BBERT folosește inteligența artificială pentru a recunoaște ADN-ul bacterian ascuns în probele de sol

Cercetători de la Hebrew University of Jerusalem și de la instituții partenere au dezvoltat BBERT, un instrument de inteligență artificială care recunoaște ADN-ul bacterian în fragmente de doar 100 de baze. Lucrarea abordează o problemă persistentă în genomica mediului: oamenii de știință pot secvenția materialul genetic dintr-o probă de sol, însă o mare parte din acesta rămâne greu de interpretat, deoarece organismele sunt slab reprezentate în bazele de date de referință.

Studiul, „Atribuirea rapidă și precisă a domeniului taxonomic pentru secvențe metagenomice scurte cu ajutorul BBERT”, a fost publicat în Nucleic Acids Research. Studiul a fost coordonat de dr. Amir Erez, de la Racah Institute of Physics al universității, și de dr. Omri M. Finkel, de la Department of Plant and Environmental Sciences al acesteia. Dmitry Alekhin, Moshe Alon și Tomer Sidi au contribuit în mod egal, alături de colegi de la University of Haifa și de la Volcani Institute al Agricultural Research Organization.

De ce este dificilă clasificarea ADN-ului din sol

Metagenomica de tip shotgun secvențiază ADN-ul colectat dintr-o întreagă comunitate, nu dintr-un singur organism izolat. În cazul solului, aceasta înseamnă amestecarea fragmentelor genetice provenite de la bacterii, ciuperci, plante și alte forme de viață. Cercetătorii trebuie apoi să stabilească de unde provin fragmentele și ce informații biologice conțin.

Instrumentele bazate pe secvențe de referință compară secvențele analizate cu secvențe cunoscute. Acest lucru este util atunci când există o secvență apropiată, dar bazele de date incomplete lasă multe secvențe neclasificate. „Materia întunecată” microbiană rezultată poate ascunde atât componența unei comunități, cât și funcțiile pe care aceasta le îndeplinește.

BBERT abordează o întrebare de clasificare preliminară: seamănă un fragment cu unul bacterian? Aceasta este o clasificare mai generală decât identificarea unei specii. Recunoașterea tiparelor specifice secvențelor bacteriene îi poate ajuta pe cercetători să decidă ce secvențe să includă în analizele ulterioare, chiar și atunci când nu este disponibilă o secvență de referință apropiată.

Un model lingvistic antrenat pe tipare de ADN

Articolul descrie un model bazat pe BERT, care învață contextul din secvențele de nucleotide. Tokenizatorul său reprezintă bazele individuale ale ADN-ului, inclusiv un simbol pentru bazele ambigue. În etapa de preantrenare, modelul învață să recupereze bazele mascate pe baza informațiilor din secvențele învecinate, adaptând la secvențele genetice abordarea de modelare a limbajului cu tokenuri mascate folosită în inteligența artificială lingvistică.

Cercetătorii au ajustat apoi fin modelul pentru clasificarea secvențelor ca bacteriene sau non-bacteriene. Scopul este de a învăța tipare caracteristice secvențelor bacteriene, astfel încât clasificarea să poată fi făcută fără a căuta de fiecare dată o secvență de referință corespunzătoare atunci când este evaluată o secvență analizată. Clasificarea fără referință depinde totuși de ceea ce a învățat modelul în timpul antrenării; aceasta nu înseamnă că sistemul a fost dezvoltat fără date genomice.

BBERT estimează, de asemenea, dacă un fragment codifică proteine și îi prezice cadrul de citire. Cadrele de citire determină gruparea bazelor ADN-ului în unități de câte trei litere, folosite pentru codificarea aminoacizilor. Alegerea cadrului corect ajută instrumentele utilizate ulterior să interpreteze în mod relevant un fragment codant.

Rezultatele evaluărilor comparative

Potrivit anunțului de cercetare furnizat, în testele comparative BBERT a obținut o acuratețe de aproximativ 90% în distingerea ADN-ului bacterian de cel non-bacterian. A identificat fragmentele codante pentru proteine cu o acuratețe de aproximativ 88% și cadrele lor de citire cu o acuratețe de aproximativ 96%. Acestea sunt sarcini distincte, nu o singură măsură a înțelegerii genomice generale.

Echipa a aplicat instrumentul la 1.969 de seturi de date cu ADN din sol, disponibile public. Acesta a recunoscut secvențe bacteriene în rândul unei proporții considerabile dintre secvențele pe care un instrument de comparație consacrat le clasificase ca neclasificate. Rezultatele au sugerat, de asemenea, că materialul genetic neexplicat include surse non-bacteriene, nu doar bacterii necunoscute.

Filtrarea secvențelor înainte de reconstruirea genomului a redus, de asemenea, volumul de calcul necesar. În amestecuri simulate de organisme, timpul mediu de asamblare a scăzut de la aproximativ 66 de ore la 25 de ore pentru fiecare set de date. Secvențele reconstruite au prezentat mai puține nepotriviri și lacune, păstrând în același timp aproximativ 96% din acoperirea medie a genomului bacterian obținută fără filtrare.

Testele efectuate pe nodozitățile radiculare ale leguminoaselor sălbatice au oferit un exemplu biologic mai complex. Aceste structuri conțin împreună ADN vegetal și microbian. Filtrarea a redus aproximativ la jumătate timpul de asamblare și a scăzut consumul maxim de memorie de la 188 GB la 82 GB, reducând totodată contaminarea în mai multe genomuri bacteriene reconstruite. S-au pierdut, de asemenea, unele informații despre bacterii.

Software-ul cu sursă deschisă abordarea utilizabilă

Depozitul public BBERT al echipei oferă software pentru inferență și instrucțiuni pentru descărcarea modelului. Printre rezultatele documentate se numără probabilitățile de clasificare bacteriană, probabilitățile de codificare și probabilitățile pentru șase cadre de citire posibile. Cercetătorii pot, de asemenea, să exporte reprezentări vectoriale ale secvențelor pentru analize suplimentare.

Depozitul acceptă fișiere de intrare standard în formatele FASTA și FASTQ și oferă documentație despre accelerarea cu GPU, compatibilitatea cu Apple Silicon și funcționarea mai lentă doar pe CPU. De asemenea, pune la dispoziție utilitare pentru traducerea secvențelor codante prezise în aminoacizi. Aceste funcționalități fac din model o componentă a unui flux de analiză, ale cărui rezultate pot fi filtrate și examinate de cercetători.

Filtrarea utilă are și limite biologice

BBERT poate clasifica incorect unele fragmente. ADN-ul cloroplastelor poate semăna cu ADN-ul bacterian din cauza originii sale evolutive, iar diferențierea bacteriilor de arhee rămâne dificilă. Prin urmare, filtrarea poate spori eficiența, eliminând totodată și secvențe bacteriene autentice. Cercetătorii trebuie să evalueze acest compromis în funcție de obiectivele unei anumite analize.

Motivația ecologică depășește nevoia de a accelera calculele. Profilul universitar de cercetare al lui Finkel prezintă activitatea sa în domeniul microbiomurilor plantelor, al interacțiunilor microbiene și al metagenomicii plantelor deșertice și a solului. Înțelegerea organismelor și funcțiilor prezente stă la baza studierii modului în care se formează aceste comunități și influențează plantele.

BBERT oferă o modalitate de a reanaliza colecțiile existente de secvențiere a probelor de mediu, precum și de a procesa probe noi. Contribuția sa constă într-o primă analiză mai rapidă, bazată pe tipare, a citirilor scurte, care îi ajută pe cercetători să decidă ce fragmente genetice merită investigate mai în profunzime.