BBERT utilise l’IA pour reconnaître l’ADN bactérien présent dans des échantillons de sol

Des chercheurs de la Hebrew University of Jerusalem et d’établissements partenaires ont mis au point BBERT, un outil d’IA qui reconnaît l’ADN bactérien dans des fragments aussi courts que 100 bases. Ces travaux s’attaquent à un problème persistant en génomique environnementale : les scientifiques peuvent séquencer le matériel génétique d’un échantillon de sol, mais une grande partie reste difficile à interpréter, car les organismes concernés sont peu représentés dans les bases de données de référence.

L’étude, « Attribution rapide et précise du domaine taxonomique de courtes lectures métagénomiques à l’aide de BBERT », a été publiée dans Nucleic Acids Research. Elle a été dirigée par le Dr Amir Erez, de l’Institut de physique Racah de l’université, et le Dr Omri M. Finkel, de son Département des sciences végétales et environnementales. Dmitry Alekhin, Moshe Alon et Tomer Sidi y ont contribué à parts égales, aux côtés de collègues de l’University of Haifa et de l’Institut Volcani de l’Agricultural Research Organization.

Pourquoi l’ADN du sol est difficile à trier

La métagénomique shotgun consiste à séquencer l’ADN prélevé dans une communauté entière plutôt que dans un organisme isolé. Dans le sol, cela revient à mélanger des fragments génétiques de bactéries, de champignons, de plantes et d’autres formes de vie. Les chercheurs doivent ensuite déterminer d’où proviennent ces fragments et quelles informations biologiques ils contiennent.

Les outils fondés sur des références comparent les lectures à des séquences connues. Cette méthode est utile lorsqu’une séquence très similaire existe, mais les bases de données incomplètes laissent de nombreuses lectures sans classification. Cette « matière noire » microbienne peut masquer à la fois la composition d’une communauté et les fonctions qu’elle remplit.

BBERT s’attaque à une question de tri préalable : un fragment semble-t-il bactérien ? Il s’agit d’une classification plus générale que l’identification d’une espèce. Repérer des motifs caractéristiques des séquences bactériennes peut aider les chercheurs à déterminer quelles lectures inclure dans les analyses ultérieures, même lorsqu’il n’existe pas de séquence de référence très similaire.

Un modèle de langage entraîné à partir de motifs de l’ADN

L’article décrit un modèle fondé sur BERT qui apprend le contexte au sein des séquences nucléotidiques. Son tokenizer représente les bases individuelles de l’ADN, y compris un symbole pour les bases ambiguës. Lors du préentraînement, le modèle apprend à retrouver les bases masquées à partir des informations fournies par les séquences qui les entourent ; il s’agit d’une adaptation de l’approche de modélisation du langage masqué utilisée en IA linguistique.

Les chercheurs ont ensuite affiné le modèle pour qu’il distingue les séquences bactériennes des séquences non bactériennes. L’objectif est de lui faire apprendre les motifs caractéristiques des séquences bactériennes, afin qu’il puisse tirer des conclusions sans rechercher à chaque fois une séquence de référence correspondante lorsqu’une lecture est évaluée. L’inférence sans référence dépend toujours de ce que le modèle a appris pendant son entraînement ; cela ne signifie pas que le système a été développé sans données génomiques.

BBERT estime également si un fragment code une protéine et prédit son cadre de lecture. Les cadres de lecture déterminent comment les bases de l’ADN sont regroupées en unités de trois lettres servant à coder les acides aminés. Choisir le bon cadre aide les outils utilisés en aval à interpréter correctement un fragment codant.

Résultats des évaluations comparatives

Selon l’annonce de recherche fournie, BBERT a atteint une précision d’environ 90 % pour distinguer l’ADN bactérien de l’ADN non bactérien lors des tests d’évaluation comparative. Il a identifié les fragments codant des protéines avec une précision d’environ 88 % et leurs cadres de lecture avec une précision d’environ 96 %. Il s’agit de tâches distinctes, et non d’une mesure unique de la compréhension génomique globale.

L’équipe a appliqué l’outil à 1 969 jeux de données d’ADN du sol accessibles au public. Celui-ci a reconnu des séquences bactériennes parmi une part importante des lectures qu’un outil de comparaison établi n’avait pas classées. Les résultats suggèrent également que le matériel génétique inexpliqué provient notamment de sources non bactériennes et ne se compose donc pas uniquement de bactéries inconnues.

Le filtrage des lectures avant la reconstruction du génome a également réduit les calculs nécessaires. Dans des mélanges d’organismes simulés, le temps moyen d’assemblage est passé d’environ 66 heures à 25 heures par jeu de données. Les séquences reconstruites comportaient moins de mésappariements et de lacunes, tout en conservant environ 96 % de la couverture moyenne du génome bactérien obtenue sans filtrage.

Des tests portant sur des nodules racinaires de légumineuses sauvages ont fourni un exemple biologique plus complexe. Ces structures contiennent à la fois de l’ADN végétal et microbien. Le filtrage a réduit le temps d’assemblage d’environ moitié et fait baisser l’utilisation maximale de mémoire, de 188 Go à 82 Go, tout en réduisant la contamination dans plusieurs génomes bactériens reconstruits. Une partie de l’information bactérienne a également été perdue.

Un logiciel ouvert rend cette approche exploitable

Le dépôt public de BBERT de l’équipe fournit un logiciel d’inférence et des instructions pour télécharger le modèle. Les résultats documentés comprennent les probabilités de classification bactérienne, les probabilités de codage et les probabilités correspondant à six cadres de lecture possibles. Les chercheurs peuvent également exporter des représentations vectorielles des séquences pour les analyser davantage.

Le dépôt prend en charge les fichiers d’entrée standard FASTA et FASTQ et documente l’accélération par GPU, la prise en charge des puces Apple Silicon ainsi que le fonctionnement plus lent sur CPU uniquement. Il fournit également des utilitaires permettant de traduire les séquences codantes prédites en acides aminés. Ces fonctionnalités font du modèle un composant d’un pipeline d’analyse, dont les résultats peuvent être filtrés et examinés par les chercheurs.

Le filtrage est utile, mais comporte des limites biologiques

BBERT peut classer certains fragments de manière erronée. L’ADN des chloroplastes peut ressembler à l’ADN bactérien en raison de ses origines évolutives, et il reste difficile de distinguer les bactéries des archées. Le filtrage peut donc améliorer l’efficacité tout en écartant de véritables lectures bactériennes. Les chercheurs doivent mettre en balance ce compromis et les objectifs de leur analyse.

La motivation écologique ne se limite pas à l’accélération des calculs. Le profil de recherche de Finkel à l’université présente ses travaux sur les microbiomes végétaux, les interactions microbiennes, ainsi que la métagénomique des plantes et des sols désertiques. Comprendre quels organismes et quelles fonctions sont présents constitue un fondement pour étudier la façon dont ces communautés se structurent et influencent les plantes.

BBERT permet de réexaminer des collections existantes de séquençage environnemental et de traiter de nouveaux échantillons. Sa contribution consiste à effectuer plus rapidement un premier tri des lectures courtes en fonction de motifs, afin d’aider les chercheurs à déterminer quels fragments génétiques méritent un examen plus approfondi.