BBERT bruker KI til å gjenkjenne bakterie-DNA skjult i jordprøver

Forskere ved Hebrew University of Jerusalem og samarbeidende institusjoner har utviklet BBERT, et KI-verktøy som gjenkjenner bakterie-DNA i fragmenter på så lite som 100 baser. Arbeidet tar for seg et vedvarende problem innen miljøgenomikk: Forskere kan sekvensere arvematerialet i en jordprøve, men mye av det er fortsatt vanskelig å tolke fordi organismene er dårlig representert i referansedatabaser.

Studien, «Rask og nøyaktig taksonomisk domeneinndeling av korte metagenomiske sekvensavlesninger ved hjelp av BBERT», ble publisert i Nucleic Acids Research. Den ble ledet av dr. Amir Erez ved universitetets Racah Institute of Physics og dr. Omri M. Finkel ved universitetets Department of Plant and Environmental Sciences. Dmitry Alekhin, Moshe Alon og Tomer Sidi bidro like mye, sammen med kolleger fra University of Haifa og Volcani Institute ved Agricultural Research Organization.

Hvorfor DNA fra jord er vanskelig å sortere

Haglegeværmetagenomikk sekvenserer DNA som er samlet inn fra et helt samfunn, i stedet for fra én enkelt isolert organisme. I jord innebærer det at genetiske fragmenter fra bakterier, sopp, planter og andre livsformer blandes sammen. Forskerne må deretter finne ut hvor fragmentene kommer fra, og hvilken biologisk informasjon de inneholder.

Referansebaserte verktøy sammenligner sekvensavlesninger med kjente sekvenser. Det er nyttig når det finnes en nær match, men ufullstendige databaser gjør at mange sekvensavlesninger ikke blir klassifisert. Den resulterende mikrobielle «mørke materien» kan tilsløre både sammensetningen av et samfunn og funksjonene det utfører.

BBERT tar for seg et tidligere sorteringsspørsmål: Ser et fragment ut til å være bakterielt? Dette er en bredere klassifisering enn å navngi en art. Gjenkjenning av sekvensmønstre som kjennetegner bakterier, kan hjelpe forskere med å avgjøre hvilke sekvensavlesninger som skal tas med i videre analyser, selv når det ikke finnes en nær referanse å sammenligne med.

En språkmodell trent på DNA-mønstre

Artikkelen beskriver en BERT-basert modell som lærer konteksten i nukleotidsekvenser. Tokenizeren representerer enkeltbaser i DNA, inkludert et symbol for en tvetydig base. Under forhåndstreningen lærer modellen å gjenopprette maskerte baser ut fra informasjon i sekvensen rundt dem. Dette er en tilpasning av tilnærmingen med maskert språkmodellering, som brukes innen KI for språk.

Forskerne finjusterte deretter modellen for å klassifisere sekvenser som bakterielle eller ikke-bakterielle. Målet er å lære mønstre som kjennetegner bakteriesekvenser, slik at modellen kan trekke slutninger uten å søke etter en samsvarende referansesekvens hver gang en sekvensavlesning vurderes. Slutninger uten referanse er fortsatt avhengige av det modellen lærte under treningen; det betyr ikke at systemet ble utviklet uten genomiske data.

BBERT anslår også om et fragment koder for et protein, og forutsier leserammen. Leserammer bestemmer hvordan DNA-baser grupperes i enheter på tre bokstaver som brukes til å kode aminosyrer. Når riktig leseramme velges, kan verktøy i senere analysetrinn tolke et kodende fragment på en meningsfull måte.

Dette viste referansetestene

Ifølge den medfølgende kunngjøringen om forskningen oppnådde BBERT en nøyaktighet på omtrent 90 % når verktøyet skilte bakterielt DNA fra ikke-bakterielt DNA i referansetester. Det identifiserte protein-kodende fragmenter med en nøyaktighet på omtrent 88 % og leserammene deres med en nøyaktighet på omtrent 96 %. Dette er separate oppgaver, ikke ett enkelt mål på den samlede genomforståelsen.

Teamet brukte verktøyet på 1 969 offentlig tilgjengelige datasett med DNA fra jord. Det gjenkjente bakteriesekvenser i en betydelig andel av sekvensavlesningene som et etablert sammenligningsverktøy ikke hadde klassifisert. Funnene tydet også på at uforklart genetisk materiale omfatter kilder som ikke er bakterielle, og ikke bare består av ukjente bakterier.

Filtrering av sekvensavlesninger før rekonstruksjon av genomer reduserte også det beregningsmessige arbeidet. I simulerte blandinger av organismer sank den gjennomsnittlige sammenstillingstiden fra omtrent 66 timer til 25 timer per datasett. De rekonstruerte sekvensene hadde færre feiltreff og hull, samtidig som omtrent 96 % av den gjennomsnittlige dekningen av bakteriegenomer som ble oppnådd uten filtrering, ble bevart.

Tester av rotknoller hos ville belgvekster ga et mer komplekst biologisk eksempel. Disse strukturene inneholder både plante-DNA og mikrobielt DNA. Filtrering halverte omtrent sammenstillingstiden og reduserte det maksimale minnebruken fra 188 GB til 82 GB, samtidig som forurensningen i flere rekonstruerte bakteriegenomer ble redusert. Noe informasjon om bakterier gikk også tapt.

Åpen programvare gjør metoden tilgjengelig

Teamets offentlige BBERT-repositorium inneholder programvare for slutningskjøring og instruksjoner for nedlasting av modellen. Den dokumenterte utdataen omfatter sannsynligheter for bakterieklassifisering, sannsynligheter for proteinkoding og sannsynligheter for seks mulige leserammer. Forskere kan også eksportere sekvensinnebygginger for videre analyse.

Repositoriet støtter standardformatene FASTA og FASTQ og beskriver GPU-akselerasjon, støtte for Apple Silicon og langsommere drift med bare CPU. Det inneholder også verktøy for å oversette forutsagte kodende sekvenser til aminosyrer. Disse funksjonene gjør modellen til en del av en analysepipeline, med utdata som forskere kan filtrere og undersøke.

Nyttig filtrering har biologiske begrensninger

BBERT kan feilklassifisere enkelte fragmenter. Kloroplast-DNA kan ligne på bakterielt DNA på grunn av sin evolusjonære opprinnelse, og det er fortsatt utfordrende å skille bakterier fra arkéer. Filtrering kan derfor øke effektiviteten, men samtidig forkaste ekte bakterielle sekvensavlesninger. Forskere må veie denne avveiningen opp mot målene for den enkelte analysen.

Den økologiske motivasjonen strekker seg lenger enn ønsket om raskere databehandling. Finkels forskningsprofil ved universitetet beskriver arbeid med plantemikrobiomer, mikrobielle interaksjoner og metagenomikk av ørkenplanter og jordsmonn. Å forstå hvilke organismer og funksjoner som er til stede, er et grunnlag for å undersøke hvordan disse samfunnene oppstår og påvirker planter.

BBERT gjør det mulig å gå gjennom eksisterende samlinger av miljøsekvenseringsdata på nytt, i tillegg til å behandle nye prøver. Bidraget er en raskere, mønsterbasert første gjennomgang av korte sekvensavlesninger, som hjelper forskere med å avgjøre hvilke genetiske fragmenter som bør undersøkes nærmere.