BBERT：百bp短讀段辨識微生物

背景：數據難注釋

如今數以千計的公開宏基因組數據集覆蓋地球上各種生物群系，均可免費獲取和下載，資源已相當豐富。但海量土壤微生物數據難以注釋，傳統分析依賴參考序列，面對已知甚少的環境樣本時，長度僅100 bp的短讀段尤其難以處理。

模型能力

BBERT在大規模土壤宏基因組數據集上開展測試，研究人員發現它無需依賴參考數據庫，即可識別細菌序列的語法特徵，並直接從長度僅100 bp的短讀段中，準確判斷其分類域歸屬、編碼潛力以及閱讀框。這意味著模型學會了序列本身的內在規律。

方法特點

與傳統依賴參考序列的注釋方法不同，BBERT以語言模型方式學習核苷酸序列，把序列當作一種語言來處理。這使它在缺少參考基因組的環境樣本上仍能工作，對未知微生物占比高的土壤等複雜生態系統尤其有價值，為解析微生物群落提供新範式。

應用前景

理解微生物生態的複雜組成，對揭示維持生物圈運轉的各種過程至關重要。若短讀段可直接判斷分類與功能，海量公開宏基因組數據的注釋效率將大幅提高，環境監測、土壤健康評估等應用亦有望受益，短讀段DNA分析的路徑因此被重新打開。