O BBERT usa IA para reconhecer DNA bacteriano oculto em amostras de solo

Pesquisadores da Hebrew University of Jerusalem e de instituições parceiras desenvolveram o BBERT, uma ferramenta de IA que reconhece DNA bacteriano em fragmentos de apenas 100 bases. O trabalho aborda um problema persistente na genômica ambiental: cientistas conseguem sequenciar o material genético de uma amostra de solo, mas grande parte dele continua difícil de interpretar porque os organismos estão pouco representados nos bancos de dados de referência.

O estudo, “Atribuição rápida e precisa de domínio taxonômico a leituras metagenômicas curtas usando o BBERT,” foi publicado na revista Nucleic Acids Research. A pesquisa foi liderada pelo Dr. Amir Erez, do Instituto de Física Racah da universidade, e pelo Dr. Omri M. Finkel, do Departamento de Ciências Vegetais e Ambientais da mesma instituição. Dmitry Alekhin, Moshe Alon e Tomer Sidi contribuíram igualmente para o trabalho, junto com colegas da University of Haifa e da Agricultural Research Organization, do Instituto Volcani.

Por que é difícil classificar o DNA do solo

A metagenômica shotgun sequencia o DNA coletado de uma comunidade inteira, em vez de analisar um único organismo isolado. No solo, isso significa misturar fragmentos genéticos de bactérias, fungos, plantas e outras formas de vida. Em seguida, os pesquisadores precisam determinar de onde esses fragmentos vieram e que informações biológicas carregam.

As ferramentas baseadas em referências comparam as leituras com sequências conhecidas. Isso é útil quando existe uma correspondência próxima, mas bancos de dados incompletos deixam muitas leituras sem classificação. Essa “matéria escura” microbiana pode ocultar tanto a composição de uma comunidade quanto as funções que ela desempenha.

O BBERT aborda uma questão anterior no processo de classificação: um fragmento parece ser bacteriano? Essa classificação é mais abrangente do que identificar uma espécie. Reconhecer padrões de sequências bacterianas pode ajudar os pesquisadores a decidir quais leituras incluir nas análises subsequentes, mesmo quando não há uma correspondência próxima nas referências.

Um modelo de linguagem treinado com padrões de DNA

O artigo descreve um modelo baseado em BERT que aprende o contexto em sequências de nucleotídeos. Seu tokenizador representa bases individuais de DNA, incluindo um símbolo para bases ambíguas. Durante o pré-treinamento, o modelo aprende a recuperar bases mascaradas a partir das informações das sequências ao redor, uma adaptação da abordagem de modelagem de linguagem mascarada usada na IA aplicada à linguagem.

Em seguida, os pesquisadores ajustaram o modelo para classificar sequências como bacterianas ou não bacterianas. O objetivo é aprender padrões característicos de sequências bacterianas, permitindo fazer inferências sem buscar uma sequência de referência correspondente cada vez que uma leitura é avaliada. Ainda assim, a inferência sem referência depende do que o modelo aprendeu durante o treinamento; isso não significa que o sistema tenha sido desenvolvido sem dados genômicos.

O BBERT também estima se um fragmento codifica proteínas e prevê seu quadro de leitura. Os quadros de leitura determinam como as bases do DNA são agrupadas em unidades de três letras usadas para codificar aminoácidos. A escolha do quadro correto ajuda as ferramentas subsequentes a interpretar de forma significativa um fragmento codificador.

O que os testes de referência revelaram

De acordo com o comunicado de pesquisa fornecido, o BBERT alcançou aproximadamente 90% de precisão ao distinguir DNA bacteriano de DNA não bacteriano nos testes de referência. Identificou fragmentos codificadores de proteínas com aproximadamente 88% de precisão e seus quadros de leitura com aproximadamente 96% de precisão. Essas são tarefas distintas, e não uma única medida da compreensão genômica geral.

A equipe aplicou a ferramenta a 1.969 conjuntos de dados de DNA do solo disponíveis publicamente. O BBERT reconheceu sequências bacterianas em uma parcela substancial das leituras que uma ferramenta de comparação consolidada havia deixado sem classificação. Os resultados também sugeriram que o material genético não explicado inclui fontes não bacterianas, em vez de ser composto exclusivamente por bactérias desconhecidas.

A filtragem de leituras antes da reconstrução do genoma também reduziu o trabalho computacional. Em misturas simuladas de organismos, o tempo médio de montagem caiu de cerca de 66 horas para 25 horas por conjunto de dados. As sequências reconstruídas apresentaram menos incompatibilidades e lacunas, preservando aproximadamente 96% da cobertura média do genoma bacteriano obtida sem filtragem.

Os testes com nódulos radiculares de leguminosas silvestres ofereceram um exemplo biológico mais complexo. Essas estruturas contêm DNA vegetal e microbiano. A filtragem reduziu aproximadamente pela metade o tempo de montagem e diminuiu o pico de uso de memória de 188 GB para 82 GB, além de reduzir a contaminação em vários genomas bacterianos reconstruídos. Também houve perda de algumas informações bacterianas.

Software aberto torna a abordagem acessível

O repositório público do BBERT, mantido pela equipe, oferece software para inferência e instruções para baixar o modelo. Entre os resultados documentados estão as probabilidades de classificação bacteriana, de codificação e de cada um dos seis quadros de leitura possíveis. Os pesquisadores também podem exportar representações vetoriais das sequências para análises adicionais.

O repositório aceita arquivos de entrada nos formatos FASTA e FASTQ e documenta a aceleração por GPU, o suporte ao Apple Silicon e a operação mais lenta apenas com CPU. Também oferece utilitários para traduzir sequências codificadoras previstas em aminoácidos. Esses recursos tornam o modelo um componente de um fluxo de análise, com resultados que os pesquisadores podem filtrar e examinar.

A filtragem útil tem limites biológicos

O BBERT pode classificar incorretamente alguns fragmentos. O DNA dos cloroplastos pode se assemelhar ao DNA bacteriano devido às suas origens evolutivas, e distinguir bactérias de arqueias continua sendo um desafio. Portanto, a filtragem pode aumentar a eficiência, mas também descartar leituras bacterianas genuínas. Os pesquisadores precisam ponderar essa troca em função dos objetivos de cada análise.

A motivação ecológica vai além de acelerar a computação. O perfil de pesquisa universitária de Finkel descreve trabalhos sobre microbiomas de plantas, interações microbianas e metagenômica de plantas e solos do deserto. Entender quais organismos e funções estão presentes é fundamental para estudar como essas comunidades se formam e influenciam as plantas.

O BBERT permite reexaminar coleções existentes de sequenciamento ambiental, além de processar novas amostras. Sua contribuição é oferecer uma primeira análise mais rápida, baseada em padrões, de leituras curtas, ajudando os pesquisadores a decidir quais fragmentos genéticos merecem uma investigação mais aprofundada.