BBERT ใช้ AI ตรวจจับ DNA ของแบคทีเรียที่ซ่อนอยู่ในตัวอย่างดิน

นักวิจัยจาก Hebrew University of Jerusalem และสถาบันพันธมิตรพัฒนา BBERT เครื่องมือ AI ที่ตรวจจับ DNA ของแบคทีเรียได้ในชิ้นส่วนที่มีความยาวเพียง 100 เบส งานวิจัยนี้มุ่งแก้ปัญหาที่ยังคงพบในจีโนมิกส์สิ่งแวดล้อม กล่าวคือ นักวิทยาศาสตร์สามารถหาลำดับสารพันธุกรรมในตัวอย่างดินได้ แต่ยังตีความสารพันธุกรรมจำนวนมากได้ยาก เพราะสิ่งมีชีวิตที่เป็นแหล่งที่มามีข้อมูลอยู่ในฐานข้อมูลอ้างอิงน้อย

งานวิจัยเรื่อง “การจำแนกโดเมนทางอนุกรมวิธานอย่างรวดเร็วและแม่นยำของข้อมูลลำดับเมตาจีโนมิกส์ระยะสั้นด้วย BBERT” ตีพิมพ์ใน Nucleic Acids Research โดยมี ดร. Amir Erez จาก Racah Institute of Physics ของมหาวิทยาลัย และ ดร. Omri M. Finkel จาก Department of Plant and Environmental Sciences ของมหาวิทยาลัย เป็นหัวหน้าการวิจัย Dmitry Alekhin, Moshe Alon และ Tomer Sidi มีส่วนร่วมในงานวิจัยเท่าเทียมกัน ร่วมกับเพื่อนร่วมงานจาก University of Haifa และ Volcani Institute ของ Agricultural Research Organization

เหตุใดการจำแนก DNA ในดินจึงทำได้ยาก

เมตาจีโนมิกส์แบบช็อตกันเป็นการหาลำดับ DNA ที่เก็บรวบรวมจากชุมชนสิ่งมีชีวิตทั้งหมด แทนที่จะเก็บจากสิ่งมีชีวิตชนิดเดียวที่แยกออกมา ในตัวอย่างดินจึงมีชิ้นส่วนสารพันธุกรรมจากแบคทีเรีย เชื้อรา พืช และสิ่งมีชีวิตรูปแบบอื่นปะปนกัน นักวิจัยต้องระบุให้ได้ว่าชิ้นส่วนเหล่านั้นมาจากสิ่งใด และมีข้อมูลทางชีววิทยาอะไรบ้าง

เครื่องมือที่อาศัยฐานข้อมูลอ้างอิงจะเปรียบเทียบข้อมูลลำดับกับลำดับที่รู้จักแล้ว วิธีนี้มีประโยชน์เมื่อพบลำดับที่ตรงกันอย่างใกล้เคียง แต่ฐานข้อมูลที่ไม่สมบูรณ์ทำให้ข้อมูลลำดับจำนวนมากยังจำแนกไม่ได้ “สสารมืด” ของจุลินทรีย์ที่เกิดขึ้นจึงอาจบดบังทั้งองค์ประกอบของชุมชนจุลินทรีย์และหน้าที่ที่ชุมชนนั้นทำ

BBERT จัดการกับคำถามเบื้องต้นในการจำแนก นั่นคือ ชิ้นส่วนนี้มีลักษณะเหมือนแบคทีเรียหรือไม่ การจำแนกเช่นนี้ครอบคลุมกว่าการระบุชื่อสปีชีส์ การตรวจจับรูปแบบลำดับที่เป็นลักษณะของแบคทีเรียช่วยให้นักวิจัยตัดสินใจได้ว่าจะนำข้อมูลลำดับใดไปวิเคราะห์ต่อ แม้จะไม่มีลำดับอ้างอิงที่ใกล้เคียงกันก็ตาม

แบบจำลองภาษาที่ฝึกให้เรียนรู้รูปแบบ DNA

บทความอธิบายแบบจำลองที่พัฒนาจาก BERT ซึ่งเรียนรู้บริบทภายในลำดับนิวคลีโอไทด์ ตัวตัดคำของแบบจำลองใช้แทนเบส DNA แต่ละตัว รวมถึงสัญลักษณ์สำหรับเบสที่ไม่ทราบชนิด ในระหว่างการฝึกล่วงหน้า แบบจำลองจะเรียนรู้การกู้คืนเบสที่ถูกปิดบังโดยอาศัยข้อมูลจากลำดับรอบข้าง ซึ่งเป็นการปรับแนวทางการฝึกแบบจำลองภาษาด้วยการทำนายส่วนที่ถูกปิดบังซึ่งใช้ใน AI ด้านภาษา

จากนั้นนักวิจัยปรับแต่งแบบจำลองเพิ่มเติมเพื่อจำแนก DNA ของแบคทีเรียออกจาก DNA ที่ไม่ใช่ของแบคทีเรีย เป้าหมายคือให้แบบจำลองเรียนรู้รูปแบบที่เป็นลักษณะเฉพาะของลำดับแบคทีเรีย เพื่อให้อนุมานได้โดยไม่ต้องค้นหาลำดับอ้างอิงที่ตรงกันทุกครั้งที่ประเมินข้อมูลลำดับ การอนุมานโดยไม่ใช้ข้อมูลอ้างอิงยังคงขึ้นอยู่กับสิ่งที่แบบจำลองเรียนรู้ระหว่างการฝึก ไม่ได้หมายความว่าพัฒนาระบบนี้ขึ้นมาโดยไม่ใช้ข้อมูลจีโนม

BBERT ยังประเมินด้วยว่าชิ้นส่วนใดมีรหัสสำหรับสร้างโปรตีนหรือไม่ และทำนายกรอบการอ่านของชิ้นส่วนนั้น กรอบการอ่านกำหนดวิธีจัดกลุ่มเบส DNA เป็นหน่วยละสามตัวอักษร ซึ่งใช้เข้ารหัสกรดอะมิโน การเลือกกรอบที่ถูกต้องช่วยให้เครื่องมือขั้นถัดไปตีความชิ้นส่วนที่มีรหัสได้อย่างมีความหมาย

ผลการทดสอบมาตรฐาน

ตามประกาศผลการวิจัยที่ให้มา BBERT จำแนก DNA ของแบคทีเรียออกจาก DNA ที่ไม่ใช่ของแบคทีเรียในการทดสอบมาตรฐานได้อย่างแม่นยำประมาณ 90% เครื่องมือนี้ระบุชิ้นส่วนที่มีรหัสสำหรับสร้างโปรตีนได้อย่างแม่นยำประมาณ 88% และระบุกรอบการอ่านของชิ้นส่วนเหล่านั้นได้อย่างแม่นยำประมาณ 96% ทั้งหมดนี้เป็นงานที่แยกจากกัน ไม่ใช่การวัดความเข้าใจจีโนมโดยรวมเพียงค่าเดียว

ทีมวิจัยนำเครื่องมือนี้ไปใช้กับชุดข้อมูล DNA จากดินที่เปิดให้สาธารณชนเข้าถึงได้ 1,969 ชุด เครื่องมือนี้ตรวจพบลำดับแบคทีเรียในข้อมูลลำดับจำนวนมากที่เครื่องมือเปรียบเทียบซึ่งใช้อยู่เดิมจำแนกไม่ได้ ผลการศึกษายังชี้ว่าสารพันธุกรรมที่ยังอธิบายไม่ได้มีแหล่งที่มาที่ไม่ใช่แบคทีเรียด้วย ไม่ได้ประกอบด้วยแบคทีเรียที่ไม่คุ้นเคยเพียงอย่างเดียว

การกรองข้อมูลลำดับก่อนประกอบจีโนมยังช่วยลดภาระการประมวลผล ในการจำลองส่วนผสมของสิ่งมีชีวิต ระยะเวลาประกอบลำดับโดยเฉลี่ยลดลงจากประมาณ 66 ชั่วโมงเหลือ 25 ชั่วโมงต่อชุดข้อมูล ลำดับที่ประกอบขึ้นมีตำแหน่งที่ไม่ตรงกันและช่องว่างน้อยลง ขณะยังคงครอบคลุมจีโนมแบคทีเรียโดยเฉลี่ยได้ประมาณ 96% เมื่อเทียบกับการไม่กรอง

การทดสอบกับปมรากของพืชตระกูลถั่วป่าทำให้เห็นตัวอย่างทางชีววิทยาที่ซับซ้อนยิ่งขึ้น โครงสร้างเหล่านี้มีทั้ง DNA ของพืชและจุลินทรีย์อยู่ร่วมกัน การกรองช่วยลดเวลาประกอบลำดับลงประมาณครึ่งหนึ่ง และลดการใช้หน่วยความจำสูงสุดจาก 188 GB เหลือ 82 GB พร้อมทั้งลดการปนเปื้อนในจีโนมแบคทีเรียที่ประกอบขึ้นได้หลายจีโนม อย่างไรก็ตาม ข้อมูลของแบคทีเรียบางส่วนก็สูญหายไปด้วย

ซอฟต์แวร์แบบเปิดช่วยให้ใช้งานแนวทางนี้ได้

คลัง BBERT สาธารณะของทีมวิจัย ให้บริการซอฟต์แวร์สำหรับการอนุมานและคำแนะนำในการดาวน์โหลดแบบจำลอง ผลลัพธ์ที่ระบุไว้ในเอกสารประกอบประกอบด้วยความน่าจะเป็นในการจำแนกแบคทีเรีย ความน่าจะเป็นในการมีรหัสสำหรับสร้างโปรตีน และความน่าจะเป็นของกรอบการอ่านที่เป็นไปได้ทั้งหกแบบ นอกจากนี้ นักวิจัยยังส่งออกเวกเตอร์ฝังตัวของลำดับเพื่อนำไปวิเคราะห์เพิ่มเติมได้

คลังดังกล่าวรองรับข้อมูลนำเข้ามาตรฐานรูปแบบ FASTA และ FASTQ พร้อมเอกสารอธิบายการเร่งความเร็วด้วย GPU การรองรับ Apple Silicon และการทำงานที่ช้าลงเมื่อใช้ CPU เพียงอย่างเดียว นอกจากนี้ยังมีเครื่องมือสำหรับแปลงลำดับที่ทำนายว่ามีรหัสให้เป็นกรดอะมิโน คุณสมบัติเหล่านี้ทำให้แบบจำลองเป็นส่วนหนึ่งของกระบวนการวิเคราะห์ โดยนักวิจัยสามารถกรองและตรวจสอบผลลัพธ์ได้

การกรองที่มีประโยชน์ยังมีข้อจำกัดทางชีววิทยา

BBERT อาจจำแนกชิ้นส่วนบางส่วนผิดพลาดได้ ดีเอ็นเอของคลอโรพลาสต์อาจมีลักษณะคล้ายดีเอ็นเอของแบคทีเรียเนื่องจากมีต้นกำเนิดทางวิวัฒนาการร่วมกัน และการแยกแบคทีเรียออกจากอาร์เคียยังคงเป็นเรื่องท้าทาย ดังนั้น การกรองจึงช่วยเพิ่มประสิทธิภาพได้ แต่ก็อาจคัดทิ้งข้อมูลอ่านลำดับพันธุกรรมที่เป็นของแบคทีเรียจริงด้วย นักวิจัยจำเป็นต้องพิจารณาข้อแลกเปลี่ยนนี้ให้สอดคล้องกับเป้าหมายของการวิเคราะห์แต่ละครั้ง

แรงจูงใจด้านนิเวศวิทยามีความสำคัญมากกว่าการประมวลผลที่รวดเร็วยิ่งขึ้น โปรไฟล์งานวิจัยของ Finkel ที่มหาวิทยาลัยกล่าวถึงงานวิจัยด้านไมโครไบโอมของพืช ปฏิสัมพันธ์ระหว่างจุลินทรีย์ และเมตาจีโนมิกส์ของพืชทะเลทรายและดิน การทำความเข้าใจว่ามีสิ่งมีชีวิตชนิดใดและมีหน้าที่อะไรบ้าง เป็นพื้นฐานสำหรับศึกษาว่าชุมชนเหล่านั้นรวมตัวกันอย่างไรและส่งผลต่อพืชอย่างไร

BBERT ช่วยให้นักวิจัยนำชุดข้อมูลการหาลำดับพันธุกรรมจากสิ่งแวดล้อมที่มีอยู่แล้วกลับมาวิเคราะห์อีกครั้ง รวมถึงประมวลผลตัวอย่างใหม่ได้ จุดเด่นของเครื่องมือนี้คือการตรวจสอบข้อมูลอ่านลำดับพันธุกรรมช่วงสั้นในรอบแรกได้รวดเร็วด้วยการจับรูปแบบ ซึ่งช่วยให้นักวิจัยตัดสินใจได้ว่าชิ้นส่วนพันธุกรรมใดควรนำไปตรวจสอบเชิงลึกต่อไป