Un gruppo di ricercatori della Hebrew University of Jerusalem, in collaborazione con l’Università di Haifa e l’Agricultural Research Organization del Volcani Institute, ha sviluppato BBERT, un modello di intelligenza artificiale progettato per riconoscere sequenze di DNA batterico anche quando sono disponibili soltanto frammenti genetici molto brevi, a partire da circa 100 basi nucleotidiche. Il sistema è stato realizzato per affrontare una delle principali difficoltà della metagenomica ambientale, disciplina che analizza il materiale genetico estratto direttamente da comunità biologiche complesse senza richiedere l’isolamento e la coltivazione dei singoli microorganismi. Nei campioni di terreno, il sequenziamento restituisce contemporaneamente frammenti appartenenti a batteri, funghi, piante e altri organismi, rendendo complessa la classificazione delle sequenze e la ricostruzione dei rispettivi genomi. Gli strumenti convenzionali utilizzano generalmente confronti con database di riferimento, ma una parte consistente dei microorganismi ambientali non dispone di sequenze sufficientemente rappresentate negli archivi genetici esistenti. Di conseguenza, numerosi frammenti rimangono privi di classificazione e contribuiscono a quella componente del patrimonio genetico microbico ancora scarsamente caratterizzata, spesso definita microbial dark matter. BBERT interviene in questa fase iniziale riconoscendo caratteristiche compatibili con il DNA batterico senza richiedere necessariamente una corrispondenza diretta con una sequenza già catalogata.
La ricerca, pubblicata sulla rivista scientifica Nucleic Acids Research con il titolo Fast and accurate taxonomic domain assignment of short metagenomic reads using BBERT, è stata guidata da Amir Erez del Racah Institute of Physics e da Omri M. Finkel del Department of Plant and Environmental Sciences della Hebrew University. Al progetto hanno contribuito, tra gli altri, Dmitry Alekhin, Moshe Alon e Tomer Sidi. L’architettura del sistema deriva da BERT, un modello basato su Transformer originariamente sviluppato per l’elaborazione del linguaggio naturale, adattato in questo caso all’interpretazione delle sequenze nucleotidiche. Il processo di tokenizzazione rappresenta individualmente le basi del DNA e comprende anche un simbolo dedicato alle basi ambigue, mentre l’addestramento preliminare impiega una procedura di masked language modeling, nella quale il modello deve ricostruire basi nascoste utilizzando le informazioni contenute nelle posizioni circostanti. Attraverso questa procedura, BBERT apprende relazioni e regolarità statistiche presenti nelle sequenze genetiche, costruendo rappresentazioni utilizzabili nelle successive operazioni di classificazione. Dopo il preaddestramento, il modello viene ulteriormente specializzato per distinguere il DNA batterico da quello non batterico, consentendo di analizzare frammenti per i quali non esiste una corrispondenza sufficientemente affidabile nei database tradizionali. L’assenza di un confronto diretto durante l’inferenza non implica comunque che il sistema sia indipendente dai dati genomici utilizzati per l’addestramento.
Oltre alla classificazione della possibile origine batterica, BBERT dispone di funzionalità per identificare le sequenze potenzialmente codificanti proteine e prevedere la corretta cornice di lettura, o reading frame. Quest’ultima informazione determina il modo in cui le basi nucleotidiche vengono raggruppate in triplette, corrispondenti ai codoni utilizzati per rappresentare gli amminoacidi durante la sintesi proteica. Individuare la cornice corretta permette quindi di interpretare più precisamente i frammenti appartenenti a regioni codificanti e di prepararli per successive elaborazioni bioinformatiche. Nelle valutazioni sperimentali, BBERT ha raggiunto un’accuratezza di circa il 90% nella distinzione tra DNA batterico e non batterico, dell’88% nell’identificazione dei frammenti codificanti proteine e del 96% nella previsione della cornice di lettura. I tre valori rappresentano prestazioni relative ad attività differenti e non devono essere interpretati come un unico indicatore della capacità complessiva del modello di ricostruire o comprendere un genoma. Il sistema fornisce infatti classificazioni probabilistiche che possono essere utilizzate per selezionare le sequenze da sottoporre a elaborazioni successive, senza sostituire necessariamente le procedure di identificazione tassonomica più specifiche.
Per verificare l’applicabilità del modello ai dati ambientali, il gruppo di ricerca ha utilizzato 1.969 dataset pubblicamente disponibili contenenti sequenze di DNA ottenute da campioni di suolo. L’elaborazione ha consentito di riconoscere caratteristiche batteriche in una parte significativa dei frammenti che uno strumento di confronto consolidato aveva precedentemente lasciato senza classificazione. I risultati hanno inoltre evidenziato che il materiale genetico non identificato può comprendere componenti di origine non batterica, indicando che le sequenze sconosciute non devono essere automaticamente attribuite a specie batteriche ancora non catalogate. Una delle applicazioni operative riguarda il filtraggio preventivo dei frammenti, attraverso il quale è possibile selezionare le letture probabilmente batteriche prima di avviare le procedure di assemblaggio genomico. Nei test condotti su miscele simulate di organismi, questo procedimento ha ridotto il tempo medio di assemblaggio da circa 66 a 25 ore per dataset. Le sequenze ricostruite hanno presentato un numero inferiore di disallineamenti e lacune, mantenendo una copertura media dei genomi batterici pari a circa il 96% di quella ottenuta attraverso l’elaborazione senza filtraggio.
Ulteriori sperimentazioni hanno interessato campioni provenienti dai noduli radicali di leguminose spontanee, strutture biologiche nelle quali il materiale genetico vegetale è presente insieme a quello dei microorganismi associati alle radici. La composizione mista di questi campioni rappresenta una condizione particolarmente impegnativa per l’assemblaggio delle sequenze batteriche, poiché i frammenti di diversa provenienza possono interferire con le procedure di ricostruzione. Applicando il filtraggio basato su BBERT, i ricercatori hanno ottenuto una riduzione approssimativa del 50% dei tempi di assemblaggio e una diminuzione del picco di memoria utilizzata da 188 a 82 GB. In diversi genomi batterici ricostruiti è stata inoltre osservata una riduzione della contaminazione derivante da sequenze appartenenti ad altri organismi. Il filtraggio ha tuttavia comportato anche la perdita di una parte delle informazioni batteriche presenti nei campioni, evidenziando la necessità di valutare il rapporto tra efficienza computazionale e conservazione dei dati biologici. Questo aspetto assume particolare importanza quando l’obiettivo della ricerca consiste nell’individuare microorganismi rari o sequenze che presentano caratteristiche differenti rispetto a quelle maggiormente rappresentate durante l’addestramento.
Il software BBERT è stato reso disponibile attraverso un repository pubblico che comprende gli strumenti necessari per l’inferenza e le istruzioni per ottenere i modelli. Il sistema supporta i formati standard FASTA e FASTQ e può essere eseguito con accelerazione GPU, su dispositivi Apple Silicon oppure utilizzando esclusivamente la CPU, sebbene in quest’ultimo caso le elaborazioni risultino più lente. Le informazioni prodotte comprendono probabilità di appartenenza al dominio batterico, probabilità che una sequenza sia codificante e distribuzioni probabilistiche relative alle sei possibili cornici di lettura. Sono inoltre disponibili funzionalità per esportare rappresentazioni vettoriali delle sequenze, o embeddings, utilizzabili in ulteriori analisi computazionali, e strumenti per tradurre le regioni codificanti previste in sequenze di amminoacidi. La disponibilità di questi output consente di incorporare BBERT in pipeline bioinformatiche più articolate e di definire soglie di selezione differenti in base alle caratteristiche del campione e agli obiettivi dell’indagine.
Il modello presenta comunque limiti legati alla somiglianza evolutiva tra alcune categorie di sequenze genetiche. Il DNA dei cloroplasti, per esempio, può condividere caratteristiche con quello batterico a causa dell’origine evolutiva di questi organelli, mentre la distinzione tra batteri e archei continua a rappresentare un problema complesso. Eventuali classificazioni errate possono provocare l’inclusione di materiale non pertinente oppure l’esclusione di frammenti batterici effettivamente presenti, influenzando la completezza delle ricostruzioni successive. Le applicazioni previste comprendono l’analisi dei microbiomi vegetali, lo studio delle interazioni tra microorganismi e piante, l’elaborazione di campioni provenienti da ambienti desertici e l’esame di raccolte di dati metagenomici già disponibili. BBERT introduce così uno strumento di preselezione delle letture genetiche basato sull’apprendimento dei pattern nucleotidici, utilizzabile per concentrare le risorse computazionali sulle sequenze di maggiore interesse e migliorare l’organizzazione delle analisi genomiche ambientali.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI).