BBERT मिट्टी के नमूनों में छिपे बैक्टीरियल DNA की पहचान के लिए एआई का उपयोग करता है

यरूशलेम के हिब्रू विश्वविद्यालय और उसके साझेदार संस्थानों के शोधकर्ताओं ने BBERT विकसित किया है—यह एक एआई टूल है, जो केवल 100 बेस जितने छोटे अंशों में भी बैक्टीरियल DNA की पहचान करता है। यह काम पर्यावरणीय जीनोमिक्स की एक लंबे समय से चली आ रही समस्या का समाधान करता है: वैज्ञानिक मिट्टी के नमूने में मौजूद आनुवंशिक पदार्थ का अनुक्रमण तो कर सकते हैं, लेकिन उसकी व्याख्या करना मुश्किल बना रहता है, क्योंकि संदर्भ डेटाबेस में इन जीवों का प्रतिनिधित्व बहुत कम है।

अध्ययन, “BBERT का उपयोग करके छोटे मेटाजीनोमिक रीड्स के वर्गीकरण-डोमेन का तेज़ और सटीक निर्धारण”, Nucleic Acids Research में प्रकाशित हुआ। इसका नेतृत्व विश्वविद्यालय के Racah Institute of Physics के डॉ. Amir Erez और उसके Department of Plant and Environmental Sciences के डॉ. Omri M. Finkel ने किया। Dmitry Alekhin, Moshe Alon और Tomer Sidi ने University of Haifa और Agricultural Research Organization के Volcani Institute के सहकर्मियों के साथ समान योगदान दिया।

मिट्टी के DNA का वर्गीकरण करना मुश्किल क्यों है

शॉटगन मेटाजीनोमिक्स में किसी एक अलग किए गए जीव के बजाय पूरे समुदाय से एकत्र किए गए DNA का अनुक्रमण किया जाता है। मिट्टी के मामले में इसका अर्थ है बैक्टीरिया, कवक, पौधों और अन्य जीवन-रूपों के आनुवंशिक अंशों का एक साथ मिलना। इसके बाद शोधकर्ताओं को यह पता लगाना होता है कि ये अंश कहाँ से आए और उनमें कौन-सी जैविक जानकारी मौजूद है।

संदर्भ-आधारित टूल रीड्स की तुलना ज्ञात अनुक्रमों से करते हैं। जब उनसे मिलता-जुलता अनुक्रम मौजूद हो, तो यह तरीका उपयोगी होता है; लेकिन अधूरे डेटाबेस के कारण बहुत-से रीड्स का वर्गीकरण नहीं हो पाता। इसके परिणामस्वरूप मौजूद सूक्ष्मजीवों का “अंधकारमय पदार्थ” समुदाय की संरचना और उसके कार्यों—दोनों को समझना मुश्किल बना सकता है।

BBERT वर्गीकरण से जुड़े एक शुरुआती सवाल का जवाब देता है: क्या कोई अंश बैक्टीरियल लगता है? यह किसी प्रजाति का नाम बताने से अधिक व्यापक वर्गीकरण है। बैक्टीरियल अनुक्रमों के पैटर्न पहचानने से शोधकर्ताओं को यह तय करने में मदद मिल सकती है कि आगे के विश्लेषण में किन रीड्स का उपयोग किया जाए—भले ही उनसे मिलता-जुलता संदर्भ अनुक्रम उपलब्ध न हो।

DNA के पैटर्न पर प्रशिक्षित भाषा मॉडल

शोधपत्र में BERT-आधारित ऐसे मॉडल का वर्णन है, जो न्यूक्लियोटाइड अनुक्रमों के भीतर संदर्भ को समझना सीखता है। इसका टोकनाइज़र DNA के अलग-अलग बेसों को दर्शाता है और इसमें अस्पष्ट बेस का एक प्रतीक भी शामिल है। पूर्व-प्रशिक्षण के दौरान, मॉडल आसपास के अनुक्रम की जानकारी से छिपाए गए बेसों का पता लगाना सीखता है। यह भाषा-संबंधी एआई में इस्तेमाल होने वाली मास्क्ड लैंग्वेज मॉडलिंग पद्धति का एक रूपांतर है।

इसके बाद शोधकर्ताओं ने बैक्टीरियल और गैर-बैक्टीरियल वर्गीकरण के लिए मॉडल को फ़ाइन-ट्यून किया। इसका उद्देश्य बैक्टीरियल अनुक्रमों की खासियत वाले पैटर्न सीखना है, ताकि हर रीड का आकलन करते समय उससे मेल खाने वाले संदर्भ अनुक्रम को खोजे बिना निष्कर्ष निकाला जा सके। संदर्भ-मुक्त निष्कर्ष अब भी इस बात पर निर्भर करते हैं कि मॉडल ने प्रशिक्षण के दौरान क्या सीखा; इसका यह अर्थ नहीं है कि सिस्टम जीनोमिक डेटा के बिना विकसित किया गया था।

BBERT यह भी अनुमान लगाता है कि किसी अंश में प्रोटीन कोड करने वाला अनुक्रम है या नहीं और उसका रीडिंग फ़्रेम बताता है। रीडिंग फ़्रेम तय करते हैं कि अमीनो अम्लों को कूटबद्ध करने वाली तीन-अक्षरी इकाइयों में DNA बेसों को कैसे बाँटा जाए। सही फ़्रेम चुनने से आगे के टूल को कोडिंग अंश की सार्थक व्याख्या करने में मदद मिलती है।

बेंचमार्क परीक्षणों में क्या सामने आया

उपलब्ध कराई गई शोध घोषणा के अनुसार, बेंचमार्क परीक्षणों में बैक्टीरियल और गैर-बैक्टीरियल DNA के बीच अंतर करने में BBERT की सटीकता लगभग 90% रही। इसने प्रोटीन-कोडिंग अंशों की पहचान लगभग 88% सटीकता से की और उनके रीडिंग फ़्रेम लगभग 96% सटीकता से बताए। ये अलग-अलग कार्यों के नतीजे हैं, जीनोम की समग्र समझ का एकमात्र माप नहीं।

टीम ने सार्वजनिक रूप से उपलब्ध मिट्टी के DNA के 1,969 डेटासेट पर इस टूल का इस्तेमाल किया। इसने उन रीड्स के एक बड़े हिस्से में बैक्टीरियल अनुक्रमों की पहचान की, जिन्हें तुलना के एक स्थापित टूल ने अवर्गीकृत छोड़ दिया था। नतीजों से यह भी संकेत मिला कि जिन आनुवंशिक पदार्थों की व्याख्या नहीं हो पाई, उनमें गैर-बैक्टीरियल स्रोत भी शामिल हैं; वे केवल अपरिचित बैक्टीरिया से नहीं बने हैं।

जीनोम का पुनर्निर्माण करने से पहले रीड्स को फ़िल्टर करने से कंप्यूटेशनल काम भी घटा। जीवों के सिम्युलेटेड मिश्रणों में, हर डेटासेट के औसत असेंबली समय में लगभग 66 घंटे से घटकर 25 घंटे तक की कमी आई। पुनर्निर्मित अनुक्रमों में असंगतियाँ और रिक्तियाँ कम थीं, जबकि बिना फ़िल्टरिंग के हासिल हुए औसत बैक्टीरियल-जीनोम कवरेज का लगभग 96% बना रहा।

जंगली दलहनी पौधों की जड़-ग्रंथियों पर किए गए परीक्षणों में एक अधिक जटिल जैविक उदाहरण सामने आया। इन संरचनाओं में पौधों और सूक्ष्मजीवों का DNA एक साथ होता है। फ़िल्टरिंग से असेंबली समय लगभग आधा हो गया और मेमोरी का अधिकतम उपयोग 188 GB से घटकर 82 GB रह गया; साथ ही, पुनर्निर्मित कई बैक्टीरियल जीनोम में संदूषण कम हुआ। हालांकि, बैक्टीरिया से जुड़ी कुछ जानकारी भी खो गई।

ओपन-सोर्स सॉफ़्टवेयर से इस तरीके का उपयोग आसान

टीम की सार्वजनिक BBERT रिपॉज़िटरी में निष्कर्ष निकालने वाला सॉफ़्टवेयर और मॉडल डाउनलोड करने के निर्देश दिए गए हैं। इसके दस्तावेज़ों में बैक्टीरियल वर्गीकरण की संभाव्यताएँ, कोडिंग की संभाव्यताएँ और छह संभावित रीडिंग फ़्रेमों में से प्रत्येक की संभाव्यता शामिल है। शोधकर्ता आगे के विश्लेषण के लिए अनुक्रम एम्बेडिंग भी निर्यात कर सकते हैं।

रिपॉज़िटरी मानक FASTA और FASTQ इनपुट का समर्थन करती है और इसमें GPU एक्सेलरेशन, Apple Silicon का समर्थन तथा केवल CPU पर काम करने की धीमी प्रक्रिया का विवरण दिया गया है। इसमें अनुमानित कोडिंग अनुक्रमों को अमीनो अम्लों में बदलने के लिए यूटिलिटी भी हैं। इन सुविधाओं के कारण मॉडल विश्लेषण पाइपलाइन का एक घटक बन जाता है, जिसके आउटपुट को शोधकर्ता फ़िल्टर करके जाँच सकते हैं।

उपयोगी फ़िल्टरिंग की भी जैविक सीमाएँ हैं

BBERT कुछ अंशों का गलत वर्गीकरण कर सकता है। क्लोरोप्लास्ट का डीएनए अपनी विकासवादी उत्पत्ति के कारण बैक्टीरिया के डीएनए जैसा दिख सकता है, और बैक्टीरिया तथा आर्किया के बीच अंतर करना अब भी चुनौतीपूर्ण है। इसलिए फ़िल्टर करने से दक्षता तो बढ़ सकती है, लेकिन इसके साथ बैक्टीरिया के असली रीड्स भी हट सकते हैं। शोधकर्ताओं को इस समझौते पर विचार करते समय अपने विश्लेषण के विशिष्ट उद्देश्यों को ध्यान में रखना चाहिए।

इस शोध के पीछे की पारिस्थितिक प्रेरणा, तेज़ कंप्यूटिंग से कहीं आगे तक जाती है। Finkel की विश्वविद्यालय की शोध-प्रोफ़ाइल में पौधों के माइक्रोबायोम, सूक्ष्मजीवों के बीच पारस्परिक संबंधों और रेगिस्तानी पौधों तथा मिट्टी के मेटाजीनोमिक्स पर किए गए कार्यों का वर्णन है। यह समझना कि कौन-से जीव और कार्य मौजूद हैं, यह अध्ययन करने का आधार है कि ये समुदाय कैसे बनते हैं और पौधों को कैसे प्रभावित करते हैं।

BBERT से मौजूदा पर्यावरणीय सीक्वेंसिंग संग्रहों का दोबारा विश्लेषण करने के साथ-साथ नए नमूनों को संसाधित करना भी संभव होता है। इसका योगदान छोटे रीड्स की तेज़, पैटर्न-आधारित प्रारंभिक जाँच है, जिससे शोधकर्ताओं को यह तय करने में मदद मिलती है कि किन आनुवंशिक अंशों की अधिक गहराई से जाँच की जानी चाहिए।