BBERT：面向短宏基因组 reads 的核苷酸大语言模型实现免参考的域级分类
Fast and accurate taxonomic domain assignment of short metagenomic reads using BBERT
研究团队提出 BBERT，一个针对短 reads 优化的核苷酸大语言模型，可在不依赖参考数据库的情况下直接从短至 100 bp 的 reads 中判定分类域、编码潜力和阅读框。作者在大量土壤宏基因组上测试，发现 BBERT 能识别细菌序列语法，模型规模小、速度快，用一块普通 GPU 即可分析宏基因组，并能把短 reads 直接转换为细菌氨基酸序列供下游使用。BBERT 还可改善 de novo 宏基因组组装，减少错配和 gap 并缩短运行时间；在野生豆科植物根瘤宏基因组上，BBERT 过滤提升了 bin 质量并显著加速组装。作者认为该工具可让大规模宏基因组存档用于更准确的生态与进化分析。
来源：Nucleic Acids Research · doi.org
BBERT 用核苷酸语言模型绕开参考数据库，为土壤等复杂环境里难以注释的短 reads 提供分类和组装改进思路。
来自土壤等复杂环境的鸟枪法宏基因组揭示了巨大的生物多样性。然而，鸟枪法测序产生的大多数短读长无法进行分类学或功能注释，因为它们缺乏足够全面的参考，从而掩盖了微生物群落的真实结构与功能。我们推出 BBERT，一种针对短读长优化的核苷酸大语言模型。在一大批土壤宏基因组上进行测试时，我们发现 BBERT 无需依赖参考数据库即可识别细菌序列语法，能够直接从短至 100 bp 的读长中准确判定分类学域、编码潜力和阅读框。BBERT 体积小、速度快，足以在普通 GPU 上分析宏基因组，并可将短宏基因组读长直接转换为细菌氨基酸序列以供下游应用。BBERT 还能改进 de novo 宏基因组组装，减少错配和缺口，同时加快运行时间。利用来自野生豆科植物根瘤的宏基因组，我们证明 BBERT 过滤在显著加速 de novo 组装的同时提高了 bin 质量。通过为短读长提供快速、无参考的分类，BBERT 为更准确的生态学和进化分析解锁了大型宏基因组档案。