BBERT Menggunakan AI untuk Mengenali DNA Bakteri yang Tersembunyi dalam Sampel Tanah

Para peneliti di Hebrew University of Jerusalem dan lembaga mitra telah mengembangkan BBERT, sebuah perangkat AI yang mengenali DNA bakteri dalam fragmen yang panjangnya hanya 100 basa. Penelitian ini menjawab persoalan yang terus dihadapi dalam genomika lingkungan: ilmuwan dapat mengurutkan materi genetik dalam sampel tanah, tetapi banyak di antaranya tetap sulit ditafsirkan karena organisme tersebut kurang terwakili dalam basis data referensi.

Studi “Penetapan domain taksonomi yang cepat dan akurat untuk pembacaan metagenomik pendek menggunakan BBERT,” diterbitkan di Nucleic Acids Research. Penelitian ini dipimpin oleh Dr. Amir Erez dari Racah Institute of Physics di universitas tersebut dan Dr. Omri M. Finkel dari Departemen Ilmu Tumbuhan dan Lingkungan. Dmitry Alekhin, Moshe Alon, dan Tomer Sidi memberikan kontribusi yang setara, bersama para kolega dari University of Haifa dan Volcani Institute milik Agricultural Research Organization.

Mengapa DNA Tanah Sulit Diuraikan

Metagenomika shotgun mengurutkan DNA yang dikumpulkan dari seluruh komunitas, bukan dari satu organisme yang diisolasi. Dalam tanah, ini berarti fragmen genetik dari bakteri, fungi, tumbuhan, dan bentuk kehidupan lainnya bercampur. Peneliti kemudian perlu menentukan asal fragmen tersebut dan informasi biologis yang dikandungnya.

Perangkat berbasis referensi membandingkan hasil pembacaan dengan sekuens yang telah diketahui. Cara ini berguna jika tersedia kecocokan yang dekat, tetapi basis data yang tidak lengkap membuat banyak hasil pembacaan tidak terklasifikasi. “Materi gelap” mikroba yang dihasilkan dapat mengaburkan komposisi suatu komunitas sekaligus fungsi yang dijalankannya.

BBERT menangani pertanyaan penyortiran yang lebih awal: apakah suatu fragmen tampak seperti DNA bakteri? Ini merupakan klasifikasi yang lebih luas daripada menentukan nama spesies. Pengenalan pola sekuens bakteri dapat membantu peneliti memutuskan hasil pembacaan mana yang akan digunakan dalam analisis selanjutnya, bahkan ketika tidak tersedia kecocokan referensi yang dekat.

Model Bahasa yang Dilatih Mengenali Pola DNA

Makalah tersebut menjelaskan model berbasis BERT yang mempelajari konteks dalam sekuens nukleotida. Tokenizernya merepresentasikan setiap basa DNA, termasuk simbol untuk basa yang tidak diketahui secara pasti. Selama prapelatihan, model belajar memulihkan basa yang disamarkan berdasarkan informasi sekuens di sekitarnya—sebuah adaptasi dari pendekatan pemodelan bahasa tersamar yang digunakan dalam AI bahasa.

Para peneliti kemudian menyempurnakan model tersebut untuk mengklasifikasikan DNA sebagai bakteri atau nonbakteri. Tujuannya adalah mempelajari pola yang menjadi ciri sekuens bakteri, sehingga model dapat membuat inferensi tanpa harus mencari sekuens referensi yang cocok setiap kali suatu hasil pembacaan dinilai. Inferensi tanpa referensi tetap bergantung pada apa yang dipelajari model selama pelatihan; ini bukan berarti sistem dikembangkan tanpa data genomik.

BBERT juga memperkirakan apakah suatu fragmen mengode protein dan memprediksi kerangka bacanya. Kerangka baca menentukan bagaimana basa DNA dikelompokkan menjadi unit tiga huruf yang digunakan untuk mengode asam amino. Pemilihan kerangka yang tepat membantu perangkat analisis selanjutnya menafsirkan fragmen pengode secara bermakna.

Hasil Pengujian Tolok Ukur

Menurut pengumuman penelitian yang disediakan, dalam pengujian tolok ukur BBERT mencapai akurasi sekitar 90% dalam membedakan DNA bakteri dari DNA nonbakteri. Perangkat ini mengidentifikasi fragmen pengode protein dengan akurasi sekitar 88% dan kerangka bacanya dengan akurasi sekitar 96%. Ketiganya merupakan tugas yang terpisah, bukan satu ukuran pemahaman genomik secara keseluruhan.

Tim tersebut menerapkan perangkat ini pada 1.969 himpunan data DNA tanah yang tersedia untuk umum. BBERT mengenali sekuens bakteri dalam sebagian besar hasil pembacaan yang sebelumnya tidak terklasifikasi oleh perangkat pembanding yang telah mapan. Temuan ini juga menunjukkan bahwa materi genetik yang belum terjelaskan mencakup sumber nonbakteri, bukan hanya bakteri yang belum dikenal.

Penyaringan hasil pembacaan sebelum rekonstruksi genom juga mengurangi beban komputasi. Dalam campuran organisme simulasi, rata-rata waktu perakitan turun dari sekitar 66 jam menjadi 25 jam per himpunan data. Sekuens hasil rekonstruksi memiliki lebih sedikit ketidakcocokan dan celah, sekaligus mempertahankan sekitar 96% dari rata-rata cakupan genom bakteri yang diperoleh tanpa penyaringan.

Pengujian pada bintil akar legum liar memberikan contoh biologis yang lebih kompleks. Struktur ini mengandung DNA tumbuhan dan mikroba secara bersamaan. Penyaringan memangkas waktu perakitan hingga kira-kira separuh dan menurunkan penggunaan memori puncak dari 188 GB menjadi 82 GB, serta mengurangi kontaminasi pada beberapa genom bakteri hasil rekonstruksi. Namun, sebagian informasi bakteri juga hilang.

Perangkat Lunak Terbuka Membuat Pendekatan Ini Dapat Digunakan

Repositori BBERT yang tersedia untuk umum milik tim tersebut menyediakan perangkat lunak inferensi dan petunjuk untuk mengunduh model. Keluaran yang didokumentasikan mencakup probabilitas klasifikasi bakteri, probabilitas pengodean, dan probabilitas untuk enam kemungkinan kerangka baca. Peneliti juga dapat mengekspor penyematan sekuens untuk analisis tambahan.

Repositori tersebut mendukung masukan FASTA dan FASTQ standar serta menjelaskan akselerasi GPU, dukungan Apple Silicon, dan pengoperasian lebih lambat yang hanya menggunakan CPU. Repositori ini juga menyediakan utilitas untuk menerjemahkan sekuens pengode yang diprediksi menjadi asam amino. Fitur-fitur ini menjadikan model tersebut sebagai komponen dalam alur kerja analisis, dengan keluaran yang dapat disaring dan diperiksa oleh peneliti.

Penyaringan yang Berguna Tetap Memiliki Batasan Biologis

BBERT dapat salah mengklasifikasikan beberapa fragmen. DNA kloroplas dapat menyerupai DNA bakteri karena asal-usul evolusionernya, dan membedakan bakteri dari arkea masih menjadi tantangan. Karena itu, penyaringan dapat meningkatkan efisiensi sekaligus membuang pembacaan yang benar-benar berasal dari bakteri. Peneliti perlu mempertimbangkan kompromi tersebut berdasarkan tujuan analisis tertentu.

Motivasi ekologisnya lebih luas daripada sekadar komputasi yang lebih cepat. Profil penelitian Finkel di universitas menguraikan penelitian tentang mikrobioma tumbuhan, interaksi mikroba, serta metagenomika tumbuhan dan tanah gurun. Memahami organisme dan fungsi yang ada merupakan landasan untuk mempelajari bagaimana komunitas tersebut terbentuk dan memengaruhi tumbuhan.

BBERT menawarkan cara untuk meninjau kembali koleksi sekuensing lingkungan yang sudah ada sekaligus memproses sampel baru. Kontribusinya adalah pemeriksaan awal yang lebih cepat dan berbasis pola terhadap pembacaan pendek, sehingga membantu peneliti menentukan fragmen genetik mana yang perlu diteliti lebih lanjut.