BBERT sử dụng AI để nhận diện DNA vi khuẩn ẩn trong các mẫu đất

Tiến sĩ Omri M. Finkel (Ảnh: Hebrew University).

Các nhà nghiên cứu tại Hebrew University of Jerusalem cùng các cơ sở đối tác đã phát triển BBERT, một công cụ AI có khả năng nhận diện DNA vi khuẩn trong những đoạn trình tự ngắn chỉ 100 bazơ. Công trình này giải quyết một vấn đề dai dẳng trong lĩnh vực hệ gen môi trường: các nhà khoa học có thể giải trình tự vật liệu di truyền trong mẫu đất, nhưng phần lớn vẫn khó diễn giải vì các sinh vật đó chưa được đại diện đầy đủ trong các cơ sở dữ liệu tham chiếu.

Nghiên cứu “Phân loại giới phân loại nhanh và chính xác các đoạn đọc metagenome ngắn bằng BBERT” được công bố trên Nucleic Acids Research. Nghiên cứu do Tiến sĩ Amir Erez thuộc Racah Institute of Physics của trường và Tiến sĩ Omri M. Finkel thuộc Department of Plant and Environmental Sciences của trường chủ trì. Dmitry Alekhin, Moshe Alon và Tomer Sidi có đóng góp ngang nhau, cùng với các đồng nghiệp tại University of Haifa và Viện Volcani thuộc Agricultural Research Organization.

Vì sao khó phân loại DNA trong đất

Phương pháp giải trình tự metagenome kiểu shotgun phân tích DNA thu thập từ cả một quần thể, thay vì từ một sinh vật riêng lẻ đã được phân lập. Trong đất, điều đó có nghĩa là trộn lẫn các đoạn vật liệu di truyền từ vi khuẩn, nấm, thực vật và những dạng sống khác. Sau đó, các nhà nghiên cứu cần xác định những đoạn này bắt nguồn từ đâu và chứa thông tin sinh học nào.

Các công cụ dựa trên trình tự tham chiếu đối chiếu những đoạn đọc trình tự với các trình tự đã biết. Cách này hữu ích khi có trình tự tương đồng gần, nhưng cơ sở dữ liệu chưa đầy đủ khiến nhiều đoạn đọc không thể phân loại. “Vật chất tối” của vi sinh vật tạo ra tình trạng này có thể che khuất cả thành phần của một quần thể lẫn các chức năng mà quần thể đó thực hiện.

BBERT giải quyết một câu hỏi phân loại ở bước sớm hơn: một đoạn trình tự có giống DNA vi khuẩn không? Đây là cách phân loại rộng hơn so với việc xác định tên loài. Nhận diện các kiểu trình tự đặc trưng của vi khuẩn có thể giúp nhà nghiên cứu quyết định nên đưa những đoạn đọc nào vào các bước phân tích tiếp theo, ngay cả khi không có trình tự tham chiếu tương đồng gần.

Mô hình ngôn ngữ được huấn luyện trên các kiểu trình tự DNA

Bài báo mô tả một mô hình dựa trên BERT có khả năng học ngữ cảnh trong các trình tự nucleotide. Bộ phân tách đơn vị của mô hình biểu diễn từng bazơ DNA riêng lẻ, bao gồm cả ký hiệu cho bazơ chưa xác định. Trong quá trình tiền huấn luyện, mô hình học cách khôi phục các bazơ bị che khuất dựa trên thông tin trình tự xung quanh — một cách điều chỉnh phương pháp mô hình hóa ngôn ngữ bị che khuất được sử dụng trong AI ngôn ngữ.

Sau đó, các nhà nghiên cứu tinh chỉnh mô hình để phân loại trình tự vi khuẩn và không phải vi khuẩn. Mục tiêu là giúp mô hình học các kiểu trình tự đặc trưng của vi khuẩn, từ đó đưa ra suy luận mà không cần tìm trình tự tham chiếu tương ứng mỗi khi đánh giá một đoạn đọc. Suy luận không dựa trên trình tự tham chiếu vẫn phụ thuộc vào những gì mô hình đã học trong quá trình huấn luyện; điều đó không có nghĩa là hệ thống được phát triển mà không dùng dữ liệu hệ gen.

BBERT cũng ước tính liệu một đoạn trình tự có mã hóa protein hay không và dự đoán khung đọc của đoạn đó. Khung đọc xác định cách nhóm các bazơ DNA thành những đơn vị gồm ba chữ cái dùng để mã hóa axit amin. Chọn đúng khung giúp các công cụ ở bước sau diễn giải có ý nghĩa đoạn trình tự mã hóa.

Kết quả đánh giá chuẩn

Theo thông báo nghiên cứu được cung cấp, BBERT đạt độ chính xác khoảng 90% khi phân biệt DNA vi khuẩn với DNA không phải vi khuẩn trong các bài kiểm tra chuẩn. Công cụ nhận diện các đoạn trình tự mã hóa protein với độ chính xác khoảng 88% và xác định khung đọc của chúng với độ chính xác khoảng 96%. Đây là những nhiệm vụ riêng biệt, không phải một thước đo duy nhất về mức độ hiểu biết tổng thể của mô hình đối với hệ gen.

Nhóm nghiên cứu áp dụng công cụ này cho 1.969 bộ dữ liệu DNA đất được công khai. Công cụ nhận diện được các trình tự vi khuẩn trong một tỷ lệ đáng kể các đoạn đọc mà một công cụ đối chiếu đã có tên tuổi không thể phân loại. Các phát hiện cũng cho thấy vật liệu di truyền chưa được giải thích bao gồm cả những nguồn không phải vi khuẩn, chứ không chỉ gồm các vi khuẩn chưa từng được biết đến.

Lọc các đoạn đọc trước khi tái dựng hệ gen cũng giúp giảm khối lượng tính toán. Trong các hỗn hợp sinh vật mô phỏng, thời gian lắp ráp trung bình giảm từ khoảng 66 giờ xuống còn 25 giờ cho mỗi bộ dữ liệu. Các trình tự được tái dựng có ít sai khác và khoảng trống hơn, đồng thời vẫn duy trì khoảng 96% mức độ bao phủ hệ gen vi khuẩn trung bình đạt được khi không lọc.

Các thử nghiệm trên nốt sần ở rễ cây họ đậu mọc hoang cho thấy một ví dụ sinh học phức tạp hơn. Những cấu trúc này chứa đồng thời DNA thực vật và DNA vi sinh vật. Việc lọc giúp giảm gần một nửa thời gian lắp ráp và hạ mức sử dụng bộ nhớ tối đa từ 188 GB xuống 82 GB, đồng thời giảm tạp nhiễm trong một số hệ gen vi khuẩn được tái dựng. Một phần thông tin về vi khuẩn cũng bị mất.

Phần mềm mở giúp đưa phương pháp vào sử dụng

Kho lưu trữ BBERT công khai của nhóm nghiên cứu cung cấp phần mềm suy luận và hướng dẫn tải mô hình. Các đầu ra được tài liệu hóa bao gồm xác suất phân loại vi khuẩn, xác suất mã hóa và xác suất ứng với sáu khung đọc có thể có. Nhà nghiên cứu cũng có thể xuất các biểu diễn nhúng của trình tự để phân tích thêm.

Kho lưu trữ hỗ trợ dữ liệu đầu vào FASTA và FASTQ tiêu chuẩn, đồng thời có tài liệu hướng dẫn về tăng tốc bằng GPU, hỗ trợ Apple Silicon và chế độ chỉ dùng CPU với tốc độ thấp hơn. Kho cũng cung cấp các tiện ích để dịch các trình tự mã hóa được dự đoán thành axit amin. Những tính năng này giúp mô hình trở thành một thành phần trong quy trình phân tích, với các đầu ra mà nhà nghiên cứu có thể lọc và kiểm tra.

Lọc hữu ích nhưng vẫn có những giới hạn sinh học

BBERT có thể phân loại sai một số đoạn trình tự. DNA lục lạp có thể giống DNA vi khuẩn do nguồn gốc tiến hóa của nó, và việc phân biệt vi khuẩn với vi khuẩn cổ vẫn là một thách thức. Vì vậy, việc lọc có thể nâng cao hiệu suất nhưng đồng thời cũng loại bỏ những đoạn đọc thực sự có nguồn gốc từ vi khuẩn. Các nhà nghiên cứu cần cân nhắc sự đánh đổi này dựa trên mục tiêu của từng phân tích.

Động lực sinh thái học không chỉ nằm ở việc tính toán nhanh hơn. Hồ sơ nghiên cứu của Finkel tại trường đại học mô tả công trình về hệ vi sinh vật trên thực vật, tương tác giữa các vi sinh vật, cũng như nghiên cứu hệ gen metagenome của thực vật và đất ở vùng sa mạc. Việc tìm hiểu những sinh vật nào hiện diện và chúng có chức năng gì là nền tảng để nghiên cứu cách các cộng đồng đó hình thành và tác động đến thực vật.

BBERT cung cấp một phương thức để xem xét lại các bộ dữ liệu giải trình tự môi trường hiện có, đồng thời xử lý các mẫu mới. Đóng góp của mô hình là thực hiện nhanh hơn bước phân tích đầu tiên dựa trên mẫu hình đối với các đoạn đọc ngắn, giúp các nhà nghiên cứu quyết định đoạn DNA nào cần được khảo sát sâu hơn.