BBERT gebruikt AI om bacterieel DNA in bodemmonsters te herkennen

Onderzoekers van de Hebrew University of Jerusalem en partnerinstellingen hebben BBERT ontwikkeld, een AI-tool die bacterieel DNA herkent in fragmenten van slechts 100 basen. Het onderzoek richt zich op een hardnekkig probleem in de milieugenomica: wetenschappers kunnen het genetische materiaal in een bodemmonster sequencen, maar een groot deel ervan blijft moeilijk te interpreteren omdat de organismen slecht vertegenwoordigd zijn in referentiedatabases.

De studie, ‘Snelle en nauwkeurige toewijzing van taxonomische domeinen aan korte metagenomische reads met BBERT’, is gepubliceerd in Nucleic Acids Research. Het onderzoek stond onder leiding van dr. Amir Erez van het Racah Institute of Physics van de universiteit en dr. Omri M. Finkel van de afdeling Planten- en Milieuwetenschappen. Dmitry Alekhin, Moshe Alon en Tomer Sidi droegen in gelijke mate bij, samen met collega’s van de University of Haifa en het Volcani Institute van de Agricultural Research Organization.

Waarom DNA uit de bodem moeilijk te sorteren is

Bij shotgunmetagenomica wordt DNA gesequencet dat afkomstig is van een hele gemeenschap, en niet van één geïsoleerd organisme. In de bodem betekent dit dat genetische fragmenten van bacteriën, schimmels, planten en andere levensvormen door elkaar zitten. Onderzoekers moeten vervolgens bepalen waar die fragmenten vandaan komen en welke biologische informatie ze bevatten.

Tools die op referenties zijn gebaseerd, vergelijken reads met bekende sequenties. Dat is nuttig wanneer er een nauwe overeenkomst bestaat, maar door onvolledige databases blijven veel reads ongeclassificeerd. De resulterende microbiële ‘dark matter’ kan zowel de samenstelling van een gemeenschap als de functies die ze vervult verhullen.

BBERT richt zich op een eerdere sorteervraag: lijkt een fragment bacterieel? Dat is een bredere classificatie dan het benoemen van een soort. Door patronen in bacteriële sequenties te herkennen, kunnen onderzoekers bepalen welke reads ze meenemen in vervolgonderzoek, zelfs wanneer er geen nauw verwante referentiesequentie beschikbaar is.

Een taalmodel dat is getraind op DNA-patronen

Het artikel beschrijft een op BERT gebaseerd model dat context binnen nucleotide-sequenties leert herkennen. De tokenizer ervan geeft afzonderlijke DNA-basen weer, waaronder een symbool voor een ambigue base. Tijdens de voortraining leert het model gemaskeerde basen te herstellen aan de hand van omliggende sequentie-informatie. Dit is een bewerking van de aanpak voor gemaskeerde taalmodellering die wordt gebruikt in AI voor taal.

Vervolgens hebben de onderzoekers het model verfijnd voor de classificatie van bacterieel tegenover niet-bacterieel DNA. Het doel is patronen te leren die kenmerkend zijn voor bacteriële sequenties, zodat het model een voorspelling kan doen zonder telkens naar een overeenkomstige referentiesequentie te zoeken wanneer een read wordt beoordeeld. Voorspellingen zonder referentie blijven afhankelijk van wat het model tijdens de training heeft geleerd; dat betekent niet dat het systeem zonder genomische gegevens is ontwikkeld.

BBERT schat ook in of een fragment codeert voor een eiwit en voorspelt het leesraam. Leesramen bepalen hoe DNA-basen worden gegroepeerd in eenheden van drie letters waarmee aminozuren worden gecodeerd. De juiste keuze van het leesraam helpt vervolgtools een coderend fragment betekenisvol te interpreteren.

Wat de benchmarks lieten zien

Volgens de meegeleverde onderzoeksbekendmaking behaalde BBERT in benchmarktests een nauwkeurigheid van ongeveer 90% bij het onderscheiden van bacterieel en niet-bacterieel DNA. Het identificeerde eiwitcoderende fragmenten met een nauwkeurigheid van ongeveer 88% en hun leesramen met een nauwkeurigheid van ongeveer 96%. Dit zijn afzonderlijke taken, geen enkele maatstaf voor het algehele begrip van genomen.

Het team paste de tool toe op 1.969 openbaar beschikbare datasets met bodem-DNA. De tool herkende bacteriële sequenties in een aanzienlijk deel van de reads die met een gevestigde vergelijkingstool ongeclassificeerd waren gebleven. De bevindingen wezen er ook op dat onverklaard genetisch materiaal afkomstig is van niet-bacteriële bronnen, en dus niet uitsluitend uit onbekende bacteriën bestaat.

Door reads te filteren voordat genomen werden gereconstrueerd, nam ook de benodigde rekenkracht af. In gesimuleerde mengsels van organismen daalde de gemiddelde assemblagetijd van ongeveer 66 uur naar 25 uur per dataset. De gereconstrueerde sequenties bevatten minder mismatches en hiaten, terwijl ongeveer 96% van de gemiddelde dekking van het bacteriële genoom behouden bleef die zonder filtering werd bereikt.

Tests met wortelknolletjes van wilde peulvruchten boden een complexer biologisch voorbeeld. Deze structuren bevatten zowel plantaardig als microbieel DNA. Door filtering werd de assemblagetijd ongeveer gehalveerd en daalde het piekgeheugengebruik van 188 GB naar 82 GB; bovendien was de verontreiniging in verschillende gereconstrueerde bacteriële genomen lager. Er ging ook een deel van de bacteriële informatie verloren.

Open software maakt de aanpak bruikbaar

De openbare BBERT-repository van het team bevat software voor voorspellingen en instructies voor het downloaden van het model. De gedocumenteerde uitvoer omvat kansen op een bacteriële classificatie, coderingskansen en kansen voor zes mogelijke leesramen. Onderzoekers kunnen ook sequentie-embeddings exporteren voor verdere analyse.

De repository ondersteunt standaardinvoer in FASTA- en FASTQ-formaat en bevat documentatie over GPU-versnelling, ondersteuning voor Apple Silicon en tragere werking die uitsluitend op een CPU is gebaseerd. De repository biedt ook hulpprogramma’s om voorspelde coderende sequenties om te zetten in aminozuren. Dankzij deze functies kan het model deel uitmaken van een analysepipeline, waarbij onderzoekers de uitvoer kunnen filteren en inspecteren.

Nuttige filtering kent biologische beperkingen

BBERT kan sommige fragmenten verkeerd classificeren. Chloroplast-DNA kan vanwege zijn evolutionaire oorsprong op bacterieel DNA lijken, en bacteriën van archaea onderscheiden blijft een uitdaging. Filteren kan de efficiëntie dus verhogen, maar tegelijk ook echte bacteriële reads verwijderen. Onderzoekers moeten die afweging maken in het licht van de doelstellingen van een specifieke analyse.

De ecologische motivatie gaat verder dan sneller rekenen. Het universitaire onderzoeksprofiel van Finkel beschrijft onderzoek naar plantmicrobiomen, microbiële interacties en metagenomica van woestijnplanten en woestijngrond. Inzicht in welke organismen en functies aanwezig zijn, vormt de basis voor onderzoek naar hoe die gemeenschappen ontstaan en planten beïnvloeden.

BBERT biedt een manier om bestaande collecties milieusequencinggegevens opnieuw te onderzoeken en nieuwe monsters te verwerken. De bijdrage bestaat uit een snellere, op patronen gebaseerde eerste analyse van korte reads, zodat onderzoekers kunnen bepalen welke genetische fragmenten nader onderzoek verdienen.