BBERT 利用 AI 识别土壤样本中隐匿的细菌 DNA

耶路撒冷希伯来大学及其合作机构的研究人员开发了 BBERT，这是一种 AI 工具，能够识别短至 100 个碱基的片段中的细菌 DNA。这项研究旨在解决环境基因组学中一个长期存在的问题：科学家可以对土壤样本中的遗传物质进行测序，但由于参考数据库对其中的生物收录不足，许多数据仍难以解读。

这项研究《利用 BBERT 对短宏基因组读段进行快速、准确的分类域判定》发表在 Nucleic Acids Research 上。研究由耶路撒冷希伯来大学拉卡物理研究所的 Amir Erez 博士和该校植物与环境科学系的 Omri M. Finkel 博士牵头。Dmitry Alekhin、Moshe Alon 和 Tomer Sidi 作出了同等贡献，海法大学和农业研究组织沃尔卡尼研究所的同事也参与了研究。

土壤 DNA 为何难以分类

鸟枪法宏基因组测序针对的是整个群落采集的 DNA，而非某一种分离生物的 DNA。在土壤样本中，这意味着细菌、真菌、植物和其他生命形式的遗传片段混杂在一起。研究人员随后需要判断这些片段来自何处，以及其中携带了哪些生物学信息。

基于参考序列的工具会将测序读段与已知序列进行比对。如果存在高度匹配的序列，这种方法就很有用；但数据库不完整，导致许多读段无法分类。由此产生的微生物“暗物质”可能掩盖群落的组成及其发挥的功能。

BBERT 处理的是一个更基础的分类问题：某个片段看起来是否属于细菌？这比确定物种名称更宽泛。识别细菌序列模式，可以帮助研究人员判断哪些读段应纳入后续分析，即使找不到高度匹配的参考序列也是如此。

在 DNA 模式上训练的语言模型

论文介绍了一种基于 BERT 的模型，该模型能够学习核苷酸序列中的上下文信息。它的分词器以单个 DNA 碱基为单位进行表示，其中也包括一个表示不确定碱基的符号。在预训练期间，模型会根据周围的序列信息恢复被遮蔽的碱基。这是对语言 AI 中所用掩码语言模型方法的改造。

随后，研究人员针对细菌与非细菌分类任务对模型进行了微调。其目标是让模型学习细菌序列的典型模式，从而在评估每条读段时，无须每次都搜索匹配的参考序列即可进行推断。无参考序列推断仍取决于模型在训练期间学到的内容；这并不意味着该系统是在没有基因组数据的情况下开发的。

BBERT 还会估计一个片段是否编码蛋白质，并预测其阅读框。阅读框决定了 DNA 碱基如何分组成用于编码氨基酸的三字母单位。选择正确的阅读框，有助于下游工具准确解读编码片段。

基准测试结果

据提供的研究公告，基准测试显示，BBERT 区分细菌 DNA 与非细菌 DNA 的准确率约为 90%。它识别蛋白质编码片段的准确率约为 88%，识别这些片段阅读框的准确率约为 96%。这些是彼此独立的任务，并非衡量整体基因组理解能力的单一指标。

研究团队将该工具应用于 1,969 个公开可用的土壤 DNA 数据集。对于一款成熟的比对工具此前未能分类的读段，BBERT 在其中相当一部分读段中识别出了细菌序列。研究结果还表明，无法解释的遗传物质也来自非细菌来源，并非全都属于陌生细菌。

在重建基因组之前过滤读段，也减少了计算工作量。在模拟生物混合样本中，每个数据集的平均组装时间从约 66 小时降至 25 小时。重建序列的错配和缺口更少，同时保留了未经过滤时平均细菌基因组覆盖度的约 96%。

对野生豆科植物根瘤进行的测试，提供了一个更复杂的生物学实例。这些结构中同时含有植物和微生物 DNA。过滤使组装时间大约减半，并将峰值内存用量从 188 GB 降至 82 GB，同时减少了若干重建细菌基因组中的污染。不过，部分细菌信息也有所损失。

开放软件让这一方法更易于使用

研究团队的公开 BBERT 代码库提供推断软件和模型下载说明。文档列出的输出包括细菌分类概率、编码概率，以及六种可能阅读框各自的概率。研究人员还可以导出序列嵌入，用于进一步分析。

该代码库支持标准 FASTA 和 FASTQ 输入，并提供 GPU 加速、Apple Silicon 支持以及速度较慢的纯 CPU 运行模式的相关说明。它还提供了将预测的编码序列翻译为氨基酸的工具。这些功能使该模型能够作为分析流程中的一个组件，其输出可供研究人员筛选和检查。

过滤虽有用，但存在生物学局限

BBERT 有时会错误地分类某些片段。由于进化渊源，叶绿体 DNA 可能与细菌 DNA 相似，而区分细菌和古菌仍然颇具挑战。因此，过滤虽然可以提高效率，但也可能丢弃真正的细菌测序读段。研究人员需要根据具体分析的目标，权衡这一利弊。

这项研究的生态学意义不止于加快计算速度。Finkel 的大学研究简介介绍了其在植物微生物组、微生物相互作用，以及沙漠植物和土壤宏基因组学方面的研究。了解有哪些生物及其功能，是研究这些群落如何形成并影响植物的基础。

BBERT 提供了一种方法，既可重新分析现有的环境测序数据集，也可处理新的样本。它的贡献在于，能够对短读段进行更快速、基于模式的初步筛查，帮助研究人员判断哪些遗传片段值得进一步深入研究。