BBERT utilise l'intelligence artificielle pour identifier les bactéries cachées dans le sol
Des chercheurs adaptent des modèles de langage pour classer de courtes séquences d'ADN et assembler des génomes environnementaux sur des ordinateurs standards.
Par Letizia Giugliano
3 min de lectureHuman-Edited, AI-Assisted
Traduit automatiquement de l’original en anglais Lire l’original
Des chercheurs de l'Université hébraïque de Jérusalem et d'institutions partenaires ont développé un outil d'intelligence artificielle appelé BBERT pour identifier des fragments d'ADN bactérien inconnus directement à partir d'échantillons de sol. Ce logiciel, détaillé dans une étude publiée dans Nucleic Acids Research, emprunte des mécanismes au traitement du langage pour évaluer du matériel génétique sans nécessiter de correspondances exactes dans les catalogues de référence. L'invention permet aux laboratoires de reconstruire des génomes microbiens en moins de la moitié du temps habituel, sur des ordinateurs personnels classiques.
Lire les motifs de l'ADN comme un langage naturel
Une simple pelletée de terre contient des millions de fragments génétiques mêlés, issus de bactéries, de champignons et de la végétation environnante. Les outils standards de séquençage environnemental identifient ces fragments en les comparant à des bases de données de référence. Comme de nombreux organismes du sol sauvage n'ont jamais été isolés ni catalogués, leur matériel génétique reste non classé, formant ce que les biologistes appellent la matière noire microbienne. Selon un article de Phys.org, le nouvel outil BBERT exploite l'intelligence artificielle pour aborder le problème du tri en analysant les motifs statistiques récurrents des séquences bactériennes plutôt qu'en recherchant des correspondances enregistrées.
Le modèle d'apprentissage profond peut évaluer des fragments génétiques aussi courts que 100 « lettres » d'ADN. Une fois entraîné, le système évalue trois caractéristiques distinctes : si la séquence provient d'une bactérie, si elle porte les instructions pour synthétiser une partie d'une protéine, et où la machinerie cellulaire doit commencer à lire ces instructions.
Une précision de référence sur les bases de données de sol
Lors de tests de référence contrôlés rapportés par l'équipe de recherche, BBERT a séparé l'ADN bactérien de l'ADN non bactérien avec une précision d'environ 90 %, dépassant les performances d'autres programmes de classification par apprentissage profond évalués dans l'étude. Le modèle a également identifié les instructions codantes pour des protéines avec une précision d'environ 88 % et localisé le bon cadre de lecture génétique avec un taux de précision de 96 %.
Les chercheurs ont appliqué le logiciel à 1 969 jeux de données d'ADN de sol accessibles publiquement, classant avec succès des fragments que les outils existants de correspondance de séquences avaient laissés non identifiés. L'analyse a montré que les fragments dépourvus de liens fonctionnels clairs étaient plus susceptibles de contenir de l'ADN non bactérien plutôt que des gènes bactériens non caractérisés, ce qui indique que la matière noire microbienne est constituée de diverses sources biologiques aux côtés de bactéries inconnues.
Reconstruire des génomes avec moins de mémoire
Au-delà de la classification de fragments isolés, le système aide à l'assemblage informatique de séquences fragmentées en génomes bactériens complets. Lors d'essais de référence utilisant des mélanges simulés d'organismes, le filtrage des données brutes avec BBERT a réduit le temps moyen d'assemblage du génome de 66 heures à 25 heures par jeu de données. Les séquences obtenues conservaient environ 96 % de la couverture du génome bactérien atteinte par les méthodes standards, tout en produisant moins de lacunes et d'erreurs d'alignement.
L'équipe a également testé la chaîne de traitement sur de vrais échantillons biologiques prélevés sur des nodules racinaires de légumineuses sauvages, qui mélangent naturellement tissus végétaux et symbiotes bactériens. Le pré-filtrage des lectures brutes a réduit de moitié le temps d'assemblage informatique et abaissé la mémoire système maximale utilisée de 188 à 82 gigaoctets. Comme l'algorithme fonctionne efficacement sur un ordinateur portable ou de bureau équipé d'une carte graphique standard, des laboratoires plus modestes peuvent analyser des données métagénomiques environnementales sans grappes de calcul haute performance.
Limites de classification et origines partagées
Les chercheurs notent plusieurs contraintes pratiques dans la façon dont BBERT trie les séquences. Parce que les chloroplastes végétaux sont issus d'anciennes bactéries symbiotiques, le modèle peut confondre l'ADN chloroplastique avec des fragments bactériens. Le programme a aussi du mal à distinguer les bactéries des archées, un domaine distinct d'organismes unicellulaires qui partagent des caractéristiques structurelles.
L'étude a été dirigée par le Dr Amir Erez de l'Institut de physique Racah et le Dr Omri M. Finkel du Département des sciences végétales et environnementales de l'Université hébraïque de Jérusalem. Les coauteurs Dmitry Alekhin, le Dr Moshe Alon et le Dr Tomer Sidi ont contribué à parts égales à ces travaux, aux côtés de collaborateurs de l'Université de Haïfa et de l'Institut Volcani de l'Organisation de recherche agricole, ce qui représente une innovation significative en analyse génomique.
À lire aussi sur The Patent : Les modèles OpenAI génèrent des preuves en mathématiques, informatique et physique quantique
