BBERT använder AI för att känna igen bakteriellt DNA dolt i jordprover

Forskare vid Hebrew University of Jerusalem och partnerinstitutioner har utvecklat BBERT, ett AI-verktyg som känner igen bakteriellt DNA i fragment så korta som 100 baser. Arbetet tar sig an ett ihållande problem inom miljögenomik: forskare kan sekvensera det genetiska materialet i ett jordprov, men mycket av det är fortfarande svårt att tolka eftersom organismerna är dåligt representerade i referensdatabaser.

Studien, ”Snabb och exakt taxonomisk domäntilldelning av korta metagenomiska läsningar med BBERT”, publicerades i Nucleic Acids Research. Den leddes av Dr. Amir Erez vid universitetets Racah Institute of Physics och Dr. Omri M. Finkel vid dess Department of Plant and Environmental Sciences. Dmitry Alekhin, Moshe Alon och Tomer Sidi bidrog i lika hög grad, tillsammans med kollegor från University of Haifa och Agricultural Research Organizations Volcani Institute.

Därför är jord-DNA svårt att sortera

Shotgun-metagenomik innebär att DNA från en hel organismgemenskap sekvenseras i stället för DNA från en enda isolerad organism. I jord innebär det att genetiska fragment från bakterier, svampar, växter och andra livsformer blandas. Forskarna behöver sedan avgöra var fragmenten kommer ifrån och vilken biologisk information de innehåller.

Referensbaserade verktyg jämför läsningar med kända sekvenser. Det är användbart när det finns en nära matchning, men ofullständiga databaser gör att många läsningar förblir oklassificerade. Den mikrobiella ”mörka materia” som blir kvar kan skymma både en organismgemenskaps sammansättning och dess funktioner.

BBERT tar sig an en tidigare sorteringsfråga: ser ett fragment ut att vara bakteriellt? Det är en bredare klassificering än att fastställa vilken art det tillhör. Genom att känna igen mönster i bakteriesekvenser kan forskare avgöra vilka läsningar som ska tas vidare till efterföljande analyser, även när det inte finns någon nära referensmatchning.

En språkmodell tränad på DNA-mönster

I artikeln beskrivs en BERT-baserad modell som lär sig sammanhang i nukleotidsekvenser. Modellens tokeniserare representerar enskilda DNA-baser, inklusive en symbol för tvetydiga baser. Under förträningen lär sig modellen att återställa maskerade baser utifrån information i de omgivande sekvenserna, en anpassning av den metod för maskerad språkmodellering som används inom språklig AI.

Forskarna finjusterade sedan modellen för att skilja mellan bakteriellt och icke-bakteriellt DNA. Målet är att lära modellen mönster som kännetecknar bakteriesekvenser, så att den kan dra slutsatser utan att varje gång söka efter en matchande referenssekvens när en läsning bedöms. Referensfri inferens är fortfarande beroende av vad modellen lärde sig under träningen; det betyder inte att systemet utvecklades utan genomdata.

BBERT uppskattar också om ett fragment kodar för ett protein och förutsäger dess läsram. Läsramar avgör hur DNA-baser grupperas i enheter om tre bokstäver, som används för att koda aminosyror. Om rätt läsram väljs kan efterföljande verktyg tolka ett kodande fragment på ett meningsfullt sätt.

Vad jämförelsetesterna visade

Enligt det tillhandahållna forskningsmeddelandet uppnådde BBERT en noggrannhet på cirka 90 % när verktyget i jämförelsetester skilde mellan bakteriellt och icke-bakteriellt DNA. Det identifierade protein-kodande fragment med en noggrannhet på cirka 88 % och deras läsramar med en noggrannhet på cirka 96 %. Det rör sig om separata uppgifter, inte ett enda mått på den övergripande förståelsen av genom.

Teamet använde verktyget på 1 969 offentligt tillgängliga jord-DNA-dataset. Det identifierade bakteriesekvenser i en betydande andel av de läsningar som ett etablerat jämförelseverktyg hade lämnat oklassificerade. Resultaten tydde också på att oförklarat genetiskt material kommer från icke-bakteriella källor, snarare än att enbart bestå av okända bakterier.

Filtrering av läsningar före genomrekonstruktion minskade också beräkningsarbetet. I simulerade blandningar av organismer sjönk den genomsnittliga monteringstiden från cirka 66 timmar till 25 timmar per dataset. De rekonstruerade sekvenserna hade färre felmatchningar och luckor, samtidigt som cirka 96 % av den genomsnittliga täckning av bakteriegenomet som uppnåddes utan filtrering bevarades.

Tester på rotknölar från vilda baljväxter gav ett mer komplext biologiskt exempel. Dessa strukturer innehåller både växt- och mikrobiellt DNA. Filtrering halverade ungefär monteringstiden och sänkte den maximala minnesanvändningen från 188 GB till 82 GB, samtidigt som kontamineringen minskade i flera rekonstruerade bakteriegenom. En del bakteriell information gick också förlorad.

Öppen programvara gör metoden användbar

Teamets offentliga BBERT-databas innehåller programvara för inferens och instruktioner för nedladdning av modellen. De dokumenterade utdata omfattar sannolikheter för bakterieklassificering, sannolikheter för proteinkodning och sannolikheter för sex möjliga läsramar. Forskare kan också exportera sekvensinbäddningar för ytterligare analys.

Databasen stöder standardformaten FASTA och FASTQ och innehåller dokumentation om GPU-acceleration, stöd för Apple Silicon och långsammare drift med enbart CPU. Den tillhandahåller också verktyg för att översätta förutsagda kodande sekvenser till aminosyror. Dessa funktioner gör modellen till en komponent i en analyskedja, med utdata som forskare kan filtrera och granska.

Filtrering är användbar, men har biologiska begränsningar

BBERT kan felklassificera vissa fragment. Kloroplast-DNA kan likna bakterie-DNA på grund av sitt evolutionära ursprung, och det är fortfarande en utmaning att skilja bakterier från arkéer. Filtrering kan därför öka effektiviteten, men också leda till att genuina sekvensläsningar från bakterier sorteras bort. Forskare behöver väga den avvägningen mot målen med en viss analys.

Den ekologiska drivkraften sträcker sig längre än till snabbare beräkningar. Finkels forskningsprofil vid universitetet beskriver arbete med växtmikrobiom, mikrobiella interaktioner samt metagenomik av ökenväxter och ökenjordar. Att förstå vilka organismer och funktioner som finns är en grund för att studera hur dessa samhällen bildas och påverkar växter.

BBERT gör det möjligt att analysera befintliga samlingar av miljösekvenseringsdata på nytt och att bearbeta nya prover. Metoden bidrar med ett snabbare, mönsterbaserat första urval av korta sekvensläsningar och hjälper forskare att avgöra vilka genetiska fragment som förtjänar en djupare undersökning.