Tổng quan về luận án

Nghiên cứu khoa học trong kỷ nguyên y học chính xác (precision medicine) đang đứng trước bài toán cấp bách về việc nhận diện chính xác các gen điều khiển (cancer driver genes) – vốn là các mục tiêu phân tử then chốt phục vụ phát triển thuốc trúng đích. Trong bối cảnh "ung thư là tên gọi chung cho hơn 200 loại bệnh có liên quan và có tỷ lệ tử vong cao, chỉ đứng sau các bệnh về tim mạch" [1], việc xác định các gen đột biến sinh bệnh thông qua xét nghiệm sinh học phân tử lâm sàng truyền thống đối mặt với rào cản chi phí khổng lồ và độ trễ thời gian lớn khi phải rà soát thủ công hàng nghìn gen ứng viên [4].

Luận án tiến sĩ chuyên ngành Hệ thống thông tin (mã số: 9480104) của nghiên cứu sinh Phạm Đức Tĩnh, thực hiện tại Học viện Khoa học và Công nghệ thuộc Viện Hàn lâm Khoa học và Công nghệ Việt Nam dưới sự hướng dẫn của TS. Trần Tiến Dũng và TS. Hoàng Đỗ Thanh Tùng (2024), đã tạo nên bước đột phá tiên phong khi tích hợp lý thuyết mạng phức hợp (complex network theory) và lý thuyết động lực học cạnh tranh (competitive dynamics) để giải quyết bài toán dự đoán gen mục tiêu điều trị ung thư.

                                   Tác động nhiễu loạn
                               (Ngoại lực / Tác nhân thuốc)

Điểm nghẽn nghiên cứu (research gap) cốt lõi được luận án xác định bắt nguồn từ hạn chế cố hữu của các hướng tiếp cận hiện hành:

  1. Các phương pháp thống kê đột biến (như DrGaP [10], OncodriveCLUST [11], OncoVar [12]) dễ dẫn đến việc gán sai lệch chức năng khi các gen bệnh đã biết và chưa biết có mối quan hệ tương tác gián tiếp phức tạp [13, 14].
  2. Các mô hình học máy và học sâu (như DriverML [6], PCDG-Pred [8]) bị phụ thuộc nặng nề vào độ lớn và chất lượng gán nhãn của tập mẫu huấn luyện ban đầu [10].
  3. Các mô hình mạng phức hợp kinh điển (như mô hình động lực cạnh tranh nội bộ của Zhao và cộng sự [73], hay mô hình lan truyền tĩnh PRINCE [58]) chỉ xem xét sự cạnh tranh giữa các cặp đỉnh bên trong mạng hoặc trên cấu trúc đồ thị tĩnh, hoàn toàn bỏ qua tương tác động giữa một tác nhân điều khiển nội bộ và các tác nhân can thiệp ngoại vi (như tác động dược lý của thuốc hay bức xạ môi trường).

Luận án đã giải quyết tường minh 2 câu hỏi nghiên cứu (Research Questions) và kiểm chứng 2 giả thuyết khoa học (Hypotheses):

  • RQ1: Làm thế nào để mô hình hóa toán học sự tương tác cạnh tranh bất đối xứng giữa một phân tử điều khiển nội tại trong mạng sinh học và một tác nhân can thiệp từ bên ngoài môi trường?
  • RQ2: Làm thế nào để mở rộng không gian tính toán nhằm lượng hóa toàn bộ các tương tác gián tiếp đa bước trên các mạng sinh học quy mô lớn mà vẫn đảm bảo hiệu năng thời gian thực?
  • H1: Trạng thái biểu hiện của các gen bình thường trong mạng tín hiệu sinh học sẽ hội tụ về một tổ hợp lồi ổn định dưới sự chi phối của giao thức đồng thuận phân tán khi tham số tương tác $\varepsilon$ thỏa mãn điều kiện chặn bởi bậc ngoài cực đại $0 < \varepsilon < Deg_{max}^{-1}$.
  • H2: Việc tích hợp ma trận khoảng cách ngắn nhất và ma trận ảnh hưởng gián tiếp toàn cục sẽ mang lại độ chính xác xếp hạng gen đích vượt trội so với các thước đo trung tâm mạng cục bộ truyền thống.

Khung lý thuyết của luận án được xây dựng vững chắc trên nền tảng: Lý thuyết động lực mạng biến thiên thời gian của Jinhu Lü và Guanrong Chen [68], Giao thức đồng thuận phân tán DeGroot [75], và Lý thuyết mạng không tỷ lệ Barabási-Albert [31]. Đóng góp mang tính đột phá của công trình được định lượng qua việc xác lập thành công mô hình động lực cạnh tranh ngoài (External Competitive Dynamics) và công cụ tính toán song song Drivergene, thực nghiệm kiểm chứng trên 17 mạng tín hiệu ung thư từ KEGG (Kyoto Encyclopedia of Genes and Genomes) cùng 03 bộ dữ liệu mạng sinh học quy mô lớn, mở ra giải pháp sàng lọc in-silico chuẩn xác, giúp giảm thiểu tối đa số lượng mẫu thử nghiệm lâm sàng tốn kém.

Literature Review và Positioning

Nghiên cứu về nhận diện gen sinh bệnh và protein đích trên mạng lưới sinh học phân tử đã trải qua bốn làn sóng tiến hóa học thuật chính:

  1. Làn sóng phân tích thống kê đột biến và máy học: Các công cụ kinh điển như DrGaP [10] và OncodriveCLUST [11] tập trung đánh giá cụm đột biến soma không mã hóa, trong khi DriverML [6] lượng hóa tác động chức năng của đột biến lên chuỗi polypeptide. Tuy nhiên, nhóm phương pháp này thất bại khi đối mặt với các đột biến hiếm hoặc các gen gây bệnh thông qua cơ chế tương tác tầng bậc gián tiếp [13, 14].
  2. Làn sóng các thước đo trung tâm cấu trúc đồ thị tĩnh: Nhóm nghiên cứu của Sabidussi [50] với Thước đo gần gũi (Closeness - $C_{clo}$), Freeman [54] với Thước đo trung tâm giữa (Betweenness - $C_{bet}$), và Seidman [35] với thuật toán phân rã $K$-core đã đặt nền móng cho việc xác định các vị trí nút quan trọng. Tại Việt Nam, Trần Tiến Dũng và cộng sự [12, 13] đã có đóng góp đáng kể khi phát triển Thước đo gần gũi theo thứ bậc (Hierarchical Closeness - $C_{hc}(v) = N_R(v) + C_{clo}(v)$) kết hợp phân rã $R$-core trên đồ thị có hướng để phát hiện gen chỉ dấu ung thư [20, 53]. Dẫu vậy, các chỉ số này thuần túy mang tính topo tĩnh, chưa mô tả được tính chất tương tác động học của hệ sinh thái tế bào.
  3. Làn sóng lan truyền thông tin và bước nhảy ngẫu nhiên: Thuật toán bước nhảy ngẫu nhiên có quay lại (Random Walk with Restart - RWR) [57] và thuật toán PRINCE của Vanunu và cộng sự [58] đã tích hợp kiểu hình bệnh tật vào mạng tương tác protein (PPI). Tiếp đó, Lê Đức Hậu và cộng sự [21] phát triển thuật toán ORIENT nhằm tăng cường trọng số lân cận của các gen bệnh đã biết. Mặc dù vậy, RWR và ORIENT phụ thuộc nặng nề vào việc lựa chọn xác suất quay lại đỉnh nguồn ($c$) và tỷ lệ gia cố trọng số, dễ mất tính hội tụ trên các cấu trúc mạng biến thiên.
  4. Làn sóng mô hình động lực học mạng và cạnh tranh: Khởi xướng từ mô hình động lực mạng đồng nhất của Wang và Chen [66], sau đó được Jinhu Lü và Guanrong Chen [68] tổng quát hóa thành hệ thống động học biến thiên thời gian:

$$\dot{x}i = f(x_i) + \sum{j=1}^n c_{ij}(t) A(t) (x_j - x_i)$$

Đến năm 2014, Zhao và cộng sự [73] đưa ra mô hình động lực cạnh tranh nội mạng giữa hai đỉnh $i, j \in V$. Tuy nhiên, tranh luận học thuật nảy sinh giữa hai trường phái:

  • Trường phái Cạnh tranh Cục bộ Nội suy (Zhao et al., 2014): Giả định cuộc chiến giành quyền kiểm soát mạng chỉ diễn ra giữa các thực thể nội tại có sẵn trong hệ thống ($i, j \in V$).
  • Trường phái Nhiễu loạn Môi trường Ngoại sinh (quan điểm của Luận án): Khẳng định trong hệ thống sinh học thực tế, các biến đổi trạng thái của mạng tế bào ung thư chịu sự tác động mang tính quyết định từ các tác nhân ngoại sinh $\beta \notin V$ (dược chất, hoạt chất ức chế, xạ trị) xâm nhập nhằm hóa giải sự chi phối của gen sinh ung $\alpha \in V$.
Tiêu chí So sánh Mô hình PRINCE (Vanunu et al., 2010) Mô hình Cạnh tranh Trong (Zhao et al., 2014) Mô hình Cạnh tranh Ngoài Cải tiến (Luận án, 2024)
Bản chất động lực học Lan truyền xác suất tĩnh trên đồ thị Cạnh tranh nội bộ giữa 2 đỉnh trong mạng Cạnh tranh bất đối xứng giữa đỉnh nội tại và tác nhân ngoại vi
Xử lý tương tác gián tiếp Gián tiếp qua xác suất chuyển đổi Markov Hạn chế ở tương tác lân cận trực tiếp Lượng hóa toàn diện qua ma trận khoảng cách $D$ và ma trận ảnh hưởng $I$
Không gian tác nhân Không phân biệt tác nhân điều khiển/môi trường Đóng kín ($i, j \in V$) Mở ($ \alpha \in V $ đối đầu $ \beta \notin V $)
Năng lực tính toán mạng lớn Trung bình, nghẽn cổ chai bộ nhớ Kém khi duyệt từng cặp $O(n^2)$ Tối ưu hóa tính toán song song hiệu năng cao (Drivergene)

Định vị học thuật của luận án là công trình đầu tiên bắc cầu thành công giữa lý thuyết động lực học đồng thuận phân tán với bài toán sàng lọc đích tác động phân tử, vượt qua các giới hạn của mô hình Zhao et al. (2014) và phương pháp PRINCE (2010).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng nền tảng lý thuyết đồng thuận phân tán của DeGroot (1974) và mô hình động lực học mạng của Zhao và cộng sự (2014) sang một hình thái mới: Động lực học cạnh tranh ngoại vi (External Competitive Dynamics). Mô hình xem xét mạng phức hợp $G=(V, E)$ gồm $n$ đỉnh với ma trận trọng số $W = (w(u, v))_{n \times n}$. Trạng thái ban đầu của mọi đỉnh bình thường $u \in V$ được thiết lập $x_u(t_0) = 0$.

Giả định đỉnh $\alpha \in V$ là đỉnh điều khiển nội tại (gen đích) và $\beta \notin V$ là tác nhân môi trường ngoại vi can thiệp (thuốc điều trị), trạng thái biên được cố định tuyệt đối:

$$x_\alpha(t) = 1, \quad x_\beta(t) = -1, \quad \forall t \ge 0$$

Giao thức cập nhật trạng thái đồng thuận phân tán của mỗi đỉnh bình thường $u \in V \setminus {\alpha, \beta}$ tại thời điểm $t+1$ được thiết lập theo quy luật vi phân rời rạc:

$$x_u(t+1) = x_u(t) + \varepsilon \sum_{v=1, v \in V{u}}^n w(u, v) \cdot (x_v(t) - x_u(t))$$

Trong đó $\varepsilon$ là tham số điều chỉnh tương tác thỏa mãn $0 < \varepsilon < Deg_{max}^{-1}$, với $Deg_{max}$ là bậc ngoài lớn nhất của mạng. Luận án chứng minh rằng vector trạng thái của các đỉnh bình thường $X_{norm} \in \mathbb{R}^{n-2}$ sẽ hội tụ tất định khi $t \to \infty$:

$$X_{norm} = (\bar{D}{eg} - \varepsilon \bar{W})^{-1} [c\alpha, c_\beta]$$

Trong đó $\bar{D}{eg}$, $\bar{W}$, và ma trận liên kết $[c\alpha, c_\beta]$ được chiết xuất trực tiếp từ ma trận kề $W$. Dấu của giá trị hội tụ $\bar{x}_u$ phản ánh trạng thái định hướng: $\bar{x}_u > 0$ nghĩa là đỉnh $u$ chịu sự kiểm soát của gen điều khiển $\alpha$; $\bar{x}_u < 0$ biểu thị đỉnh $u$ bị chi phối bởi tác nhân thuốc $\beta$; và $\bar{x}_u = 0$ thể hiện tính trung lập.

Tổng năng lực ảnh hưởng/kiểm soát của đỉnh điều khiển $\alpha$ trước sự nhiễu loạn của $\beta$ được lượng hóa bằng hàm tích phân dấu:

$$S(\alpha) = \sum_{u \in V \setminus {\alpha, \beta}} sign(\bar{x}_u)$$

Luận án đề xuất ba mệnh đề lý thuyết cốt lõi:

  • Mệnh đề 1 (Tính ổn định hội tụ): Với mọi đồ thị liên thông có ít nhất một đường dẫn từ mỗi đỉnh bình thường đến $\alpha$ hoặc $\beta$, hệ thống động lực cạnh tranh ngoài luôn đạt trạng thái dừng duy nhất là tổ hợp lồi của trạng thái hai đối thủ.
  • Mệnh đề 2 (Tính đơn điệu của bậc kiểm soát): Năng lực kiểm soát $S(\alpha)$ tỉ lệ thuận với mức độ tập trung cấu trúc lõi $R$-core của đỉnh $\alpha$ trong không gian đồ thị có hướng.
  • Mệnh đề 3 (Bảo toàn tương tác gián tiếp): Tác động suy giảm của đỉnh điều khiển theo chiều sâu topo được bù đắp phi tuyến tính thông qua ma trận nghịch đảo suy rộng của toán tử Laplace trên mạng.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: Lý thuyết đồ thị cấu trúc (Structural Graph Theory), Lý thuyết hệ thống động lực phi tuyến (Nonlinear Dynamical Systems), và Tin sinh học mạng tế bào (Cellular Network Bioinformatics).

Điểm sáng tạo đặc biệt trong khung phân tích cải tiến ở Chương 3 là việc chuyển đổi từ bài toán tương tác trực tiếp sang lượng hóa tương tác gián tiếp toàn cục:

  1. Thuật toán ma trận khoảng cách ngắn nhất $D$: Xác định khoảng cách đường đi ngắn nhất $d(u, v)$ giữa mọi cặp đỉnh trên đồ thị định hướng thông qua thuật toán tối ưu.
  2. Thuật toán ma trận ảnh hưởng $I$: Xác lập mức độ ảnh hưởng suy giảm theo khoảng cách topo: $I(u, v) = f(d(u, v))$, phản ánh sự lan truyền tín hiệu phân tử thực tế trong tế bào.
  3. Điều kiện biên (Boundary conditions): Mô hình vận hành chuẩn xác trên các đơn đồ thị hoặc đa đồ thị hữu hạn, liên thông yếu hoặc liên thông mạnh, không áp dụng cho các đồ thị rời rạc hoàn toàn không có liên kết truyền tín hiệu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt quan điểm nhận thức luận Thực chứng (Positivism) kết hợp phương pháp mô hình hóa toán tin (Computational Mathematical Modeling). Thiết kế nghiên cứu đa tầng kết hợp phân tích cấu trúc tĩnh (Static topological analysis) với mô phỏng quá trình động lực học (Dynamic process simulation), thực nghiệm kiểm chứng trên dữ liệu sinh học phân tử chuẩn quốc tế.

Mẫu nghiên cứu bao gồm:

  • Tập dữ liệu 1: 17 mạng đường truyền tín hiệu ung thư (Cancer Signaling Pathways) trích xuất từ cơ sở dữ liệu KEGG (như ung thư bàng quang, ung thư biểu mô tế bào thận, ung thư vú, ung thư phổi không tế bào nhỏ, v.v.).
  • Tập dữ liệu 2: 03 mạng tương tác sinh học phân tử quy mô lớn chứa hàng nghìn đỉnh và hàng vạn tương tác protein-protein (PPI). "Dữ liệu sinh học ở người được cho là gồm khoảng 22.000 gen và tồn tại trong trạng thái 'động', chúng tồn tại trong sự tương tác lẫn nhau như kích hoạt, ức chế, trao đổi chất, tuyền tín hiệu và kiểm soát lẫn nhau" [11].

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu bao gồm 5 giai đoạn khép kín:

  1. Thu thập và tiền xử lý dữ liệu: Phân tích cú pháp các tệp bản đồ lộ trình KGML (KEGG Markup Language) để trích xuất các tương tác phân tử có hướng và vô hướng, bảo tồn nguyên vẹn cấu trúc mạng không đồng nhất.
  2. Phân rã topo mạng: Áp dụng thuật toán $K$-core và thuật toán $R$-core nhằm phân tầng cấu trúc mạng từ vùng biên (periphery) vào vùng lõi trung tâm (dense core).
  3. Mô phỏng động lực học: Thực thi quá trình lan truyền đồng thuận phân tán với các điều kiện chặn nghiêm ngặt đảm bảo ma trận nghịch đảo khả nghịch.
  4. Mở rộng tương tác gián tiếp: Xây dựng ma trận khoảng cách topo toàn cục nhằm triệt tiêu hiện tượng mất mát thông tin qua các liên kết đa bước.
  5. Kiểm tra độ vững chắc (Robustness checks) và đối soát thực chứng: Đối chiếu danh sách gen dự đoán với các cơ sở dữ liệu y sinh đã được kiểm chứng lâm sàng (NCBI, PubMed, COSMIC).

Data và phân tích

Luận án triển khai kỹ thuật Tính toán hiệu năng cao (High-Performance Computing - HPC) để giải quyết bài toán bùng nổ không gian trạng thái trên các mạng lớn. Tác giả đã tự thiết kế và phát triển phần mềm chuyên dụng mang tên Drivergene, ứng dụng kỹ thuật lập trình song song đa luồng (multi-threading parallel processing) trên nền tảng vi xử lý đa lõi (CPUs).

Thuật toán song song hóa quá trình tính toán ma trận khoảng cách ngắn nhất từ tất cả các đỉnh đến mọi đỉnh khác, triệt tiêu độ phức tạp tính toán tuần tự truyền thống từ $O(n^3)$ xuống $O(n^3 / p)$ (với $p$ là số lõi xử lý khả dụng). Các kiểm định thống kê được thực hiện nhằm chứng minh sự tương quan chặt chẽ giữa tổng mức độ ảnh hưởng của mô hình động lực cạnh tranh ngoài với các đặc trưng sinh học thực tế của tế bào ung thư.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự vượt trội của mô hình cạnh tranh ngoài so với các thước đo topo truyền thống: Kết quả thực nghiệm trên 17 mạng tín hiệu ung thư từ cơ sở dữ liệu KEGG chứng minh mô hình động lực cạnh tranh ngoài xác định các gen mục tiêu điều trị ung thư với độ nhạy và độ đặc hiệu cao hơn hẳn các phép đo Degree Centrality, Betweenness Centrality và Closeness Centrality.
  2. Khả năng bộc lộ gen điều khiển tiềm ẩn qua tương tác gián tiếp: Nghiên cứu phát hiện nhiều gen đích then chốt không hề sở hữu bậc liên kết trực tiếp cao (không phải là các hub rõ ràng) nhưng lại đạt tổng mức độ ảnh hưởng $S(\alpha)$ cực đại trong mô hình cạnh tranh ngoài cải tiến. Điều này giải thích hiện tượng sinh học phản trực giác: nhiều gen can thiệp điều trị hiệu quả nằm ở vị trí điều hòa gián tiếp thay vì trực tiếp tham gia chuỗi phản ứng.
  3. Hiệu ứng phân tầng cấu trúc $R$-core: Phân tích thực nghiệm chỉ ra rằng các gen có thứ hạng cao trong mô hình cạnh tranh ngoài tập trung mật độ dày đặc tại các tầng lõi $R$-core sâu nhất ($r = 3, 4$), khẳng định vai trò sống còn của các đỉnh có tầm với định hướng bao phủ toàn mạng.
  4. Bứt phá về hiệu năng tính toán với công cụ Drivergene: Thực nghiệm trên 3 mạng sinh học quy mô lớn chứng minh Drivergene giúp giảm thời gian tính toán từ hàng chục giờ xử lý tuần tự xuống chỉ còn vài phút khi kích hoạt tính toán song song đa lõi, duy trì khả năng mở rộng (scalability) tuyến tính theo số lượng nhân xử lý.

Implications đa chiều

  • Về mặt lý thuyết: Luận án đặt nền móng cho lý thuyết động lực học cạnh tranh trên mạng phức hợp mở (Open Complex Networks), cung cấp công cụ toán học mô hình hóa sự tương tác giữa hệ thống sinh học nội sinh và can thiệp dược lý ngoại sinh.
  • Về phương pháp luận: Thiết lập quy trình chuẩn hóa từ mô hình hóa dữ liệu KGML, phân rã $R$-core, đến tính toán song song ma trận ảnh hưởng gián tiếp, có thể tái áp dụng cho nhiều lớp mạng phức hợp khác như mạng truyền thông, mạng lan truyền tài chính hay mạng lưới giao thông.
  • Về ứng dụng thực tiễn y dược: Cung cấp danh mục các gen đích tiềm năng có độ tin cậy cao cho 17 loại ung thư phổ biến, giúp các trung tâm nghiên cứu và công ty dược phẩm rút ngắn chu kỳ sàng lọc tiền lâm sàng (pre-clinical drug discovery), tiết kiệm hàng triệu USD chi phí thử nghiệm in-vitro/in-vivo.
  • Về chính sách y tế: Hỗ trợ xây dựng chiến lược phát triển thuốc cá thể hóa trong các chương trình y tế quốc gia, tối ưu hóa phác đồ điều trị trúng đích nhằm nâng cao tỷ lệ sống sót sau 5 năm cho bệnh nhân ung thư.

Limitations và Future Research

Nhìn nhận một cách khách quan và khoa học, luận án tồn tại một số giới hạn nghiên cứu (limitations) cần được tiếp tục hoàn thiện:

  1. Giả định trạng thái cố định nhị phân: Mô hình hiện gán trạng thái cố định $x_\alpha = +1$ và $x_\beta = -1$. Trong thực tế lâm sàng, nồng độ thuốc và mức độ biểu hiện gen biến thiên liên tục theo không gian và thời gian.
  2. Cấu trúc mạng đơn tầng: Thực nghiệm chủ yếu triển khai trên từng mạng tín hiệu tế bào đơn lẻ, chưa mô hình hóa mạng đa tầng (heterogeneous multi-layer multiplex networks) kết hợp đồng thời mạng điều hòa gen, mạng biểu hiện miRNA, mạng tương tác thuốc-mục tiêu và mạng lncRNA.
  3. Phụ thuộc vào chất lượng dữ liệu cơ sở tri thức: Độ chính xác của ma trận kề $W$ phụ thuộc vào các tương tác đã được chú thích trong KEGG và STRING, vốn có thể chứa các tương tác dương tính giả (false positives) hoặc thiếu hụt các tương tác chưa được khám phá.

Chương trình nghiên cứu tiếp nối mở ra 5 hướng phát triển giàu tiềm năng:

  • Hướng 1: Mở rộng mô hình động lực cạnh tranh ngoài với trạng thái biến thiên liên tục phi tuyến tính dựa trên hệ phương trình vi phân ngẫu nhiên (Stochastic Differential Equations).
  • Hướng 2: Tích hợp dữ liệu biểu hiện gen đơn tế bào (single-cell RNA sequencing) và dữ liệu hồ sơ bệnh nhân cụ thể (patient-specific profiling) để xây dựng hệ thống dự đoán đích thuốc cá thể hóa.
  • Hướng 3: Phát triển mô hình động lực cạnh tranh trên mạng đa tầng hỗn hợp (Multi-layer Heterogeneous Networks), tích hợp dữ liệu ba bên miRNA-lncRNA-bệnh tật.
  • Hướng 4: Nâng cấp công cụ Drivergene tích hợp tính toán phân tán trên cụm GPU (CUDA/OpenCL) và môi trường điện toán đám mây (Cloud HPC).
  • Hướng 5: Kết hợp thử nghiệm sinh học phân tử ướt (wet-lab validation) phối hợp với các viện nghiên cứu y sinh để thẩm định thực nghiệm các gen đích mới được dự đoán.

Tác động và ảnh hưởng

Công trình nghiên cứu mang lại những giá trị tác động sâu rộng trên nhiều bình diện:

  • Tác động học thuật: Luận án đóng góp trực tiếp vào kho tàng tri thức khoa học tính toán và tin sinh học, thể hiện qua các công trình công bố trên các tạp chí chuyên ngành quốc tế uy tín thuộc danh mục ISI/Scopus và kỷ yếu hội nghị khoa học quốc gia, khẳng định vị thế học thuật của Viện Hàn lâm Khoa học và Công nghệ Việt Nam.
  • Chuyển đổi công nghiệp dược phẩm: Cung cấp giải pháp sàng lọc in-silico giúp các doanh nghiệp R&D công nghệ sinh học tinh gọn danh mục gen mục tiêu, giảm thiểu tới 60-80% số lượng mẫu thí nghiệm lâm sàng không cần thiết.
  • Lợi ích xã hội và y tế công cộng: Góp phần hiện thực hóa mục tiêu giảm tỷ lệ tử vong do ung thư thông qua việc hỗ trợ phát triển các dòng thuốc mới có độ chính xác phân tử cao, giảm thiểu tác dụng phụ độc hại cho người bệnh.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới nghiên cứu Toán tin ứng dụng: Tiếp cận một mô hình toán học giải tích chặt chẽ, mở rộng lý thuyết động lực học đồng thuận phân tán sang các bài toán tương tác mạng mở.
  • Các nhà Tin sinh học và Sinh học hệ thống: Sở hữu công cụ mã nguồn mở hiệu năng cao (Drivergene) để phân tích cấu trúc topo và động lực học trên các mạng sinh học quy mô hàng vạn phân tử.
  • Bộ phận R&D tại các Tập đoàn Dược phẩm: Sử dụng danh sách gen mục tiêu đã được xếp hạng ưu tiên để định hướng thiết kế cấu trúc phân tử thuốc mới và thử nghiệm tái định vị thuốc (drug repurposing).
  • Các Bác sĩ lâm sàng và Nhà hoạch định chính sách Y tế: Khai thác các căn cứ khoa học định lượng vững chắc để xây dựng các phác đồ điều trị trúng đích theo hồ sơ đột biến gen của từng phân nhóm bệnh nhân ung thư.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nền tảng nào?

Đóng góp lý thuyết độc đáo nhất là việc xây dựng Mô hình động lực cạnh tranh ngoài trên mạng phức hợp. Luận án đã mở rộng mô hình đồng thuận phân tán DeGroot (1974) và mô hình động lực học mạng của Zhao và cộng sự (2014) từ trạng thái cạnh tranh kín giữa hai đỉnh nội bộ ($i, j \in V$) sang trạng thái tương tác cạnh tranh mở bất đối xứng giữa một đỉnh điều khiển nội tại $\alpha \in V$ ($x_\alpha = +1$) và một tác nhân môi trường/thuốc ngoại vi $\beta \notin V$ ($x_\beta = -1$), đồng thời chứng minh nghiệm giải tích hội tụ tổ hợp lồi $X_{norm} = (\bar{D}{eg} - \varepsilon \bar{W})^{-1} [c\alpha, c_\beta]$ dưới điều kiện chặn $0 < \varepsilon < Deg_{max}^{-1}$.

2. Sự đổi mới về phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây?

So với mô hình PRINCE của Vanunu và cộng sự (2010) (thuần túy lan truyền xác suất tĩnh phụ thuộc kiểu hình) và mô hình của Zhao và cộng sự (2014) (chỉ tính toán tương tác lân cận trực tiếp giữa 2 đỉnh nội mạng), phương pháp của luận án tạo nên bước đột phá kép: (1) Mô hình hóa quá trình động lực học can thiệp ngoại sinh; (2) Phát triển thuật toán ma trận khoảng cách $D$ và ma trận ảnh hưởng $I$ cho phép lượng hóa toàn diện tương tác gián tiếp đa bước trên mạng quy mô lớn, khắc phục hoàn toàn sự sai lệch gán nhãn chức năng.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và bằng chứng dữ liệu hỗ trợ?

Phát hiện bất ngờ nhất là các gen mục tiêu điều trị ung thư có hiệu quả cao nhất không nhất thiết phải là các gen "hub" có bậc liên kết cục bộ cao nhất (Degree Centrality lớn), mà là các gen nằm tại các tầng lõi sâu của cấu trúc phân tách định hướng $R$-core ($r = 3, 4$) và đạt tổng mức độ ảnh hưởng $S(\alpha)$ cực đại trong mô hình cạnh tranh ngoài cải tiến. Dữ liệu thực nghiệm trên mạng ung thư bàng quang và ung thư tế bào thận từ KEGG chứng minh các gen này chi phối toàn diện mạng lưới thông qua các đường truyền tín hiệu gián tiếp thay vì liên kết trực tiếp.

4. Luận án có cung cấp quy trình và công cụ để tái lập nghiên cứu (Replication protocol)?

Luận án cung cấp đầy đủ và chi tiết toàn bộ quy trình tái lập: Từ mã giả thuật toán (Algorithm 2.1, 3.1, 3.2, 3.3, 3.4), công thức toán học tường minh, định dạng chuẩn hóa dữ liệu KGML từ KEGG, đến việc thiết kế và đóng gói công cụ phần mềm tính toán song song hiệu năng cao Drivergene, cho phép cộng đồng khoa học dễ dàng tái lập và kiểm chứng độc lập trên bất kỳ tập dữ liệu mạng phức hợp nào.

5. Khung chương trình nghiên cứu 10 năm được vạch ra như thế nào?

Chương trình nghiên cứu dài hạn hướng tới: (1) Xây dựng mô hình động lực học ngẫu nhiên trên mạng tế bào biến thiên phi tuyến; (2) Tích hợp mạng đa tầng (miRNA-lncRNA-mRNA-Drug-Disease); (3) Tối ưu hóa công cụ Drivergene trên nền tảng siêu điện toán GPU; (4) Triển khai ứng dụng chẩn đoán và định vị thuốc cá thể hóa trong điều trị ung thư tại các bệnh viện chuyên khoa.

Kết luận

  1. Luận án đã giải quyết trọn vẹn bài toán khoa học cấp thiết về dự đoán gen mục tiêu điều trị ung thư bằng việc tiên phong đề xuất Mô hình động lực cạnh tranh ngoài trên mạng thông tin phức hợp, phá vỡ giới hạn của các mô hình cạnh tranh nội bộ truyền thống.
  2. Công trình xác lập thành công Mô hình cạnh tranh ngoài cải tiến với khả năng xử lý tương tác gián tiếp, lượng hóa chuẩn xác toàn bộ các tác động lan truyền tín hiệu phân tử đa tầng bậc trong không gian mạng sinh học.
  3. Luận án đã thiết kế và phát triển công cụ phần mềm tính toán hiệu năng cao Drivergene, hiện thực hóa thuật toán xử lý song song đa luồng, giải quyết triệt để rào cản bùng nổ thời gian tính toán trên các mạng dữ liệu sinh học quy mô lớn.
  4. Kết quả thực nghiệm trên 17 mạng tín hiệu ung thư từ cơ sở dữ liệu KEGG và 03 mạng sinh học quy mô lớn đã chứng minh tính ưu việt vượt trội của mô hình đề xuất về độ chính xác và độ nhạy so với các phương pháp chuẩn quốc tế.
  5. Nghiên cứu tạo nên bước tiến mô thức (paradigm advancement) quan trọng, bắc nhịp cầu hoàn hảo giữa lý thuyết khoa học mạng phức hợp, hệ thống thông tin và y học phân tử chính xác.
  6. Luận án mở ra ba dòng nghiên cứu khoa học mới đầy triển vọng: Động lực học cạnh tranh trên mạng phức hợp đa tầng; Tin sinh học tính toán hiệu năng cao cho y học cá thể hóa; và Hệ thống hỗ trợ ra quyết định lâm sàng trong thiết kế thuốc trúng đích.