BBERT 用 AI 识别土壤样本中隐藏的细菌 DNA

耶路撒冷希伯来大学及合作机构的研究人员开发出 BBERT，这是一种能够在短至 100 个碱基的片段中识别细菌 DNA 的 AI 工具。这项工作解决了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，但其中大部分仍难以解读，因为这些生物在参考数据库中代表性不足。

这项研究题为《使用 BBERT 对短宏基因组读段进行快速准确的分类学域归属》，发表在《核酸研究》上。研究由该校拉卡物理研究所的 Amir Erez 博士和植物与环境科学系的 Omri M. Finkel 博士领导。Dmitry Alekhin、Moshe Alon 和 Tomer Sidi 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。

鸟枪法宏基因组学对从整个群落而非单个分离生物中采集的 DNA 进行测序。在土壤中，这意味着混合来自细菌、真菌、植物和其他生命形式的遗传片段。研究人员随后需要确定这些片段来自何处，以及它们携带什么生物学信息。

基于参考的工具将读段与已知序列进行比较。当存在密切匹配时这很有用，但不完整的数据库会使许多读段无法分类。由此产生的微生物“暗物质”可能掩盖群落的组成及其执行的功能。

BBERT 解决的是一个更早的分拣问题：一个片段看起来像细菌吗？这是比命名物种更宽泛的分类。识别细菌序列模式可以帮助研究人员决定哪些读段应进入后续分析，即使没有可用的密切参考匹配。

论文描述了一种基于 BERT 的模型，它学习核苷酸序列内的上下文。其分词器表示单个 DNA 碱基，包括一个模糊碱基符号。在预训练期间，模型学习从周围序列信息中恢复被掩码的碱基，这是对语言 AI 中使用的掩码语言建模方法的一种改编。

随后，研究人员针对细菌与非细菌分类对模型进行了微调。目标是学习细菌序列特有的模式，从而在评估每个读段时无需搜索匹配的参考序列即可进行推断。无参考推断仍然取决于模型在训练期间学到的东西；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 DNA 碱基如何被分组为用于编码氨基酸的三字母单元。选择正确的阅读框有助于下游工具有意义地解读编码片段。

基准测试发现了什么

根据希伯来大学的公告，BBERT 在基准测试中区分细菌与非细菌 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%，识别其阅读框的准确率约为 96%。这些是各自独立的任务，而不是对整体基因组理解的单一衡量指标。

团队将该工具应用于 1,969 个公开可用的土壤 DNA 数据集。在一个成熟比较工具未能分类的相当一部分读段中，它识别出了细菌序列。研究结果还表明，无法解释的遗传物质包括非细菌来源，而不是仅由不熟悉的细菌组成。

在基因组重建之前过滤读段还减少了计算工作量。在模拟的生物混合物中，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，同时保留了未过滤时获得的平均细菌基因组覆盖度的约 96%。

对野生豆科植物根瘤的测试提供了一个更复杂的生物学例子。这些结构同时含有植物和微生物 DNA。过滤使组装时间大约减半，并将峰值内存使用从 188 GB 降至 82 GB，若干重建细菌基因组中的污染也有所减少。一些细菌信息也丢失了。

团队的公开 BBERT 代码库提供了推断软件和模型下载说明。其文档化的输出包括细菌分类概率、编码概率以及六种可能阅读框的概率。研究人员还可以导出序列嵌入以进行进一步分析。

该代码库支持标准 FASTA 和 FASTQ 输入，并记录了 GPU 加速、Apple Silicon 支持以及较慢的仅 CPU 运行。它还提供了将预测的编码序列翻译为氨基酸的实用工具。这些功能使该模型成为分析流程的一个组成部分，其输出可供研究人员过滤和检查。

BBERT 可能会错误分类某些片段。叶绿体 DNA 由于其进化起源可能类似于细菌 DNA，而区分细菌与古菌仍然具有挑战性。因此，过滤可以提高效率，同时也会丢弃真正的细菌读段。研究人员需要根据特定分析的目标来权衡这种取舍。

生态学动机不仅限于更快的计算。Finkel 在大学的研究简介描述了关于植物微生物组、微生物相互作用以及沙漠植物和土壤宏基因组学的工作。了解存在哪些生物和功能，是研究这些群落如何组装并影响植物的基础。

BBERT 提供了一种重新审视现有环境测序集合以及处理新样本的方法。它的贡献是对短读段进行更快、基于模式的初步筛查，帮助研究人员决定哪些遗传片段值得进一步研究。