Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Dự đoán cấu trúc bậc hai của phân tử sinh học trên cơ sở kết hợp một số kỹ thuật tính toán mềm" do nghiên cứu sinh Đoàn Duy Bình thực hiện tại Trường Đại học Bách khoa – Đại học Đà Nẵng (năm 2023), dưới sự hướng dẫn khoa học của TS. Phạm Minh Tuấn và TS. Đặng Đức Long. Luận án thuộc chuyên ngành Khoa học máy tính (Mã số chuyên ngành: 94.101 / 9.01).

Tính cấp thiết và khoảng trống nghiên cứu

Trong sinh học phân tử, cấu trúc bậc hai của phân tử sinh học — đặc biệt là axit ribonucleic (RNA) — là yếu tố trung tâm quy định tính chất, hoạt động và chức năng sinh học của phân tử. RNA không chỉ đảm nhận vai trò truyền đạt thông tin di truyền từ DNA sang protein (thông qua quá trình phiên mã và dịch mã), mà còn tham gia trực tiếp vào việc điều hòa biểu hiện gen, xúc tác phản ứng tế bào và đóng vai trò cấu trúc nền tảng trong các loại virus RNA (như HIV, SARS-CoV, SARS-CoV-2).

Việc xác định cấu trúc bậc hai của RNA bằng các phương pháp thực nghiệm sinh học như tinh thể học tia X (X-ray crystallography), quang phổ cộng hưởng từ hạt nhân (NMR), tán xạ tia X góc nhỏ (SAXS) hay thăm dò gốc hydroxyl gặp nhiều hạn chế: chi phí cao, quy trình phức tạp, tốc độ chậm và khó áp dụng do phần lớn các phân tử RNA tự nhiên không thể kết tinh. Do đó, việc xây dựng các công cụ toán học và thuật toán tính toán để dự đoán cấu trúc bậc hai từ chuỗi nucleotide là yêu cầu cấp thiết.

Khoảng trống nghiên cứu được luận án chỉ ra bao gồm:

  • Các phương pháp truyền thống dựa trên thuật toán quy hoạch động (Dynamic Programming - DP) tìm cấu trúc có năng lượng tự do tối thiểu (Minimum Free Energy - MFE) như thuật toán Zuker có độ phức tạp tính toán theo thời gian là $\mathcal{O}(n^3)$ (với $n$ là chiều dài chuỗi). Khi chiều dài chuỗi vượt quá 1000 nucleotides, chi phí tính toán tăng vọt, khó đáp ứng yêu cầu xử lý dữ liệu lớn.
  • Các phương pháp dựa trên quy tắc nhiệt động học thuần túy gặp khó khăn trong việc mô hình hóa đầy đủ các trạng thái trung gian, cấu trúc phức tạp và các tương tác yếu.
  • Các phương pháp học máy (Machine Learning) và học sâu (Deep Learning) độc lập tuy có khả năng xử lý mẫu dữ liệu lớn nhưng thường hoạt động như hộp đen, thiếu sự kết hợp trực tiếp với các mô hình tham số nhiệt động học vật lý đã được kiểm chứng.

Mục tiêu nghiên cứu

Luận án xác định hai mục tiêu cụ thể như sau:

  1. Nghiên cứu và đề xuất các phương pháp kết hợp trong tính toán mềm nhằm giải quyết bài toán dự đoán cấu trúc bậc hai của phân tử sinh học.
  2. Áp dụng các phương pháp đã đề xuất vào bài toán dự đoán cấu trúc bậc hai RNA, tiến hành thử nghiệm, so sánh và đánh giá hiệu quả với các phương pháp truyền thống.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu:
    • Phân tử sinh học: Cụ thể là phân tử RNA.
    • Các kỹ thuật tính toán mềm: Thuật toán di truyền (Genetic Algorithm - GA), Logic mờ (Fuzzy Logic - FL), Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và Mạng bộ nhớ ngắn hạn dài hạn (Long Short-Term Memory - LSTM).
  • Phạm vi nghiên cứu:
    • Không gian dữ liệu: Tập trung vào các chuỗi RNA sinh học đơn sợi có chiều dài từ ngắn (88 nucleotides) đến dài (1352 nucleotides), thu thập từ các cơ sở dữ liệu sinh học thực tế đại diện cho vi khuẩn, nấm men, thực vật và virus gây bệnh ở người và động vật.
    • Phạm vi kỹ thuật: Tập trung vào bài toán dự đoán cấu trúc bậc hai không chứa nút thắt chéo (pseudoknot-free), tính toán hàm mục tiêu dựa trên mô hình năng lượng tự do láng giềng gần nhất (Nearest Neighbor Thermodynamic Model).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Luận án đã tổng quan và phân loại các hướng tiếp cận chính trong lịch sử nghiên cứu dự đoán cấu trúc RNA:

  1. Mô hình nhiệt động lực học và thuật toán quy hoạch động (DP):

    • Nussinov và Jacobson (1980): Đề xuất thuật toán quy hoạch động đầu tiên dựa trên nguyên lý tìm kiếm cấu trúc có số lượng cặp base ghép đôi tối đa.
    • Zuker và Stiegler (1981), Zuker (1989): Phát triển thuật toán tìm kiếm cấu trúc có năng lượng tự do tối thiểu (MFE) dựa trên mô hình láng giềng gần nhất (Nearest Neighbor Model). Thuật toán này là nền tảng cho các phần mềm kinh điển như Mfold, RNAfold (trong gói ViennaRNA của Hofacker và cộng sự) và UNAfold.
    • Mathews và cộng sự (1999, 2004): Phát triển bộ công cụ RNAstructure, cập nhật hệ thống tham số nhiệt động học thực nghiệm cho các vòng lặp RNA.

  2. Phương pháp phân tích chuỗi so sánh (Comparative Sequence Analysis):

    • Dựa trên giả định cấu trúc bậc hai được bảo tồn qua tiến hóa tốt hơn chuỗi sơ cấp. Phương pháp tìm kiếm các đột biến bù trừ (compensatory mutations) để duy trì cặp Watson-Crick và Wobble. Độ phức tạp tính toán ban đầu là $\mathcal{O}(n^3)$, một số cải tiến đưa về $\mathcal{O}(n^2 \log n)$.

  3. Phương pháp ngữ pháp phi ngữ cảnh ngẫu nhiên và mô hình xác suất:

    • McCaskill (1990): Đề xuất thuật toán tính ma trận xác suất kết cặp base Boltzmann.
    • Knudsen và Hein (2003): Phát triển mô hình Pfold dựa trên Stochastic Context-Free Grammars (SCFGs).
    • Do và cộng sự (2006): Xây dựng phần mềm CONTRAfold kết hợp học máy có điều kiện và ngữ pháp xác suất.
    • Sato và cộng sự (2011): Phát triển IPknot dự đoán cấu trúc RNA (kể cả pseudoknot) dựa trên quy hoạch số nguyên nguyên tố và ma trận tiếp xúc Boltzmann.
    • LinearPartition (Zhang và cộng sự): Thuật toán tuyến tính hóa việc tính toán hàm phân vùng.

  4. Phương pháp tính toán mềm và học máy:

    • Các nghiên cứu ứng dụng thuật toán tiến hóa (EA), thuật toán di truyền (GA) để tối ưu hóa tổ hợp các đoạn xoắn (helices).
    • Các mạng nơ-ron truyền thống (MLP, Hopfield) và các mô hình học sâu end-to-end gần đây dự đoán bảng ma trận tiếp xúc (Contact Table - CT).

Khoảng trống luận án lựa chọn giải quyết

Các phương pháp quy hoạch động thuần túy bị giới hạn bởi độ phức tạp bậc ba $\mathcal{O}(n^3)$, gây quá tải tài nguyên tính toán khi chuỗi RNA dài hơn 1000 nucleotides. Ngược lại, các phương pháp học máy thuần túy lại dễ rơi vào cực trị địa phương hoặc dự đoán các cặp base không thỏa mãn cấu trúc vật lý ổn định.

Luận án lựa chọn giải quyết khoảng trống này bằng cách: Thiết lập mô hình lai ghép (hybrid) trong tính toán mềm, kết hợp khả năng tìm kiếm tối ưu toàn cục của Thuật toán Di truyền (GA) với khả năng xử lý độ bất định của Logic mờ (Fuzzy Logic) và khả năng học phụ thuộc chuỗi dài của mạng nơ-ron hồi quy LSTM, lấy hàm đánh giá thích nghi dựa trên các tham số năng lượng tự do nhiệt động học MFE thực nghiệm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và mô hình toán học

1. Định nghĩa chuỗi và cấu trúc bậc hai RNA

  • Chuỗi RNA có chiều dài $n$ được biểu diễn là $x = x_1 x_2 \dots x_n$, trong đó $x_i \in {A, C, G, U}$.
  • Cấu trúc bậc hai $y$ tương ứng với chuỗi $x$ là tập hợp các cặp không thứ tự ${s, t}$ với $s, t \in {1, \dots, n}$, thỏa mãn điều kiện mỗi nucleotide chỉ tham gia tối đa một liên kết: $$\forall {s, t}, {u, v} \in y \implies {s, t} \cap {u, v} = \emptyset$$
  • Các cặp liên kết chính tắc được xem xét gồm cặp Watson-Crick ($A-U, G-C$) và cặp dao động Wobble ($G-U$), có độ bền liên kết tuân theo thứ tự: $C-G > A-U > G-U$.
  • Cấu trúc không chứa nút thắt chéo (pseudoknot-free) quy định rằng với hai cặp liên kết bất kỳ $(i, j)$ và $(i', j')$ với $i < i'$, thì hoặc chúng lồng nhau ($i < i' < j' < j$) hoặc chúng liên tiếp nhau ($i < j < i' < j'$).

2. Các mô hình cấu trúc con (Sub-structural elements)

Cấu trúc bậc hai RNA được phân rã thành các phần tử cơ bản:

  • Vòng xếp chồng (Stack pairs / Stem / Helix): Được tạo bởi hai cặp base liên tiếp $(i, j)$ và $(i+1, j-1)$.
  • Vòng kẹp tóc (Hairpin loop): Vòng chứa đúng một cặp base đóng và các nucleotide nằm giữa không ghép đôi.
  • Vòng lặp trong (Internal loop): Vòng có hai cặp base đóng và có nucleotide tự do ở cả hai phía.
  • Vòng lồi (Bulge loop): Dạng đặc biệt của vòng trong khi chỉ có một phía chứa nucleotide không ghép đôi.
  • Vòng nhiều nhánh (Multibranched loop): Vòng có từ 3 cặp base đóng (nhánh) trở lên.
  • Nucleotide tự do bên ngoài (External nucleotides / Single-stranded): Các nucleotide nằm ngoài tất cả các vòng lặp.

3. Mô hình tính toán năng lượng tự do ($\Delta G$)

Năng lượng tự do của cấu trúc $y$ được tính bằng tổng năng lượng thành phần: $$\Delta G(y) = \sum \Delta G_{\text{stack}} + \sum \Delta G_{\text{hairpin}} + \sum \Delta G_{\text{internal}} + \sum \Delta G_{\text{bulge}} + \sum \Delta G_{\text{multi}} + \sum \Delta G_{\text{external}}$$ Các giá trị năng lượng này được tra cứu từ bảng tham số nhiệt động học thực nghiệm (Turner rules) theo chiều dài vòng và loại base đóng ở các đầu mút (ví dụ vòng kẹp tóc chiều dài 4 với các cặp đóng đặc thù $c=G, d=A$ hoặc $c=A, d=G$; vòng lặp trong đối xứng kích thước 2, 4 hoặc bất đối xứng kích thước 3).

Phương pháp nghiên cứu và các kỹ thuật tính toán mềm đề xuất

Luận án kết hợp nghiên cứu lý thuyết mô hình hóa toán học với thực nghiệm mô phỏng thuật toán trên máy tính qua 3 phương pháp cốt lõi:

 [Phương pháp GA - Logic mờ]    [Phương pháp GA - LSTM]
 (Hàm thành viên m(i) điều      (Mạng LSTM dự đoán mẫu kết cặp;
 khiển sinh quần thể Z)         Cung cấp bộ tham số Q cho GA)
          [Đánh giá hàm thích nghi: MFE ΔG]
       [Cấu trúc bậc hai tối ưu y* (Radial / Dot-Bracket)]

1. Thuật toán di truyền cải tiến (GA)

  • Biểu diễn nhiễm sắc thể: Mã hóa cấu trúc RNA thông qua danh sách các đoạn xoắn (helices) hợp lệ.
  • Hàm thích nghi (Fitness function): Giá trị thích nghi tỷ lệ nghịch với năng lượng tự do toàn cục $\Delta G(y)$ (cấu trúc có $\Delta G$ càng âm thì độ thích nghi càng cao).
  • Các toán tử di truyền: Toán tử chọn lọc (Selection) với tỷ lệ $R_s$, toán tử lai ghép (Crossover) với tỷ lệ $R_c$, toán tử đột biến (Mutation) với tỷ lệ $R_m$, số lần chọn ngẫu nhiên $NOR$, kích thước quần thể $P$, và số thế hệ tiến hóa $G$.

2. Kết hợp Thuật toán di truyền với Logic mờ (GA - Fuzzy Logic)

  • Xây dựng hệ thống di truyền mờ (Genetic Fuzzy System).
  • Sử dụng các hàm thành viên mờ $m(i)$ bao gồm: Tập mờ tam giác (Triangular), Tập mờ hình thang (Trapezoidal), và Tập mờ Gamma tuyến tính.
  • Logic mờ được dùng để biểu diễn mức độ bất định trong liên kết giữa các nucleotide, đánh giá độ tin cậy của các vùng xoắn và tạo ra quần thể khởi tạo $Z$ từ tập mờ $z$. Quá trình này giúp định hướng không gian tìm kiếm của GA vào các vùng cấu trúc có xác suất sinh học cao.

3. Kết hợp Thuật toán di truyền với Mạng nơ-ron LSTM (GA - LSTM)

  • Mạng nơ-ron hồi quy LSTM (Long Short-Term Memory) được sử dụng để học mối tương quan không gian và tuần tự giữa các nucleotide cách xa nhau trên chuỗi sơ cấp $x$.
  • Đầu ra của mô hình LSTM sau quá trình huấn luyện được trích xuất thành bộ tham số $Q$ (gồm các xác suất kết cặp tiềm năng), đóng vai trò hướng dẫn không gian nghiệm ban đầu và tinh chỉnh toán tử cho thuật toán di truyền GA, giúp GA hội tụ nhanh hơn về cấu trúc MFE tối ưu.

Nguồn dữ liệu thực nghiệm

Dữ liệu sử dụng trong luận án gồm 11 chuỗi phân tử sinh học có cấu trúc chuẩn đã được công bố, bao gồm:

  1. SARS-CoV-2 (88 bases)
  2. Schizosaccharomyces pombe (119 nucleotides)
  3. Corynebacterium diphtheriae (Bạch hầu - 176 nucleotides)
  4. Escherichia coli (E. Coli) (221 nucleotides)
  5. Coxsackie A16 (Virus tay chân miệng thể nhẹ - 252 nucleotides)
  6. Enterovirus A71 (Virus tay chân miệng gây biến chứng thần kinh - 252 nucleotides)
  7. Oryza sativa Japonica Group (Lúa Nhật Bản - 324 nucleotides)
  8. Virus Bmori (498 nucleotides)
  9. Influenza A virus (Virus cúm mùa ở Mỹ - 543 nucleotides)
  10. Mycoplasma capricolum (865 nucleotides)
  11. Ichthyosporidium sp. (1352 nucleotides)

Nội dung chính theo từng chương

Chương 1. Tổng quan về RNA, cấu trúc bậc hai RNA và tính toán mềm

Chương 1 thiết lập bức tranh tổng thể về cơ sở sinh học và nền tảng tính toán mềm:

  • Trình bày vị trí của sinh học phân tử trong công nghệ sinh học và 5 bài toán đặc trưng của tin sinh học: (1) Dự đoán cấu trúc protein, (2) Dự đoán cấu trúc RNA, (3) Phát hiện gen, (4) Phân tích dữ liệu gen, (5) Dự đoán tương tác protein-protein.
  • Phân tích chi tiết ba cấp độ cấu trúc RNA: Cấu trúc bậc một (chuỗi tuyến tính các nucleotide A, C, G, U), cấu trúc bậc hai (sự tự gấp gáp tạo thành các cặp base chính tắc Watson-Crick A-U, G-C và cặp Wobble G-U), và cấu trúc bậc ba (không gian 3D).
  • Phân loại các dạng biểu diễn cấu trúc bậc hai: Biểu diễn đồ thị Radial (đồ thị phẳng), biểu diễn dạng cây có thứ tự gốc (Rooted tree), và biểu diễn dạng chuỗi ký hiệu dấu ngoặc - dấu chấm (Dot-Bracket Notation).
  • Điểm luận các phương pháp dự đoán cấu trúc RNA hiện có: Phương pháp tối ưu hóa năng lượng tự do MFE, phương pháp hồi quy, phương pháp dựa trên thuật toán di truyền và các mô hình học sâu.
  • Trình bày cơ sở lý thuyết của các kỹ thuật tính toán mềm:
    • Thuật toán di truyền (GA): Nguyên lý tiến hóa, không gian trạng thái, toán tử tái tổ hợp.
    • Logic mờ (Fuzzy Logic): Khái niệm tập mờ, các dạng hàm thành viên tam giác, hình thang, Gamma tuyến tính.
    • Mạng nơ-ron nhân tạo (ANN): Cấu trúc Perceptron nhiều lớp, Mạng nơ-ron hồi quy (RNN), và cấu trúc chi tiết của ô nhớ Mạng nơ-ron dài ngắn hạn (LSTM) với các cổng quên (forget gate), cổng vào (input gate) và cổng ra (output gate).
Khái niệm / Thành phần Đặc điểm kỹ thuật trong luận án
Cặp nucleotide chính tắc Watson-Crick ($A-U, G-C$), Wobble ($G-U$); độ bền $C-G > A-U > G-U$
Mô hình cấu trúc con Hairpin loop, Internal loop, Bulge loop, Stack pairs, Multibranched loop, External base
Biểu diễn cấu trúc Biểu diễn Radial (đồ thị vòng) và Dot-Bracket ( . )
Hàm thành viên mờ Tam giác, Hình thang, Tuyến tính Gamma ($m(i)$)
Kiến trúc học sâu Mạng LSTM xử lý chuỗi tuần tự $x_t \to h_t$

Chương 2. Đề xuất các phương pháp kết hợp trong tính toán mềm để dự đoán cấu trúc bậc hai phân tử sinh học

Chương 2 là phần đóng góp học thuật cốt lõi của tác giả, chi tiết hóa các công thức toán học và cấu trúc giải thuật:

  • Định thức hóa bài toán: Mô hình hóa bài toán dự đoán cấu trúc RNA thành bài toán tối ưu hóa tổ hợp tìm kiếm cấu trúc $y^* \in Y$ sao cho hàm năng lượng tự do đạt giá trị nhỏ nhất: $$y^* = \arg\min_{y \in Y} \Delta G(x, y)$$
  • Hệ thống hóa các quy tắc năng lượng nhiệt động học:
    • Năng lượng tự do cho vòng xếp chồng (Stack loop).
    • Năng lượng gây mất ổn định theo kích thước vòng (Loop size destabilizing energy).
    • Năng lượng vòng kẹp tóc (Hairpin loop) tổng quát và vòng kẹp tóc chiều dài 4 có tetraloop đặc biệt.
    • Năng lượng vòng lặp trong (Internal loop) tổng quát, đối xứng kích thước 2, không đối xứng kích thước 3, và đối xứng kích thước 4.
    • Năng lượng cho các điểm bên ngoài (External bases) và các quy tắc năng lượng hỗn hợp.
    • Các hàm tính toán năng lượng tự do cho cấu trúc nhiều nhánh (Multibranched loops) và cấu trúc nhiều miền.
  • Xây dựng 3 giải pháp tính toán mềm cụ thể:
    1. Thuật toán GA chuẩn hóa cho bài toán RNA: Quy trình tạo đoạn xoắn (helix generation), thiết lập bộ tham số di truyền gồm kích thước quần thể $P$, số thế hệ $G$, tỷ lệ chọn lọc $R_s$, tỷ lệ lai ghép $R_c$, tỷ lệ đột biến $R_m$, số lần chọn $NOR$.
    2. Mô hình GA kết hợp Logic mờ (GA-FL): Tích hợp hàm thành viên $m(i)$ vào việc tính toán trọng số của các đoạn xoắn tiềm năng, sinh quần thể ban đầu $Z$ từ tập mờ $z$, giúp lọc bỏ sớm các cấu trúc không hợp lệ và duy trì tính đa dạng của quần thể.
    3. Mô hình GA kết hợp LSTM (GA-LSTM): Sử dụng mạng LSTM huấn luyện trên chuỗi nucleotide để trích xuất các mẫu phụ thuộc dài, xuất ra bộ tham số $Q$. Bộ tham số $Q$ được nạp vào thuật toán GA để định hướng các phép lai ghép và đột biến, tối ưu hóa quá trình hội tụ.

Chương 3. Áp dụng tính toán mềm cho bài toán dự đoán cấu trúc bậc hai RNA

Chương 3 trình bày toàn bộ kết quả thực nghiệm, phân tích định lượng và so sánh đối chiếu giữa 4 phương pháp: Quy hoạch động (DP), Thuật toán di truyền (GA), GA kết hợp Logic mờ (GA-FL), và GA kết hợp LSTM (GA-LSTM).

Thực nghiệm được tiến hành trên 11 tập dữ liệu chuỗi sinh học từ kích thước nhỏ đến lớn:

STT Tên chuỗi RNA / Sinh vật Chiều dài (nt) Bảng thông tin chuỗi Các bảng kết quả năng lượng & cấu trúc
1 SARS-CoV-2 88 Bảng 13, 3.11 Bảng 14, 15, 16
2 Schizosaccharomyces pombe 119 Bảng 25 Bảng 26, 27, 28
3 Corynebacterium diphtheriae 176 Bảng 41 Bảng 42, 43, 44
4 Virus E.Coli 221 Bảng 17 Bảng 18, 19, 20
5 Coxsackie A16 252 Bảng 45 Bảng 46, 47, 48
6 Enterovirus A71 252 Bảng 49 Bảng 50, 51, 52
7 Oryza sativa Japonica Group 324 Bảng 29 Bảng 30, 31, 32
8 Virus Bmori 498 Bảng 21 Bảng 22, 23, 24
9 Influenza A virus (Cúm mùa Mỹ) 543 Bảng 37 Bảng 38, 39, 40
10 Mycoplasma capricolum 865 Bảng 33 Bảng 34, 35, 36
11 Ichthyosporidium sp. 1352 Bảng 3.3 Bảng 3.5, 3.6, 3.8, 3.9, 3.12

Phân tích phát hiện thực nghiệm:

  • Đối với các chuỗi ngắn ($n < 200$ nt): Cả 4 phương pháp (DP, GA, GA-FL, GA-LSTM) đều tìm ra cấu trúc có mức năng lượng tự do tương đồng, khẳng định tính chính xác của hàm thích nghi và mô hình mã hóa.
  • Đối với các chuỗi trung bình ($200 \le n \le 600$ nt): Thuật toán GA thuần túy đôi khi hội tụ chậm hoặc dừng ở cực trị địa phương. Mô hình GA-FL và GA-LSTM cải thiện đáng kể tốc độ hội tụ và đạt được mức năng lượng tự do $\Delta G$ tối ưu hơn so với GA đơn lẻ.
  • Đối với các chuỗi dài ($n > 800$ nt, đặc biệt là Ichthyosporidium sp. 1352 nt): Thuật toán Quy hoạch động bộc lộ hạn chế về thời gian tính toán và bộ nhớ. Trong khi đó, mô hình GA kết hợp Logic mờ và GA kết hợp LSTM (với bộ tham số $Q$ được huấn luyện qua Bảng 3.10) cho kết quả dự đoán cấu trúc ổn định, giữ mức năng lượng tự do tối thiểu $\Delta G$ tối ưu mà không bị bùng nổ chi phí tính toán.
  • Hình thái cấu trúc dự đoán được biểu diễn trực quan qua sơ đồ Radial và chuỗi Dot-Bracket tương ứng, thể hiện sự hình thành đầy đủ của các vòng kẹp tóc, vòng nhánh và thân xoắn kép.

Kết quả và những đóng góp mới

Luận án tự tổng kết các kết quả và đóng góp học thuật chủ yếu như sau:

1. Đóng góp về mặt lý thuyết và phương pháp

  • Đề xuất khung giải pháp kết hợp tính toán mềm: Xây dựng thành công hai mô hình lai ghép mới cho bài toán dự đoán cấu trúc bậc hai RNA:
    • Mô hình Thuật toán di truyền kết hợp Logic mờ (Genetic Fuzzy System): Tích hợp hàm thành viên mờ $m(i)$ để kiểm soát độ bất định trong việc hình thành helix và định hướng không gian tìm kiếm.
    • Mô hình Thuật toán di truyền kết hợp Mạng nơ-ron hồi quy LSTM (GA-LSTM): Ứng dụng khả năng học chuỗi dài của LSTM để trích xuất bộ tham số định hướng $Q$, hỗ trợ GA vượt qua các cực trị địa phương.
  • Tích hợp mô hình nhiệt động học vào thuật toán tiến hóa: Chuẩn hóa toàn bộ hệ thống công thức tính toán năng lượng tự do $\Delta G$ (vòng xếp chồng, vòng kẹp tóc, vòng lặp trong đối xứng/bất đối xứng, vòng nhiều nhánh, nucleotide ngoài) vào hàm thích nghi của thuật toán di truyền.

2. Đóng góp về mặt thực tiễn

  • Thực nghiệm toàn diện trên dữ liệu thực: Đã áp dụng các thuật toán đề xuất để dự đoán cấu trúc bậc hai cho 11 chuỗi RNA sinh học thực tế thuộc các nhóm sinh vật đa dạng (vi khuẩn, thực vật, nấm, virus gây bệnh như SARS-CoV-2, Enterovirus A71, Coxsackie A16, Influenza A) với chiều dài từ 88 đến 1352 nucleotides.
  • Giải quyết bài toán chuỗi dài: Chứng minh thực nghiệm rằng phương pháp kết hợp tính toán mềm (đặc biệt là GA-LSTM và GA-FL) có khả năng dự đoán hiệu quả cấu trúc của chuỗi RNA dài (trên 1000 nt như Ichthyosporidium sp. 1352 nt) — trường hợp mà quy hoạch động truyền thống gặp nhiều trở ngại về chi phí thời gian và bộ nhớ.

3. Kiến nghị và giải pháp đề xuất

  • Ứng dụng các cấu trúc bậc hai dự đoán được phục vụ cho việc phân tích chức năng gen, cơ chế nhân bản của virus RNA và hỗ trợ thiết kế thuốc/vaccine trong công nghệ sinh học.
  • Khuyến nghị tiếp tục chuẩn hóa và cập nhật các bộ tham số nhiệt động học mới vào mô hình tính toán mềm để nâng cao hơn nữa độ chính xác sinh học.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung văn bản luận án, các hạn chế và hướng phát triển được xác định:

Hạn chế

  • Giới hạn về loại cấu trúc: Luận án tập trung chủ yếu vào bài toán dự đoán cấu trúc bậc hai không chứa nút thắt chéo (pseudoknot-free). Các tương tác bậc ba phức tạp và cấu trúc có pseudoknot chưa được mô hình hóa toàn diện trong các toán tử di truyền.
  • Tập trung vào cặp base chính tắc: Mô hình năng lượng chủ yếu xử lý các cặp Watson-Crick ($A-U, G-C$) và Wobble ($G-U$), chưa tính toán chi tiết cho toàn bộ các tương tác không chính tắc (non-canonical pairs) qua các cạnh không phải Watson-Crick.
  • Phụ thuộc vào tham số nhiệt động học thực nghiệm: Độ chính xác của hàm thích nghi phụ thuộc vào hệ thống tham số đo đạc trong phòng thí nghiệm; các sai số thực nghiệm có thể ảnh hưởng đến kết quả tối ưu năng lượng tự do.

Hướng nghiên cứu tiếp

  • Mở rộng các mô hình tính toán mềm kết hợp (GA-FL, GA-LSTM) để giải quyết bài toán dự đoán cấu trúc RNA có chứa nút thắt (pseudoknotted RNA).
  • Tích hợp thêm các kiến trúc học sâu hai chiều (như CNN, Transformer) để dự đoán ma trận tiếp xúc nucleotide kết hợp với mô hình năng lượng tự do.
  • Mở rộng kiểm nghiệm trên các bộ dữ liệu hệ gen RNA có kích thước lớn hơn và đánh giá trực tiếp với các cấu trúc tinh thể học mới công bố.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên khảo hữu ích cho các nhóm đối tượng:

  1. Nghiên cứu sinh, học viên cao học và giảng viên ngành Khoa học máy tính & Trí tuệ nhân tạo:

    • Cung cấp phương pháp luận chi tiết về cách thiết kế các hệ thống tính toán mềm lai ghép (kết hợp GA với Logic mờ và mạng nơ-ron học sâu LSTM).
    • Phần Chương 2 là tài liệu tham khảo giá trị về cách mô hình hóa bài toán tối ưu hóa tổ hợp phi tuyến có ràng buộc sinh học thành bài toán tìm kiếm tiến hóa.

  2. Các nhà nghiên cứu trong lĩnh vực Tin sinh học (Bioinformatics) và Công nghệ sinh học:

    • Cung cấp phương pháp tính toán thay thế cho quy hoạch động kinh điển khi xử lý các chuỗi RNA kích thước lớn.
    • Toàn bộ phụ lục và Chương 3 cung cấp tập dữ liệu cấu trúc bậc hai chi tiết (mức năng lượng $\Delta G$, biểu diễn Radial, chuỗi Dot-Bracket) của các chuỗi sinh học quan trọng (SARS-CoV-2, Enterovirus A71, Coxsackie A16, Influenza A virus, E. coli).

Câu hỏi thường gặp

1. Luận án giải quyết bài toán dự đoán cấu trúc RNA theo nguyên lý vật lý/nhiệt động học nào?

Luận án tiếp cận bài toán theo nguyên lý Năng lượng tự do tối thiểu (Minimum Free Energy - MFE) dựa trên mô hình láng giềng gần nhất (Nearest Neighbor Model). Mục tiêu là tìm cấu trúc bậc hai $y^*$ sao cho tổng năng lượng tự do $\Delta G(y)$ của tất cả các phần tử cấu trúc con (vòng xếp chồng, vòng kẹp tóc, vòng lặp trong, vòng lồi, vòng nhiều nhánh và nucleotide tự do) đạt giá trị cực tiểu (âm nhất), tương ứng với trạng thái bền vững nhất về mặt nhiệt động lực học.

2. Ba phương pháp tính toán mềm chính được luận án đề xuất là gì?

Luận án đề xuất và triển khai 3 phương pháp:

  1. Thuật toán di truyền cải tiến (GA): Sử dụng các toán tử lai ghép ($R_c$), đột biến ($R_m$), chọn lọc ($R_s$) và số lần chọn $NOR$ với hàm thích nghi là hàm năng lượng tự do MFE.
  2. Thuật toán di truyền kết hợp Logic mờ (GA-FL): Sử dụng hàm thành viên mờ $m(i)$ (tam giác, hình thang, Gamma tuyến tính) để đánh giá độ bất định của các helix và sinh quần thể $Z$ từ tập mờ $z$.
  3. Thuật toán di truyền kết hợp Mạng LSTM (GA-LSTM): Sử dụng mạng nơ-ron hồi quy LSTM để học quan hệ phụ thuộc chuỗi tuần tự, cung cấp bộ tham số định hướng $Q$ cho thuật toán di truyền.

3. Ưu điểm nổi bật của mô hình GA kết hợp LSTM so với phương pháp Quy hoạch động (DP) truyền thống là gì?

Thuật toán quy hoạch động truyền thống (như Zuker) có độ phức tạp tính toán thời gian là $\mathcal{O}(n^3)$, khiến việc xử lý chuỗi RNA dài hơn 1000 nucleotides trở nên rất chậm và tốn bộ nhớ. Mô hình GA-LSTM tận dụng mạng LSTM để định hướng không gian tìm kiếm và GA để tối ưu hóa toàn cục, giúp duy trì khả năng tìm kiếm cấu trúc có năng lượng tự do tối ưu trên các chuỗi dài (như Ichthyosporidium sp. dài 1352 nt) mà không bị bùng nổ chi phí tính toán bậc ba.

4. Các loại cặp nucleotide nào được coi là chính tắc trong mô hình của luận án?

Luận án coi các cặp nucleotide chính tắc gồm cặp Watson-Crick ($A-U$ và $G-C$) cùng với cặp dao động Wobble ($G-U$) và các đối xứng của chúng ($U-A, C-G, U-G$). Tính ổn định năng lượng của các cặp này tuân theo trật tự: $C-G > A-U > G-U$.

5. Bộ dữ liệu thực nghiệm trong luận án gồm những chuỗi sinh học cụ thể nào?

Bộ dữ liệu gồm 11 chuỗi RNA thực tế: SARS-CoV-2 (88 nt), Schizosaccharomyces pombe (119 nt), Corynebacterium diphtheriae (176 nt), E. Coli (221 nt), Coxsackie A16 (252 nt), Enterovirus A71 (252 nt), Oryza sativa Japonica Group (324 nt), Virus Bmori (498 nt), Influenza A virus (543 nt), Mycoplasma capricolum (865 nt), và Ichthyosporidium sp. (1352 nt).

Kết luận

Luận án tiến sĩ kỹ thuật của NCS Đoàn Duy Bình đã nghiên cứu và đề xuất thành công các giải pháp kết hợp kỹ thuật tính toán mềm (Thuật toán di truyền, Logic mờ và Mạng nơ-ron hồi quy LSTM) nhằm giải quyết bài toán dự đoán cấu trúc bậc hai của phân tử sinh học RNA. Bằng việc tích hợp các mô hình tham số nhiệt động học láng giềng gần nhất vào hệ thống giải thuật tiến hóa và học máy, luận án đã xây dựng được các mô hình lai ghép có khả năng tối ưu hóa năng lượng tự do MFE hiệu quả. Kết quả thử nghiệm trên 11 chuỗi RNA sinh học thực tế với chiều dài từ 88 đến 1352 nucleotides đã chứng minh tính khả thi, độ tin cậy và khả năng giảm tải tính toán của phương pháp đề xuất so với quy hoạch động truyền thống trên các chuỗi kích thước lớn. Công trình đóng góp thiết thực cho cả lý thuyết tính toán mềm trong tin sinh học lẫn thực tiễn phân tích cấu trúc phân tử phục vụ nghiên cứu y sinh học.