BBERT использует ИИ для распознавания бактериальной ДНК в образцах почвы

Исследователи из Hebrew University of Jerusalem и сотрудничающих с ним организаций разработали BBERT — инструмент на основе ИИ, распознающий бактериальную ДНК во фрагментах длиной всего 100 оснований. Эта работа посвящена давней проблеме геномики окружающей среды: ученые могут секвенировать генетический материал образца почвы, однако значительную его часть по-прежнему трудно интерпретировать, поскольку организмы слабо представлены в референсных базах данных.

Исследование «Быстрое и точное определение таксономической принадлежности коротких метагеномных прочтений с помощью BBERT» опубликовано в журнале Nucleic Acids Research. Работу возглавили д-р Амир Эрез из Института физики Ракаха при университете и д-р Омри М. Финкель с кафедры наук о растениях и окружающей среде. Дмитрий Алехин, Моше Алон и Томер Сиди внесли равный вклад в работу вместе с коллегами из University of Haifa и Agricultural Research Organization, представляющими Институт Волкани.

Почему трудно классифицировать ДНК из почвы

При метагеномном секвенировании методом «дробовика» анализируют ДНК, собранную из целого сообщества, а не одного изолированного организма. В случае с почвой это означает смешение генетических фрагментов бактерий, грибов, растений и других форм жизни. Затем исследователям нужно определить, откуда взялись эти фрагменты и какую биологическую информацию они несут.

Инструменты, основанные на референсных данных, сопоставляют прочтения с известными последовательностями. Такой подход полезен, когда находится близкое совпадение, но из-за неполноты баз данных многие прочтения остаются неклассифицированными. Возникающая в результате «темная материя» микробного мира может скрывать как состав сообщества, так и выполняемые им функции.

BBERT помогает ответить на более ранний вопрос при сортировке: похож ли фрагмент на бактериальный? Это более широкая классификация, чем определение вида. Распознавание характерных для бактерий последовательностей может помочь исследователям решить, какие прочтения использовать в последующем анализе, даже если близкого совпадения в референсных данных нет.

Языковая модель, обученная распознавать закономерности в ДНК

В статье описана модель на основе BERT, которая учится учитывать контекст внутри последовательностей нуклеотидов. Ее токенизатор представляет отдельные основания ДНК, включая символ неоднозначного основания. На этапе предварительного обучения модель учится восстанавливать замаскированные основания по окружающей последовательности — это адаптация подхода маскированного языкового моделирования, применяемого в языковых моделях ИИ.

Затем исследователи дообучили модель для классификации последовательностей как бактериальных или небактериальных. Цель — научить ее распознавать характерные для бактериальных последовательностей закономерности, чтобы при оценке каждого прочтения делать выводы без поиска соответствующей референсной последовательности. Выводы без обращения к референсным данным все равно зависят от того, чему модель научилась при обучении; это не означает, что систему разработали без геномных данных.

BBERT также оценивает, кодирует ли фрагмент белок, и предсказывает его рамку считывания. Рамки считывания определяют, как основания ДНК группируются в единицы из трех букв, используемые для кодирования аминокислот. Выбор правильной рамки помогает последующим инструментам осмысленно интерпретировать кодирующий фрагмент.

Что показали сравнительные испытания

Согласно предоставленному сообщению об исследовании, в сравнительных испытаниях BBERT с точностью около 90% отличал бактериальную ДНК от небактериальной. Модель выявляла белок-кодирующие фрагменты с точностью около 88%, а их рамки считывания — с точностью около 96%. Это отдельные задачи, а не единая оценка общего понимания генома.

Команда применила инструмент к 1 969 общедоступным наборам данных о ДНК из почвы. BBERT распознал бактериальные последовательности среди значительной доли прочтений, которые ранее оставались неклассифицированными при использовании известного инструмента для сравнения. Результаты также показали, что неидентифицированный генетический материал имеет и небактериальное происхождение, а не состоит исключительно из незнакомых бактерий.

Фильтрация прочтений перед реконструкцией геномов также снизила вычислительные затраты. В симуляциях смешанных сообществ организмов среднее время сборки сократилось примерно с 66 до 25 часов на набор данных. В реконструированных последовательностях стало меньше несовпадений и пробелов, при этом сохранилось около 96% среднего охвата бактериальных геномов, достигавшегося без фильтрации.

Испытания на клубеньках корней дикорастущих бобовых растений стали более сложным биологическим примером. В этих структурах содержится одновременно ДНК растений и микроорганизмов. Фильтрация примерно вдвое сократила время сборки и снизила пиковое использование памяти со 188 до 82 ГБ; при этом в нескольких реконструированных бактериальных геномах уменьшилось загрязнение. Часть бактериальной информации также была утрачена.

Открытое программное обеспечение делает этот подход доступным

В общедоступном репозитории BBERT команда разместила программное обеспечение для выполнения выводов модели и инструкции по ее загрузке. В документации перечислены выходные данные: вероятности бактериальной классификации, вероятности кодирования белка и вероятности для шести возможных рамок считывания. Исследователи также могут экспортировать векторные представления последовательностей для дополнительного анализа.

Репозиторий поддерживает стандартные входные данные в форматах FASTA и FASTQ и содержит инструкции по использованию графических процессоров, поддержке Apple Silicon и более медленной работе только на центральном процессоре. В нем также есть инструменты для преобразования предсказанных кодирующих последовательностей в аминокислоты. Благодаря этим функциям модель можно включить в аналитический конвейер, где исследователи смогут фильтровать и изучать ее выходные данные.

Фильтрация полезна, но имеет биологические ограничения

BBERT может ошибочно классифицировать некоторые фрагменты. ДНК хлоропластов может напоминать бактериальную ДНК из-за своего эволюционного происхождения, а отличить бактерии от архей по-прежнему сложно. Поэтому фильтрация может повысить эффективность, но при этом привести к отбрасыванию подлинных бактериальных ридов. Исследователям необходимо соотносить этот компромисс с целями конкретного анализа.

Экологические причины для проведения этих исследований выходят за рамки простого ускорения вычислений. В университетском профиле исследовательской деятельности Finkel рассказывается о работе с микробиомами растений, взаимодействиями микроорганизмов, а также метагеномикой пустынных растений и почв. Понимание того, какие организмы присутствуют в этих сообществах и какие функции они выполняют, служит основой для изучения того, как сообщества формируются и влияют на растения.

BBERT позволяет повторно анализировать уже собранные коллекции данных экологического секвенирования, а также обрабатывать новые образцы. Его вклад — более быстрый первичный анализ коротких ридов на основе выявления закономерностей, который помогает исследователям определять, какие генетические фрагменты заслуживают более глубокого изучения.