Vipsania: Unsupervised Deep Gene Finding

Jede neu entdeckte Lebensform auf der Erde beginnt ihr wissenschaftliches Leben als eine Kette von Buchstaben: eine lange, ununterbrochene DNA-Sequenz, die den Bauplan für den Aufbau eines lebenden Organismus enthält. Aber eine rohe Sequenz ist wie ein Buch, das in einer Sprache geschrieben wurde, in der die Leerzeichen zwischen den Wörtern gelöscht und die Großbuchstaben entfernt wurden. Um zu verstehen, wie dieser Organismus funktioniert, müssen Wissenschaftler zuerst die Sätze finden – die Gene –, die der Zelle sagen, wie sie Proteine baut, die molekularen Maschinen, die die eigentliche Arbeit des Lebens verrichten. Dieser Prozess, bekannt als Genfindung (Gene Finding), ist der essenzielle erste Schritt für fast jede biologische Forschung. Ohne ihn bleibt das Genom ein stummer Code. Jahrzehntelang war der zuverlässigste Weg, diese Codes zu lesen, darin bestand, nach Hinweisen aus der Außenwelt zu suchen, wie etwa den Abgleich der DNA mit bekannten Proteinen verwandter Arten oder die Verwendung von RNA-Daten, um zu sehen, welche Teile des Genoms aktiv sind. Dieser Ansatz stößt jedoch an Grenzen, wenn Wissenschaftler auf die überwiegende Mehrheit des Lebens auf der Erde treffen, für die es keine nahen Verwandten mit bekannten Genen und keine verfügbaren RNA-Daten gibt. Für diese Organismen sind die Anweisungen zum Bau des Lebens verborgen geblieben.

Ein Team von Forschern der Universität Greifswald hat nun ein neues Werkzeug namens Vipsania vorgestellt, das die Art und Weise verändert, wie wir diese stillen Bücher lesen. Anstatt sich auf externe Hinweise oder bereits existierende Karten zu verlassen, lernt Vipsania, Gene zu finden, indem es die DNA-Sequenz selbst liest, ohne jegliches Vorwissen darüber, wie ein Gen aussieht. Die Forscher trainierten dieses Computerprogramm mit fast einer Billion Buchstaben der DNA aus tausenden verschiedenen Spezies und brachten ihm bei, den nächsten Buchstaben in einer Sequenz basierend auf den vorangegangenen Buchstaben vorherzusagen. Dabei lernte das Programm zufällig die verborgene Grammatik des Lebens: die spezifischen Muster, die ein Gen von der umgebenden nicht-kodierenden DNA unterscheiden. Das Ergebnis ist ein System, das in der Lage ist, Gene in fast jedem eukaryotischen Organismus präzise zu identifizieren – von mikroskopisch kleinen Algen bis hin zu komplexen Tieren –, selbst wenn noch nie zuvor ein Gen aus dieser spezifischen Gruppe gesehen wurde.

Die Herausforderung, Gene zu finden, ist besonders schwierig, da die Anweisungen nicht in einer einfachen, kontinuierlichen Linie geschrieben sind. In komplexen Organismen sind die Teile eines Gens, die für Proteine kodieren, oft durch lange Abschnitte nicht-kodierender DNA unterbrochen, ganz ähnlich wie ein Satz, in dem die wichtigen Wörter durch zufällige, bedeutungslose Füllwörter getrennt sind. Um das Gen zu rekonstruieren, muss ein Computer herausfinden, wo diese Unterbrechungen beginnen und enden und in welcher Richtung der Satz gelesen wird. Traditionelle Methoden verlassen sich auf „überwachtes“ Lernen (supervised learning), bei dem einem Computer tausende Beispiele korrekter Gene aus gut untersuchten Arten gezeigt werden, um ihn darauf zu trainieren, die Muster zu erkennen. Dies funktioniert gut für vertraute Gruppen wie Menschen oder Fruchtfliegen, scheitert aber, wenn der Computer auf eine Spezies trifft, die zu verschieden von seinen Trainingsbeispielen ist. Wenn der Computer nur jemals Gene von Säugetieren gesehen hat, wird er Schwierigkeiten haben, Gene in einem Schwamm oder einem Pilz zu finden, wobei er diese oft ganz übersieht oder Strukturen erfindet, die nicht existieren.

Vipsania wählt einen anderen Weg. Es ist ein „unüberwachtes“ (unsupervised) System, was bedeutet, dass es während seines Trainings kein einziges Beispiel eines korrekten Gens gesehen hat. Stattdessen wurde ihm die Aufgabe gestellt, Roh-DNA-Sequenzen zu erhalten und die Lücken zu füllen. Die Forscher maskierten zufällige Buchstaben in der Sequenz und baten das Modell, vorherzusagen, was sie basierend auf dem umgebenden Kontext waren. Um diese Aufgabe möglich zu machen, bauten sie eine spezielle Schicht in das „Gehirn“ des Computers ein, die wie ein Grammatikprüfer fungiert. Diese Schicht erzwingt die Regeln der Genstruktur, wie etwa sicherzustellen, dass der Leserahmen konsistent bleibt und Stoppsignale an den richtigen Stellen erscheinen. Während das Modell versuchte, die fehlenden Buchstaben vorherzusagen, musste es die zugrunde liegende Struktur des Genoms lernen, um erfolgreich zu sein. Mit der Zeit entdeckte das Modell die Muster der Gene von selbst und lernte, zwischen kodierenden und nicht-kodierenden Regionen zu unterscheiden, ohne jemals erfahren zu haben, was ein Gen ist.

Die Ergebnisse dieses Ansatzes sind beeindruckend. In Tests gegen die besten bestehenden Werkzeuge erwies sich Vipsania in fast jeder der untersuchten Organismengruppen als genauer. Während andere Methoden oft an Genauigkeit verlieren, wenn sie auf entfernte Arten angewendet werden, behielt Vipsania seine Leistungsfähigkeit bei, was zeigt, dass es die grundlegenden Regeln des Lebens gelernt hat, anstatt nur spezifische Beispiele auswendig zu lernen. In Tests mit Gruppen wie Pilzen, Insekten und verschiedenen Arten von Algen identifizierte Vipsania korrekt die Struktur von Genen in der überwiegenden Mehrheit der Fälle und übertraf damit oft Werkzeuge, die auf massiven Mengen an externen Daten beruhen. Es gelang ihm sogar, Gene in Organismen zu finden, die einen leicht abweichenden genetischen Code verwenden, bei denen die standardmäßigen „Stopp“-Signale für Gene etwas ganz anderes bedeuten. Durch die bloße Anpassung einer kleinen Einstellung, um den spezifischen Code des Organismus zu entsprechen, konnten die Forscher Vipsania in nur wenigen Stunden auf einem einzelnen Genom trainieren, und es begann sofort, präzise Annotationen zu erstellen.

Diese Fähigkeit ist entscheidend für die Zukunft der Biologie. Derzeit findet eine massive globale Anstrengung statt, um die Genome jeder benannten Spezies auf der Erde zu sequenzieren – ein Projekt, das darauf abzielt, eine Referenzbibliothek für alle 1,67 Millionen bekannten eukaryotischen Arten zu erstellen. Das Problem ist jedoch nicht mehr das Sequenzieren der DNA, sondern die Annotation derselben. Derzeit besitzen weniger als 20 Prozent der Genome in öffentlichen Datenbanken eine Gen-Annotation, wodurch ganze Zweige des Stammbaums des Lebens, wie etwa viele Arten von Algen und mikroskopischen Tieren, ohne eine strukturelle Karte bleiben. Vipsania bietet eine Möglichkeit, diese Lücke zu schließen. Da es keine RNA-Daten oder verwandte Arten benötigt, um zu funktionieren, kann es auf jedes Genom angewendet werden, unabhängig davon, wie wenig über diesen Organismus bekannt ist. Die Forscher haben vortrainierte Modelle für 17 große Lebensgruppen veröffentlicht, die mehr als 99 Prozent aller bekannten eukaryotischen Arten abdecken, und haben ein allgemeines Modell für den verbleibenden Bruchteil bereitgestellt.

Der Erfolg von Vipsania legt nahe, dass die Regeln der Genstruktur universell genug sind, um allein aus dem Rohtext der DNA gelernt werden zu können. Indem die Forscher die Notwendigkeit externer Belege eliminierten, haben sie ein Werkzeug geschaffen, das Licht in die dunkelsten Winkel des Stammbaums des Lebens bringen kann. Während Werkzeuge, die RNA-Daten nutzen, möglicherweise immer noch die beste Wahl für gut untersuchte Arten sind, bei denen solche Daten reichlich vorhanden sind, bietet Vipsania eine hochmoderne Lösung für die überwältigende Mehrheit des Lebens auf der Erde, das auf diese Weise noch nie untersucht wurde. Es stellt einen Wandel dar: weg vom Vertrauen auf das, was wir bereits wissen, hin zum Entdecken dessen, was tatsächlich vorhanden ist, indem man einfach der Sprache des Genoms lauscht. Zum ersten Mal verfügen Wissenschaftler über eine Methode, die hochqualitative Genkarten für praktisch jeden eukaryotischen Organismus generieren kann und so die stillen DNA-Ketten in lesbare Anweisungen für das Leben verwandelt.