BBERT、土壌サンプルに隠れた細菌DNAをAIで識別

Hebrew University of Jerusalemとその協力機関の研究者らは、わずか100塩基の短い断片から細菌DNAを識別するAIツール、BBERTを開発した。この研究は、環境ゲノミクスにおける根強い課題に取り組むものだ。土壌サンプルに含まれる遺伝物質の配列を解読できても、参照データベースに登録されている生物が十分でないため、その多くは解釈が難しいままである。

この研究は「BBERTを用いた短いメタゲノムリードの迅速かつ正確な分類学的ドメイン割り当て」と題され、Nucleic Acids Researchに掲載された。主導したのは、同大学Racah Institute of PhysicsのAmir Erez博士と、Department of Plant and Environmental SciencesのOmri M. Finkel博士である。Dmitry Alekhin、Moshe Alon、Tomer Sidiも同等の貢献を果たし、University of HaifaおよびAgricultural Research OrganizationのVolcani Instituteの同僚らも参加した。

土壌DNAの分類が難しい理由

ショットガンメタゲノミクスでは、単一の分離された生物ではなく、生物群集全体から採取したDNAの配列を解読する。土壌の場合、細菌、菌類、植物、その他の生物に由来する遺伝断片が混在することになる。研究者は次に、それぞれの断片が何に由来し、どのような生物学的情報を持つのかを特定する必要がある。

参照配列を使うツールは、リードを既知の配列と比較する。近い配列が見つかる場合には有用だが、データベースが不完全だと、多くのリードが分類されないまま残る。その結果生じる微生物の「ダークマター」は、群集の構成だけでなく、その群集が果たす機能の解明も妨げる可能性がある。

BBERTが取り組むのは、その前段階にある分類の問い、すなわち断片が細菌由来に見えるかどうかだ。これは種名を特定するよりも広い分類である。細菌に特徴的な配列パターンを認識できれば、近い参照配列が見つからない場合でも、研究者がどのリードを後続の解析に回すか判断しやすくなる。

DNAパターンを学習した言語モデル

論文では、ヌクレオチド配列内の文脈を学習するBERTベースのモデルについて説明している。そのトークナイザーは、曖昧塩基を示す記号を含め、DNAの各塩基を表現する。事前学習では、言語AIで用いられるマスク言語モデルの手法を応用し、周囲の配列情報からマスクされた塩基を復元するようモデルを学習させる。

その後、研究者らは細菌と非細菌を分類するためにモデルをファインチューニングした。目的は、細菌配列に特徴的なパターンを学習させ、リードを評価するたびに一致する参照配列を検索しなくても推論できるようにすることだ。ただし、参照配列を使わない推論も、モデルが学習時に得た知識に依存する。「参照配列を使わない」とは、ゲノムデータなしでシステムを開発したという意味ではない。

BBERTは、断片がタンパク質をコードしているかどうかも推定し、そのリーディングフレームを予測する。リーディングフレームは、DNA塩基をアミノ酸のコードに使われる3文字単位にどう区切るかを決める。適切なフレームを選ぶことで、後続のツールがコード領域の断片を意味のある形で解釈しやすくなる。

ベンチマークで明らかになったこと

提供された研究発表によると、ベンチマークテストでBBERTは細菌DNAと非細菌DNAを約90%の精度で識別した。タンパク質をコードする断片は約88%の精度で特定し、そのリーディングフレームは約96%の精度で特定した。これらはそれぞれ別個のタスクであり、ゲノム全体をどの程度理解できるかを示す単一の指標ではない。

研究チームは、公開されている土壌DNAデータセット1,969件にこのツールを適用した。既存の比較ツールでは分類されなかったリードのうち、相当数に含まれる細菌配列を識別した。また、正体不明の遺伝物質には非細菌由来のものも含まれ、未知の細菌だけで構成されているわけではないことが、研究結果から示唆された。

ゲノムを再構築する前にリードをフィルタリングすると、計算処理の負荷も軽減された。生物の混合をシミュレーションした実験では、データセットあたりの平均アセンブリ時間が約66時間から25時間に短縮された。再構築された配列では不一致やギャップが減少し、フィルタリングなしで得られた平均的な細菌ゲノムのカバー率も約96%維持された。

野生のマメ科植物の根粒を使ったテストでは、より複雑な生物学的事例が示された。根粒には植物と微生物のDNAが共に含まれる。フィルタリングによってアセンブリ時間はおよそ半分になり、ピーク時のメモリ使用量は188 GBから82 GBに減少した。また、再構築された細菌ゲノムのいくつかでは、混入も減少した。一方で、細菌に関する情報の一部も失われた。

オープンソフトウェアで手法を利用可能に

チームが公開するBBERTのリポジトリでは、推論ソフトウェアとモデルのダウンロード手順を提供している。文書には、細菌の分類確率、コード領域である確率、6通りのリーディングフレームそれぞれの確率など、モデルの出力も記載されている。研究者は、追加分析用に配列の埋め込み表現をエクスポートすることもできる。

このリポジトリは、標準的なFASTA形式とFASTQ形式の入力に対応し、GPUアクセラレーション、Apple Siliconへの対応、CPUのみを使う場合の処理速度の低下について説明している。また、予測されたコード配列をアミノ酸に変換するユーティリティも用意されている。こうした機能により、このモデルを解析パイプラインの一部として組み込み、研究者が出力をフィルタリングして確認できる。

有用なフィルタリングにも生物学的な限界

BBERTは、一部の断片を誤って分類することがあります。葉緑体DNAは進化的な起源から細菌のDNAに似ている場合があり、細菌と古細菌を見分けることも依然として困難です。そのため、フィルタリングによって効率を高められる一方で、本物の細菌由来のリードが除外されることもあります。研究者は、特定の解析の目的に照らして、このトレードオフを慎重に検討する必要があります。

生態学的な意義は、計算の高速化にとどまりません。フィンケル氏の大学研究者プロフィールには、植物のマイクロバイオーム、微生物間の相互作用、砂漠の植物と土壌のメタゲノム解析に関する研究が紹介されています。どのような生物や機能が存在するかを理解することは、こうした群集がどのように形成され、植物にどのような影響を与えるのかを研究するうえでの基盤となります。

BBERTを使えば、既存の環境シーケンスデータを再検討できるほか、新たなサンプルを処理することもできます。短いリードをパターンに基づいて迅速に一次解析することで、どの遺伝子断片を詳しく調べるべきか、研究者が判断しやすくなる点が、BBERTの貢献です。