BBERT, 토양 시료에 숨겨진 세균 DNA를 AI로 인식

예루살렘 히브리대학교와 협력 기관의 연구진이 염기 100개 길이의 짧은 단편에서도 세균 DNA를 인식하는 AI 도구 BBERT를 개발했다. 이번 연구는 환경 유전체학의 오랜 난제를 다룬다. 과학자들은 토양 시료의 유전 물질을 염기서열 분석할 수 있지만, 참조 데이터베이스에 해당 생물이 충분히 수록되어 있지 않아 그중 상당 부분을 해석하기 어렵다.

이 연구는 「BBERT를 이용한 짧은 메타게놈 리드의 빠르고 정확한 분류학적 영역 할당」이라는 제목으로 Nucleic Acids Research에 게재됐다. 연구는 해당 대학 라카 물리학연구소의 Amir Erez 박사와 식물·환경과학부의 Omri M. Finkel 박사가 이끌었다. Dmitry Alekhin, Moshe Alon, Tomer Sidi가 동등하게 기여했으며, 하이파대학교와 농업연구기구 볼카니 연구소의 동료 연구자들도 참여했다.

토양 DNA를 분류하기 어려운 이유

샷건 메타게놈 분석은 단일 생물체 하나를 분리해 분석하는 대신, 군집 전체에서 채취한 DNA의 염기서열을 분석한다. 토양의 경우 세균, 균류, 식물 및 기타 생명체의 유전 단편이 한데 섞여 있다는 뜻이다. 그런 다음 연구자들은 각 단편의 기원이 무엇이며 어떤 생물학적 정보를 담고 있는지 밝혀야 한다.

참조 기반 도구는 리드를 알려진 염기서열과 대조한다. 가까운 일치 항목이 있을 때는 유용하지만, 데이터베이스가 불완전하면 많은 리드가 미분류 상태로 남는다. 이로 인해 생기는 미생물의 ‘암흑 물질’은 군집의 구성과 군집이 수행하는 기능을 모두 파악하기 어렵게 만들 수 있다.

BBERT는 그보다 앞선 분류 단계의 질문, 즉 단편이 세균처럼 보이는지를 판별한다. 이는 종의 이름을 알아내는 것보다 더 광범위한 분류다. 세균 염기서열의 패턴을 인식하면 가까운 참조 서열과 일치하는 항목이 없더라도 연구자들이 이후 분석에 어떤 리드를 사용할지 판단하는 데 도움이 된다.

DNA 패턴으로 학습한 언어 모델

논문은 뉴클레오타이드 염기서열의 맥락을 학습하는 BERT 기반 모델을 설명한다. 토크나이저는 모호한 염기를 나타내는 기호를 포함해 DNA의 개별 염기를 표현한다. 사전 학습 과정에서 모델은 주변 염기서열 정보를 바탕으로 마스킹된 염기를 복원하는 법을 학습한다. 이는 언어 AI에서 사용하는 마스크 언어 모델링 방식을 변형해 적용한 것이다.

그런 다음 연구진은 세균과 비세균을 분류하도록 모델을 미세 조정했다. 목표는 세균 염기서열의 특징적인 패턴을 학습해, 리드를 평가할 때마다 일치하는 참조 서열을 검색하지 않고도 추론할 수 있게 하는 것이다. 참조 서열 없이 추론하더라도 모델이 학습 과정에서 배운 내용에 의존한다. 그렇다고 이 시스템이 유전체 데이터 없이 개발됐다는 뜻은 아니다.

BBERT는 단편이 단백질을 암호화하는지도 추정하고 해당 단편의 해독틀도 예측한다. 해독틀은 DNA 염기를 아미노산을 암호화하는 세 글자 단위로 묶는 방식을 결정한다. 올바른 해독틀을 선택하면 후속 도구가 단백질 암호화 단편을 의미 있게 해석할 수 있다.

벤치마크 결과

제공된 연구 발표 자료에 따르면, BBERT는 벤치마크 테스트에서 세균 DNA와 비세균 DNA를 구별할 때 약 90%의 정확도를 기록했다. 단백질 암호화 단편은 약 88%의 정확도로 식별했고, 해당 단편의 해독틀은 약 96%의 정확도로 판별했다. 이는 유전체 이해도를 종합적으로 나타내는 단일 지표가 아니라 서로 별개의 과제다.

연구팀은 공개된 토양 DNA 데이터 세트 1,969개에 이 도구를 적용했다. 기존 비교 도구가 미분류 상태로 남겨 둔 리드 중 상당 부분에서 세균 염기서열을 인식했다. 연구 결과는 설명되지 않은 유전 물질이 낯선 세균으로만 이루어진 것이 아니라 비세균성 기원도 포함한다는 점을 시사했다.

유전체 재구성 전에 리드를 필터링하면 계산 작업량도 줄었다. 시뮬레이션한 생물체 혼합물에서 데이터 세트당 평균 조립 시간은 약 66시간에서 25시간으로 단축됐다. 재구성된 염기서열에서는 불일치와 갭이 줄었으며, 필터링하지 않았을 때 얻은 평균 세균 유전체 커버리지의 약 96%를 유지했다.

야생 콩과식물의 뿌리혹을 대상으로 한 테스트에서는 생물학적으로 더 복잡한 사례를 살펴봤다. 뿌리혹에는 식물 DNA와 미생물 DNA가 함께 들어 있다. 필터링을 적용하자 조립 시간은 대략 절반으로 줄고 최대 메모리 사용량은 188GB에서 82GB로 감소했으며, 재구성된 세균 유전체 여러 개에서 오염도 줄었다. 세균에 관한 정보 일부도 손실됐다.

오픈소스로 제공되는 소프트웨어로 활용 가능해진 접근법

연구팀의 BBERT 공개 저장소에는 추론 소프트웨어와 모델 다운로드 안내가 제공된다. 문서에 설명된 출력값에는 세균 분류 확률, 단백질 암호화 확률, 그리고 가능한 6가지 해독틀 각각의 확률이 포함된다. 연구자들은 추가 분석을 위해 염기서열 임베딩도 내보낼 수 있다.

저장소는 표준 FASTA 및 FASTQ 입력 형식을 지원하고 GPU 가속, Apple Silicon 지원, CPU만 사용할 때 처리 속도가 더 느리다는 점을 문서화하고 있다. 또한 예측된 단백질 암호화 염기서열을 아미노산으로 변환하는 유틸리티도 제공한다. 이러한 기능을 갖춘 모델은 분석 파이프라인의 한 구성 요소로 활용할 수 있으며, 연구자들은 출력값을 필터링하고 검토할 수 있다.

유용한 필터링에도 생물학적 한계가 따른다

BBERT는 일부 단편을 잘못 분류할 수 있습니다. 엽록체 DNA는 진화적 기원 때문에 세균 DNA와 유사할 수 있으며, 세균과 고세균을 구분하는 일은 여전히 어렵습니다. 따라서 필터링은 효율성을 높이는 동시에 실제 세균 리드를 걸러낼 수도 있습니다. 연구자들은 특정 분석의 목표를 고려해 이러한 상충 관계를 따져봐야 합니다.

생태학적 연구 동기는 컴퓨팅 속도를 높이는 데 그치지 않습니다. Finkel의 대학 연구 프로필에는 식물 마이크로바이옴, 미생물 간 상호작용, 사막 식물 및 토양 메타게놈 분석에 관한 연구가 소개되어 있습니다. 어떤 생물과 기능이 존재하는지 이해하는 것은 이러한 군집이 어떻게 형성되고 식물에 어떤 영향을 미치는지 연구하는 토대가 됩니다.

BBERT를 사용하면 새로운 시료를 처리할 수 있을 뿐 아니라 기존 환경 시퀀싱 데이터 모음을 다시 살펴볼 수도 있습니다. BBERT는 짧은 리드를 패턴 기반으로 더 빠르게 1차 분석해 연구자들이 어떤 유전자 단편을 심층적으로 조사할지 판단하는 데 도움을 줍니다.