BBERT wykorzystuje AI do rozpoznawania DNA bakterii ukrytego w próbkach gleby

Naukowcy z Hebrew University of Jerusalem i współpracujących instytucji opracowali BBERT — narzędzie AI rozpoznające DNA bakterii we fragmentach liczących zaledwie 100 zasad. Prace dotyczą utrzymującego się problemu genomiki środowiskowej: naukowcy mogą sekwencjonować materiał genetyczny z próbki gleby, jednak znaczna jego część pozostaje trudna do interpretacji, ponieważ organizmy są słabo reprezentowane w referencyjnych bazach danych.

Badanie „Szybkie i dokładne przypisywanie krótkich odczytów metagenomicznych do domen taksonomicznych z użyciem BBERT” opublikowano w czasopiśmie Nucleic Acids Research. Pracami kierowali dr Amir Erez z Instytutu Fizyki Racaha na uniwersytecie oraz dr Omri M. Finkel z Wydziału Nauk o Roślinach i Środowisku. Równorzędny wkład wnieśli Dmitry Alekhin, Moshe Alon i Tomer Sidi, a także współpracownicy z University of Haifa i Instytutu Volcani przy Agricultural Research Organization.

Dlaczego trudno uporządkować DNA z gleby

Metagenomika typu shotgun polega na sekwencjonowaniu DNA pobranego z całej społeczności organizmów, a nie z jednego wyizolowanego organizmu. W przypadku gleby oznacza to wymieszanie fragmentów materiału genetycznego bakterii, grzybów, roślin i innych form życia. Naukowcy muszą następnie ustalić, skąd pochodzą te fragmenty i jakie informacje biologiczne zawierają.

Narzędzia oparte na sekwencjach referencyjnych porównują odczyty ze znanymi sekwencjami. Jest to przydatne, gdy istnieje bliskie dopasowanie, ale niekompletne bazy danych sprawiają, że wiele odczytów pozostaje niesklasyfikowanych. Powstała w ten sposób mikrobiologiczna „ciemna materia” może przesłaniać zarówno skład społeczności, jak i pełnione przez nią funkcje.

BBERT pomaga rozstrzygnąć wcześniejsze pytanie przy porządkowaniu danych: czy dany fragment przypomina DNA bakterii? To szersza klasyfikacja niż określenie gatunku. Rozpoznawanie wzorców sekwencji charakterystycznych dla bakterii może pomóc naukowcom zdecydować, które odczyty uwzględnić w kolejnych analizach, nawet jeśli nie ma bliskiego dopasowania do sekwencji referencyjnej.

Model językowy wytrenowany na wzorcach DNA

W artykule opisano model oparty na BERT, który uczy się kontekstu w sekwencjach nukleotydowych. Jego tokenizator reprezentuje pojedyncze zasady DNA, w tym symbol niejednoznacznej zasady. Podczas wstępnego treningu model uczy się odtwarzać zamaskowane zasady na podstawie informacji z sąsiadujących fragmentów sekwencji. Jest to adaptacja podejścia polegającego na modelowaniu zamaskowanego języka, stosowanego w językowych systemach AI.

Następnie naukowcy dostroili model do klasyfikowania sekwencji jako bakteryjnych lub niebakteryjnych. Celem jest nauczenie go wzorców charakterystycznych dla sekwencji bakterii, co pozwala wnioskować bez każdorazowego wyszukiwania dopasowanej sekwencji referencyjnej podczas oceny odczytu. Wnioskowanie bez sekwencji referencyjnej nadal zależy od tego, czego model nauczył się podczas treningu; nie oznacza to, że system opracowano bez danych genomowych.

BBERT szacuje również, czy fragment koduje białko, oraz przewiduje jego ramkę odczytu. Ramki odczytu określają, jak zasady DNA są grupowane w trójliterowe jednostki używane do kodowania aminokwasów. Wybór właściwej ramki pomaga narzędziom wykorzystywanym na dalszych etapach poprawnie interpretować fragment kodujący.

Wyniki testów porównawczych

Według udostępnionego komunikatu o badaniu BBERT osiągnął w testach porównawczych około 90% skuteczności w odróżnianiu DNA bakterii od DNA niebakteryjnego. Rozpoznawał fragmenty kodujące białka z dokładnością około 88%, a ich ramki odczytu — z dokładnością około 96%. Są to odrębne zadania, a nie pojedyncza miara ogólnego rozumienia genomu.

Zespół zastosował narzędzie do 1969 publicznie dostępnych zbiorów danych dotyczących DNA z gleby. Rozpoznało ono sekwencje bakterii w znacznej części odczytów, które uznane narzędzie porównawcze pozostawiło niesklasyfikowane. Wyniki sugerują również, że niewyjaśniony materiał genetyczny pochodzi także ze źródeł niebakteryjnych, a nie wyłącznie od nieznanych bakterii.

Filtrowanie odczytów przed rekonstrukcją genomu ograniczyło również nakład obliczeń. W symulowanych mieszaninach organizmów średni czas składania sekwencji na zbiór danych skrócił się z około 66 godzin do 25 godzin. Zrekonstruowane sekwencje zawierały mniej niezgodności i luk, a jednocześnie zachowano około 96% średniego pokrycia genomu bakteryjnego uzyskanego bez filtrowania.

Testy przeprowadzone na brodawkach korzeniowych dzikich roślin strączkowych dostarczyły bardziej złożonego przykładu biologicznego. Struktury te zawierają jednocześnie DNA roślin i drobnoustrojów. Filtrowanie skróciło czas składania sekwencji mniej więcej o połowę i zmniejszyło szczytowe zużycie pamięci z 188 GB do 82 GB, a w kilku zrekonstruowanych genomach bakterii ograniczyło zanieczyszczenie. Utracono również część informacji o bakteriach.

Otwarte oprogramowanie pozwala korzystać z tej metody

Publiczne repozytorium BBERT zespołu udostępnia oprogramowanie do wnioskowania oraz instrukcje pobierania modelu. Opisane wyniki obejmują prawdopodobieństwa klasyfikacji bakteryjnej, prawdopodobieństwa kodowania oraz prawdopodobieństwa dla sześciu możliwych ramek odczytu. Naukowcy mogą również eksportować osadzenia sekwencji do dalszej analizy.

Repozytorium obsługuje standardowe dane wejściowe w formatach FASTA i FASTQ oraz zawiera dokumentację dotyczącą akceleracji GPU, obsługi Apple Silicon i wolniejszego działania wyłącznie na procesorze CPU. Udostępnia także narzędzia do tłumaczenia przewidywanych sekwencji kodujących na aminokwasy. Dzięki tym funkcjom model może być elementem potoku analitycznego, a jego wyniki można filtrować i sprawdzać.

Przydatne filtrowanie ma biologiczne ograniczenia

BBERT może błędnie sklasyfikować niektóre fragmenty. DNA chloroplastów może przypominać DNA bakterii ze względu na swoje pochodzenie ewolucyjne, a odróżnienie bakterii od archeonów nadal jest trudne. Filtrowanie może więc zwiększyć wydajność, a zarazem doprowadzić do odrzucenia autentycznych odczytów bakteryjnych. Badacze muszą rozważyć ten kompromis w kontekście celów konkretnej analizy.

Ekologiczne uzasadnienie tych badań wykracza poza dążenie do szybszych obliczeń. Profil badawczy Finkela na stronie uczelni opisuje prace nad mikrobiomami roślin, interakcjami między mikroorganizmami oraz metagenomiką roślin pustynnych i gleby. Ustalenie, jakie organizmy i funkcje są obecne, stanowi podstawę badań nad tym, jak powstają te społeczności i jak wpływają na rośliny.

BBERT umożliwia ponowną analizę istniejących zbiorów danych z sekwencjonowania środowiskowego, a także przetwarzanie nowych próbek. Jego wkład polega na szybszym, opartym na wzorcach wstępnym przeglądzie krótkich odczytów, który pomaga badaczom zdecydować, które fragmenty genetyczne warto poddać dokładniejszej analizie.