäanalyysejä varten.

Tietovarasto tukee tavallisia FASTA- ja FASTQ-syötetiedostoja, ja sen dokumentaatiossa käsitellään GPU-laskennan kiihdytystä, Apple Silicon -tukea sekä hitaampaa toimintaa pelkällä suorittimella. Se sisältää myös työkaluja ennustettujen koodaavien sekvenssien muuntamiseen aminohapoiksi. Näiden ominaisuuksien ansiosta mallia voidaan käyttää analyysiputken osana, ja tutkijat voivat suodattaa ja tarkastella sen tulosteita.

Suodatuksesta on hyötyä, mutta biologiset rajoitteet on huomioitava

BBERT voi luokitella joitakin sekvenssifragmentteja virheellisesti. Kloroplastien DNA voi muistuttaa bakteerien DNA:ta evolutiivisen alkuperänsä vuoksi, ja bakteerien erottaminen arkeoneista on edelleen haastavaa. Suodatus voi siis tehostaa analyysia, mutta samalla se voi karsia aitoja bakteeriperäisiä sekvenssilukemia. Tutkijoiden on punnittava tätä kompromissia suhteessa kunkin analyysin tavoitteisiin.

Ekologinen motivaatio ulottuu tietojenkäsittelyn nopeuttamista laajemmalle. Finkelin yliopiston tutkimusprofiilissa kuvataan kasvien mikrobiomeihin, mikrobien vuorovaikutuksiin sekä aavikkokasvien ja -maaperän metagenomiikkaan liittyvää tutkimusta. Tieto siitä, mitä eliöitä ja toimintoja yhteisöissä esiintyy, luo perustan sen tutkimiselle, miten yhteisöt muodostuvat ja vaikuttavat kasveihin.

BBERT tarjoaa keinon analysoida uudelleen olemassa olevia ympäristönäytteiden sekvensointikokoelmia sekä käsitellä uusia näytteitä. Sen avulla lyhyet sekvenssilukemat voidaan käydä nopeasti läpi alustavasti hahmontunnistuksen perusteella, mikä auttaa tutkijoita päättämään, mitkä geneettiset fragmentit kannattaa tutkia tarkemmin.