Chương 1 TỔNG QUAN VỀ PHÂN HẠNG VÀ DỰ ĐOÁN GEN LIÊN QUAN ĐẾN BỆNH Nội dung chương này giới thiệu tổng quan về bài toán phân hạng và dự đoán gen liên quan đến bệnh; các hướng tiếp cận để giải quyết bài toán và tóm lược các nghiên cứu về phân hạng, dự đoán gen liên quan đến bệnh đã được công bố. Trên cơ sở những nghiên cứu cơ bản, xác định rõ hướng nghiên cứu của đề tài là phân hạng và dự đoán gen liên quan đến bệnh dựa trên mạng sinh học. Cách thức đánh giá hiệu quả của các phương pháp phân hạng được giới thiệu ở phần cuối chương. Các kết quả nghiên cứu của đề tài sẽ được trình bày trong các chương tiếp theo của luận án.
CƠ SỞ VỀ SINH HỌC PHÂN TỬ 1. Tế bào Tế bào là đơn vị cấu tạo cơ bản của sự sống, chúng cung cấp cấu trúc cho cơ thể, tạo nên chất dinh dưỡng từ thức ăn, chuyển hóa chất dinh dưỡng thành năng lượng và thực hiện các chức năng chuyên biệt. Ngoài ra, tế bào còn chứa các yếu tố di truyền của sinh vật sống và có thể tự nhân bản. Mỗi tế bào gồm nhiều thành phần, mỗi thành phần là những cấu trúc chuyên dụng có chức năng khác nhau.
Một số thành phần được gọi là bào quan thực hiện những nhiệm vụ nhất định bên trong tế bào. DNA DNA (deoxyribonucleic acid) là yếu tố di truyền ở hầu hết các sinh vật sống. Gần như mọi tế bào trong cơ thể sinh vật sống đều có cùng DNA. Đa phần các DNA nằm trong nhân tế bào.
Thông tin trong DNA được lưu trữ dưới dạng mã hóa gồm bốn bazơ: adenine (A), cytosine (C), guanine (G) và thymine (T). Các bazơ DNA bắt cặp với nhau: A với T và C với G, tạo thành các cặp bazơ. Mỗi cặp bazơ liên kết với một phân tử đường và một phân tử phosphate gọi là một nucleotide. Các 8 nucleotide được sắp xếp thành hai sợi dài xoắn đều quanh một trục tưởng tượng tạo thành một đường xoắn kép (Hình 1.
Một đặc tính quan trọng của DNA là nó có thể tự nhân đôi, tạo ra nhiều bản sao của chính nó. Điều này rất cần thiết khi tế bào phân chia, khi đó mỗi tế bào mới cần một bản sao chính xác của DNA hiện diện trong tế bào cũ. Cấu trúc DNA (nguồn: U. National Library of Medicine, https://ghr.
Gen Gen được xem là một đơn vị cơ sở của hiện tượng di truyền ở cấp độ phân tử. Mỗi gen là một đoạn DNA chứa thông tin quy định cấu tạo của các phân tử chức năng như RNA (axit ribonucleic) và protein thông qua các phản ứng hóa học trong cơ thể sinh vật. Các protein tương tác với nhau để thực hiện các chức năng của cơ thể, như vậy có thể coi các protein là các dạng chức năng của gen. 9 Ở con người, chiều dài gen có thể thay đổi từ vài trăm đến hơn 2 triệu DNA bazơ.
Dự án giải mã hệ gen người (The Human Genome Project) ước đoán con người có khoảng từ 20. Mỗi cá thể có hai bản sao của một gen, một bản từ bố và bản còn lại từ mẹ. Hầu hết các gen là như nhau ở mọi người, nhưng có một số ít gen (ít hơn 1% tổng số) khác nhau giữa mỗi người. Alen là các dạng của cùng một gen với những khác biệt nhỏ trong trình tự DNA.
Những khác biệt này tạo nên nét đặc trưng của mỗi người. Quá trình điều khiển tổng hợp protein từ gen Quá trình điều khiển tổng hợp protein từ gen bao gồm hai bước chính: phiên mã (transcription) và dịch mã (translation). Quá trình phiên mã: thông tin lưu trữ trong gen của DNA được chuyển tải sang cho một phân tử tương tự là RNA (ribonucleic acid) trong nhân tế bào. Cả RNA lẫn DNA đều được hình thành từ chuỗi các nucleotide, nhưng chúng khác nhau về đặc tính hóa học.
Loại protein chứa đựng thông tin hình thành protein gọi là RNA thông tin (mRNA), vì chúng mang thông tin, hoặc thông điệp được gửi từ nhân tới tế bào chất. Quá trình dịch mã: trong tế bào chất, các mRNA tương tác với một phức hệ đặc biệt gọi là ribosome (máy giải mã trình tự mRNA bazơ). Mỗi đơn vị mã thường mã hóa một amino acid riêng biệt (amino acid là đơn vi cấu tạo nên protein). Một loại RNA khác gọi là RNA vận chuyển (tRNA) chuyên mang những amino acid đặc trưng tới ribosome để lắp ráp thành protein.
Các amino acid lần lượt được lắp ráp dựa trên thông tin từ mRNA cho đến khi ribosome gặp một mã kết thúc (stop codon, một trình tự 3 bazơ mà không mã hóa amino acid nào).2 mô phỏng sơ đồ tổng quan về quá trình phiên mã và dịch mã các gen từ DNA để chuyển đổi thành các protein. Trong sơ đồ này, các đoạn DNA thể hiện cấu trúc gen bao gồm nhiều đoạn trình tự DNA riêng biệt gọi là exon và intron. Các exon chứa thông tin hướng dẫn, điều khiển tổng hợp protein được ngăn cách 10 bởi các intron không chứa thông tin hữu ích. Khi tổng hợp protein, các intron được cắt bỏ khỏi phân tử RNA, các exon được giữ lại và kết nối với nhau thành các trình tự mã hóa liên tục.
Quá trình kết nối các exon phải thật chính xác, một lỗi xảy ra trong quá trình kết nối ví dụ như xóa bỏ một nucleotide trong exon hoặc bổ sung một nucleotide trong intron sẽ tạo ra một protein bất thường hoặc quá trình tổng hợp protein thất bại (nhiều căn bệnh đã phát sinh do lỗi kết nối này, điển hình là bệnh Alzheimer). Gen DNA Exon1 Intron1 Exon2 Intron2 Exon3 Phiên mã (tổng hợp RNA) Exon1 Intron1 Exon2 Intron2 Exon3 Nuclear RNA Ghép nối RNA Exon1 Exon2 Exon3 Messenger RNA Dịch mã (tổng hợp protein) Protein Hình 1. Sơ đồ tổng hợp protein từ gen (nguồn: National Institute of General Medical Sciences, https://publications.gov) Bằng cách thay thế các exon trong các sơ đồ kết nối khác nhau, một tế bào có thể tạo ra nhiều protein khác nhau từ một gen đơn lẻ. Sự kết nối thay thế này giải 11 thích lý do tại sao tế bào người chỉ có khoảng 20.000 gen những vẫn tạo ra hàng trăm ngàn protein khác nhau (Hình 1.
Gen DNA Exon1 Exon2 Exon3 Exon4 Exon1 Exon2 Exon3 Exon4 Ghép nối thay thế Exon1 Exon2 Exon3 Exon1 Exon2 Exon4 Dịch mã Protein A Protein B Hình 1. Thay thế các exon trong các sơ đồ kết nối cho phép tế bào tạo ra các protein khác nhau từ một gen đơn lẻ. (nguồn: National Institute of General Medical Sciences, https://publications. PHÂN HẠNG GEN VÀ CÁC HƯỚNG TIẾP CẬN GIẢI QUYẾT 1.
Bài toán phân hạng gen Phân hạng gen là sử dụng các phương pháp tính toán để xếp hạng các gen theo khả năng liên quan của chúng đối với căn bệnh được xem xét. Các gen có thứ hạng cao sau đó được xác nhận bằng thực nghiệm sinh học để kiểm chứng khả năng liên quan tới căn bệnh. Khái niệm về phân hạng gen được giới thiệu lần đầu tiên vào năm 2002 bởi Perez-Iratxeta và cộng sự [85]. Trong bài báo, Perez-Iratxeta và cộng sự đã mô tả phương pháp tiếp cận tính toán đầu tiên để giải quyết vấn đề này.
Kể từ đó, nhiều 12 phương pháp phân hạng gen sử dụng các chiến lược, các thuật toán và nguồn dữ liệu khác nhau đã được phát triển. Bài toán phân hạng gen có thể phát biểu như sau: Với một căn bệnh D, một bộ gen C là ứng viên cần xem xét và dữ liệu huấn luyện T. Sau khi nhập dữ liệu và tính toán, phương pháp sẽ tính điểm số cho mỗi gen ứng viên, những gen có điểm số cao là những gen có nhiều khả năng liên quan đến bệnh. Dữ liệu huấn luyện T Điểm số (g,D) Phương pháp Tập ứng viên Điểm số của tất cả các gen g C phân hạng gen trong C đối với căn bệnh D Căn bệnh D Hình 1.
Sơ đồ tổng quan về phân hạng gen Mục đích của phân hạng gen là cung cấp cho các nhà nghiên cứu y sinh học những gợi ý ban đầu về các gen có khả năng liên quan tới căn bệnh, giúp thu hẹp danh sách các gen ứng viên cần dự đoán và các cơ chế liên quan đến căn bệnh. Những đóng góp này là rất cần thiết để xác định các gen mới liên quan đến bệnh, đặc biệt là đối với các căn bệnh phức tạp. Các hướng tiếp cận giải quyết bài toán phân hạng gen 1. Các phương pháp dựa trên dữ liệu chú giải chức năng Các phương pháp dựa trên chú giải chức năng tính điểm số phân hạng các gen ứng viên bằng cách xác định mức độ tương đồng của mỗi gen ứng viên so với một tập các gen liên quan đến bệnh đã biết, dựa trên hồ sơ được xây dựng từ nhiều nguồn dữ liệu chú giải chức năng [3, 4, 20].
Các gen ứng viên được xếp hạng dựa vào hồ sơ gen trích rút từ nhiều nguồn dữ liệu sinh học như: dữ liệu về thông tin nội tại của gen (genetic localisation), dữ 13 liệu biểu hiện gen (gene expression), dữ liệu về kiểu hình (phenotypic data) [28], dữ liệu tương tác giữa các gen [89], bản thể gen (gen ontology) và những dữ liệu khác [2, 6, 103]. Do đó các phương pháp này chủ yếu tập trung vào việc tích hợp các bộ dữ liệu sinh học khác nhau để có thể xác định được mức độ tương đồng giữa gen ứng viên và gen liên quan đến bệnh đã biết chính xác hơn. Điển hình của hướng tiếp cận này là GenSeeker, một công cụ Web cho phép dự đoán gen liên quan đến bệnh dựa trên dữ liệu biểu hiện gen và kiểu hình từ người và chuột [28, 29]. Hệ thống EVO lựa chọn gen ứng viên dựa trên các kỹ thuật khai phá dữ liệu y văn thông qua tên bệnh [2, 69, 114] và sử dụng thông tin trình tự cơ bản để phân loại gen có hoặc không có khả năng liên quan đến căn bệnh.
Tuy nhiên, những phương pháp này gặp phải hạn chế là các nguồn dữ liệu chú giải chức năng chưa bao phủ được toàn bộ hệ gen của con người. Các phương pháp dựa trên học máy Đối với hướng tiếp cận này, nhiều kỹ thuật học máy đã được áp dụng để dự đoán các gen ứng viên có liên quan đến bệnh. Trong đó, vấn đề dự đoán gen được xem xét giống như một bài toán phân lớp dữ liệu. Theo mô hình này, một bộ phân lớp học từ tập dữ liệu huấn luyện sau đó dự đoán một gen ứng viên có phải là gen liên quan đến bệnh hay không.