BBERT використовує ШІ, щоб розпізнавати бактеріальну ДНК у зразках ґрунту

Дослідники з Hebrew University of Jerusalem та установ-партнерів розробили BBERT — інструмент на основі ШІ, який розпізнає бактеріальну ДНК у фрагментах завдовжки лише 100 основ. Ця робота допомагає розв’язати давню проблему геноміки довкілля: науковці можуть секвенувати генетичний матеріал зі зразка ґрунту, однак значну його частину важко інтерпретувати, оскільки відповідні організми недостатньо представлені в референсних базах даних.

Дослідження «Швидке й точне визначення таксономічного домену коротких метагеномних прочитань за допомогою BBERT» опубліковано в журналі Nucleic Acids Research. Його очолили доктор Амір Ерез із фізичного інституту Рака при університеті та доктор Омрі М. Фінкель із кафедри рослинних і природоохоронних наук цього ж університету. Дмитро Алєхін, Моше Алон і Томер Сіді зробили рівнозначний внесок у роботу разом із колегами з University of Haifa та Volcani Institute при Agricultural Research Organization.

Чому складно впорядкувати ДНК ґрунту

Шотган-метагеноміка дає змогу секвенувати ДНК, зібрану з усієї спільноти організмів, а не з одного ізольованого організму. У ґрунті це означає суміш генетичних фрагментів бактерій, грибів, рослин та інших форм життя. Потім дослідникам потрібно з’ясувати, звідки походять ці фрагменти та яку біологічну інформацію вони містять.

Інструменти на основі референсних даних порівнюють прочитання з відомими послідовностями. Це корисно, коли є близький збіг, але через неповноту баз даних багато прочитань залишаються некласифікованими. Унаслідок цього «темна матерія» мікробного світу може приховувати як склад спільноти, так і її функції.

BBERT допомагає відповісти на попереднє запитання під час класифікації: чи схожий фрагмент на бактеріальний? Це ширша класифікація, ніж визначення виду. Розпізнавання характерних для бактерій послідовностей може допомогти дослідникам вирішити, які прочитання використати для подальшого аналізу, навіть якщо близького збігу з референсною послідовністю немає.

Мовна модель, навчена розпізнавати закономірності в ДНК

У статті описано модель на основі BERT, яка навчається враховувати контекст у нуклеотидних послідовностях. Її токенізатор представляє окремі основи ДНК, зокрема символ неоднозначної основи. Під час попереднього навчання модель вчиться відновлювати замасковані основи за інформацією з навколишньої послідовності — це адаптація підходу до моделювання мови із замаскованими елементами, який використовують у мовному ШІ.

Потім дослідники донавчили модель розрізняти бактеріальні та небактеріальні послідовності. Мета — навчити її розпізнавати закономірності, характерні для бактеріальних послідовностей, щоб під час оцінювання кожного прочитання робити висновки без пошуку відповідної референсної послідовності. Висновки без референсних даних усе одно залежать від того, чого модель навчилася під час тренування; це не означає, що систему розробили без геномних даних.

BBERT також оцінює, чи кодує фрагмент білок, і прогнозує його рамку зчитування. Рамки зчитування визначають, як основи ДНК групуються в одиниці з трьох літер, що кодують амінокислоти. Вибір правильної рамки допомагає інструментам подальшого аналізу належно інтерпретувати кодуючий фрагмент.

Що показало тестування

Згідно з наданим повідомленням про дослідження, у тестах на контрольних наборах BBERT розрізняв бактеріальну та небактеріальну ДНК із точністю приблизно 90%. Він визначав кодуючі білок фрагменти з точністю приблизно 88%, а їхні рамки зчитування — приблизно 96%. Це окремі завдання, а не єдиний показник загального розуміння геному.

Команда застосувала інструмент до 1 969 загальнодоступних наборів даних про ДНК ґрунту. BBERT розпізнав бактеріальні послідовності серед значної частки прочитань, які усталений інструмент для порівняння залишив некласифікованими. Результати також свідчать, що генетичний матеріал, походження якого не вдалося пояснити, включає небактеріальні джерела, а не складається лише з невідомих бактерій.

Фільтрування прочитань перед реконструкцією геному також зменшило обчислювальні витрати. У симульованих сумішах організмів середній час складання на один набір даних скоротився приблизно з 66 до 25 годин. У реконструйованих послідовностях було менше невідповідностей і прогалин, а покриття в середньому становило приблизно 96% від покриття бактеріального геному, отриманого без фільтрування.

Тестування на бульбочках коренів дикорослих бобових дало змогу розглянути складніший біологічний приклад. Ці структури містять одночасно рослинну й мікробну ДНК. Фільтрування приблизно вдвічі скоротило час складання та зменшило пікове використання пам’яті зі 188 ГБ до 82 ГБ; водночас у кількох реконструйованих бактеріальних геномах знизився рівень забруднення. Частина бактеріальної інформації також була втрачена.

Відкрите програмне забезпечення робить цей підхід доступним

У публічному репозиторії BBERT команди доступні програмне забезпечення для виконання висновків і інструкції із завантаження моделі. Серед задокументованих вихідних даних — імовірності класифікації фрагмента як бактеріального, імовірності того, що він кодує білок, а також імовірності для шести можливих рамок зчитування. Дослідники також можуть експортувати векторні представлення послідовностей для подальшого аналізу.

Репозиторій підтримує стандартні файли FASTA і FASTQ та містить документацію щодо прискорення обчислень на графічному процесорі, підтримки Apple Silicon і повільнішої роботи лише на центральному процесорі. У ньому також є інструменти для перетворення прогнозованих кодуючих послідовностей на амінокислоти. Завдяки цим можливостям модель можна використовувати як компонент аналітичного конвеєра, а її вихідні дані — фільтрувати й перевіряти.

Корисне фільтрування має біологічні обмеження

BBERT може неправильно класифікувати деякі фрагменти. ДНК хлоропластів може нагадувати бактеріальну ДНК через своє еволюційне походження, а розрізняти бактерії та архей досі складно. Тому фільтрація може підвищити ефективність, водночас відсіюючи справжні бактеріальні прочитання. Дослідникам потрібно зважати на цей компроміс з огляду на цілі конкретного аналізу.

Екологічне обґрунтування цієї роботи не обмежується потребою в швидших обчисленнях. Університетський дослідницький профіль Фінкеля описує його роботу над мікробіомами рослин, взаємодією мікроорганізмів, а також метагеномікою пустельних рослин і ґрунту. Розуміння того, які організми присутні та які функції вони виконують, є основою для вивчення того, як формуються ці спільноти та як вони впливають на рослини.

BBERT дає змогу повторно аналізувати наявні колекції даних екологічного секвенування, а також обробляти нові зразки. Його внесок полягає у швидкому первинному аналізі коротких прочитань на основі закономірностей, що допомагає дослідникам визначати, які генетичні фрагменти потребують глибшого вивчення.