BBERT usa l’IA per riconoscere il DNA batterico nascosto nei campioni di suolo

I ricercatori della Hebrew University of Jerusalem e degli istituti partner hanno sviluppato BBERT, uno strumento di IA che riconosce il DNA batterico in frammenti lunghi appena 100 basi. Il lavoro affronta un problema persistente nella genomica ambientale: gli scienziati possono sequenziare il materiale genetico presente in un campione di suolo, ma gran parte di esso resta difficile da interpretare perché gli organismi sono scarsamente rappresentati nei database di riferimento.

Lo studio, «Assegnazione tassonomica rapida e accurata del dominio di brevi letture metagenomiche con BBERT», è stato pubblicato su Nucleic Acids Research. La ricerca è stata guidata dal dott. Amir Erez del Racah Institute of Physics dell’università e dal dott. Omri M. Finkel del Department of Plant and Environmental Sciences dell’ateneo. Dmitry Alekhin, Moshe Alon e Tomer Sidi hanno contribuito in egual misura, insieme a colleghi della University of Haifa e del Volcani Institute dell’Agricultural Research Organization.

Perché è difficile classificare il DNA del suolo

La metagenomica shotgun sequenzia il DNA raccolto da un’intera comunità, anziché da un singolo organismo isolato. Nel suolo, questo significa mescolare frammenti genetici di batteri, funghi, piante e altre forme di vita. I ricercatori devono poi determinare da dove provengono quei frammenti e quali informazioni biologiche contengono.

Gli strumenti basati su sequenze di riferimento confrontano le letture con sequenze note. Questo è utile quando esiste una corrispondenza stretta, ma i database incompleti lasciano molte letture senza classificazione. Questa «materia oscura» microbica può rendere difficile comprendere sia la composizione di una comunità sia le funzioni che svolge.

BBERT affronta una questione preliminare di classificazione: un frammento ha caratteristiche batteriche? Si tratta di una classificazione più ampia rispetto all’identificazione di una specie. Riconoscere gli schemi tipici delle sequenze batteriche può aiutare i ricercatori a decidere quali letture utilizzare nelle analisi successive, anche quando non è disponibile una sequenza di riferimento molto simile.

Un modello linguistico addestrato sui pattern del DNA

L’articolo descrive un modello basato su BERT che apprende il contesto all’interno delle sequenze nucleotidiche. Il suo tokenizer rappresenta le singole basi del DNA, compreso un simbolo per le basi ambigue. Durante il preaddestramento, il modello impara a ricostruire le basi mascherate usando le informazioni delle sequenze circostanti: un adattamento dell’approccio di modellazione del linguaggio mascherato impiegato nell’IA linguistica.

I ricercatori hanno poi perfezionato il modello per distinguere le sequenze batteriche da quelle non batteriche. L’obiettivo è apprendere gli schemi caratteristici delle sequenze batteriche, così da poter formulare inferenze senza cercare ogni volta una sequenza di riferimento corrispondente quando si esamina una lettura. Anche se non si basa su un confronto con sequenze di riferimento, l’inferenza dipende comunque da ciò che il modello ha appreso durante l’addestramento: questo non significa che il sistema sia stato sviluppato senza dati genomici.

BBERT stima anche se un frammento codifica una proteina e ne predice il frame di lettura. I frame di lettura determinano come le basi del DNA vengono raggruppate in unità di tre lettere usate per codificare gli amminoacidi. Scegliere il frame corretto aiuta gli strumenti delle fasi successive a interpretare in modo significativo un frammento codificante.

I risultati dei test di riferimento

Secondo l’annuncio della ricerca fornito, nei test di riferimento BBERT ha raggiunto un’accuratezza di circa il 90% nel distinguere il DNA batterico da quello non batterico. Ha identificato i frammenti codificanti proteine con un’accuratezza di circa l’88% e i relativi frame di lettura con un’accuratezza di circa il 96%. Si tratta di compiti distinti, non di un’unica misura della comprensione genomica complessiva.

Il team ha applicato lo strumento a 1.969 set di dati pubblici sul DNA del suolo. BBERT ha riconosciuto sequenze batteriche in una quota consistente delle letture che uno strumento di confronto consolidato aveva lasciato senza classificazione. I risultati suggeriscono inoltre che il materiale genetico non spiegato proviene anche da fonti non batteriche, anziché essere costituito esclusivamente da batteri sconosciuti.

Filtrare le letture prima di ricostruire i genomi ha inoltre ridotto il carico di calcolo. Nelle simulazioni di comunità di organismi, il tempo medio di assemblaggio è sceso da circa 66 ore a 25 ore per set di dati. Le sequenze ricostruite presentavano meno errori di corrispondenza e lacune, pur mantenendo circa il 96% della copertura media del genoma batterico ottenuta senza filtraggio.

I test sui noduli radicali di leguminose selvatiche hanno fornito un esempio biologico più complesso. Queste strutture contengono insieme DNA vegetale e microbico. Il filtraggio ha ridotto i tempi di assemblaggio di circa la metà e il picco di memoria utilizzata da 188 GB a 82 GB, riducendo la contaminazione in diversi genomi batterici ricostruiti. È andata persa anche una parte delle informazioni batteriche.

Il software aperto rende utilizzabile l’approccio

Il repository pubblico di BBERT del team mette a disposizione il software per l’inferenza e le istruzioni per scaricare il modello. Tra gli output documentati figurano le probabilità di classificazione batterica, le probabilità di codifica e quelle relative ai sei possibili frame di lettura. I ricercatori possono anche esportare gli embedding delle sequenze per ulteriori analisi.

Il repository supporta i formati di input standard FASTA e FASTQ e documenta l’accelerazione GPU, il supporto per Apple Silicon e la modalità più lenta che usa solo la CPU. Include inoltre strumenti per tradurre in amminoacidi le sequenze codificanti predette. Queste funzionalità rendono il modello un componente di una pipeline di analisi, con output che i ricercatori possono filtrare ed esaminare.

Il filtraggio è utile, ma presenta limiti biologici

BBERT può classificare erroneamente alcuni frammenti. Il DNA dei cloroplasti può somigliare a quello batterico a causa delle sue origini evolutive, e distinguere i batteri dagli archei resta difficile. Il filtraggio può quindi migliorare l’efficienza, ma anche eliminare letture effettivamente batteriche. I ricercatori devono valutare questo compromesso in relazione agli obiettivi di una specifica analisi.

Le motivazioni ecologiche vanno oltre il semplice aumento della velocità di calcolo. Il profilo di ricerca di Finkel sul sito dell’università descrive il lavoro sui microbiomi delle piante, sulle interazioni microbiche e sulla metagenomica delle piante e dei suoli desertici. Capire quali organismi e funzioni sono presenti è fondamentale per studiare come si formano queste comunità e come influenzano le piante.

BBERT offre un modo per riesaminare le raccolte esistenti di sequenziamento ambientale e analizzare nuovi campioni. Il suo contributo consiste in un primo passaggio più rapido e basato sui pattern attraverso le letture corte, che aiuta i ricercatori a decidere quali frammenti genetici meritano un’indagine più approfondita.