Luận văn thạc sĩ về dự đoán tương tác protein sử dụng kỹ thuật khai phá dữ liệu

Luận văn thạc sĩ nghiên cứu dự đoán tương tác protein bằng kỹ thuật khai phá dữ liệu, góp phần phát triển lĩnh vực sinh học tính toán.

• Tác giả: Phạm Văn Hiếu
• Người hướng dẫn: TS. Đặng Thanh Hải
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Dự đoán tương tác protein - protein sử dụng kỹ thuật khai phá dữ liệu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. LÝ DO CHỌN ĐỀ TÀI
• 1.2. MỤC TIÊU ĐỀ TÀI
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. CÁC KHÁI NIỆM LIÊN QUAN ĐẾN PROTEIN
• 2.1.1. Cấu trúc Protein
• 2.1.2. Chức năng của Protein
• 2.1.3. Định nghĩa quan hệ tương tác protein – protein (PPI)
• 2.1.4. Tầm quan trọng của tương tác protein – protein
• 2.2. KHÁI NIỆM CƠ BẢN VỀ KHAI PHÁ DỮ LIỆU
• 2.2.1. Định nghĩa về khai phá dữ liệu
• 2.2.2. Định nghĩa về học có giám sát
• 2.2.3. Khái niệm về thuật toán phân lớp trong học có giám sát
• 2.2.4. Bài toán phân lớp
• 2.2.5. Tổng quan về một số thuật toán phân lớp cơ bản
• 3. CHƯƠNG 3: DỰ ĐOÁN TƯƠNG TÁC PROTEIN - PROTEIN
• 3.1. MÔ HÌNH DỰ ĐOÁN TƯƠNG TÁC PROTEIN – PROTEIN
• 3.2. XÂY DỰNG MÔ HÌNH THỰC NGHIỆM
• 3.2.1. Xây dựng bộ dữ liệu
• 3.2.2. Trích xuất thuộc tính/đặc trưng
• 3.2.3. Lựa chọn thuộc tính/đặc trưng
• 3.2.4. Phân lớp đặc trưng
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM VÀ KẾT LUẬN
• 4.1. CHƯƠNG TRÌNH CÀI ĐẶT
• 4.1.1. Yêu cầu cấu hình
• 4.2. KẾT QUẢ DỰ ĐOÁN TƯƠNG TÁC PROTEIN - PROTEIN
• 4.3. HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về tƣơng tác protein

Tƣơng tác protein là một trong những khía cạnh quan trọng nhất trong sinh học phân tử. Tƣơng tác protein – protein (PPI) không chỉ ảnh hưởng đến chức năng của tế bào mà còn quyết định nhiều quá trình sinh học khác nhau. Việc hiểu rõ về các tƣơng tác protein giúp các nhà khoa học phát hiện ra vai trò của các protein mới và cải thiện các phương pháp điều trị bệnh. Theo nghiên cứu, các phương pháp truyền thống như hóa sinh thường tốn kém và mất thời gian. Do đó, việc áp dụng khai phá dữ liệu để dự đoán các tƣơng tác protein trở nên cần thiết. Sự phát triển của công nghệ thông tin và khai phá dữ liệu đã mở ra hướng đi mới cho việc nghiên cứu và dự đoán các tƣơng tác protein một cách hiệu quả hơn.

II. Khái niệm và tầm quan trọng của khai phá dữ liệu

Khai phá dữ liệu là một lĩnh vực đa ngành, kết hợp giữa trí thông minh nhân tạo, thống kê và lý thuyết thông tin. Khai phá dữ liệu cho phép các chương trình học tập và tự động cải thiện từ kinh nghiệm. Trong bối cảnh dự đoán tƣơng tác protein, khai phá dữ liệu giúp xây dựng các mô hình phân lớp để phân loại các mối quan hệ protein – protein thành nhóm tương tác và không tương tác. Việc áp dụng các thuật toán như Naïve Bayes, cây quyết định hay SVM trong khai phá dữ liệu đã chứng minh hiệu quả trong việc phân loại và dự đoán. Điều này không chỉ giúp tiết kiệm thời gian mà còn nâng cao độ chính xác trong việc phát hiện các tƣơng tác protein mới.

III. Mô hình dự đoán tƣơng tác protein

Mô hình dự đoán tƣơng tác protein được xây dựng dựa trên các thuật toán phân lớp tổng hợp. Mô hình này kết hợp nhiều bộ phân lớp đơn lẻ để tạo ra một mô hình mạnh mẽ hơn. Việc xây dựng mô hình này bao gồm các bước như xây dựng bộ dữ liệu, trích xuất và lựa chọn thuộc tính. Các thuộc tính này được sử dụng để phân lớp các cặp protein – protein. Kết quả thực nghiệm cho thấy mô hình này có khả năng dự đoán chính xác hơn so với các phương pháp truyền thống. Điều này mở ra cơ hội cho việc áp dụng mô hình vào thực tế, giúp các nhà nghiên cứu có thể phát hiện và xác định các tƣơng tác protein mới một cách hiệu quả.

IV. Kết quả thực nghiệm và ứng dụng

Kết quả thực nghiệm cho thấy mô hình dự đoán tƣơng tác protein đạt được độ chính xác cao. Các phương pháp khai phá dữ liệu đã được áp dụng thành công trong việc phân loại các cặp protein. Hệ thống này không chỉ giúp phát hiện các tƣơng tác protein mới mà còn có thể được áp dụng trong nhiều lĩnh vực khác nhau như y học, sinh học phân tử và công nghệ sinh học. Việc phát triển các mô hình dự đoán này có thể hỗ trợ các nhà khoa học trong việc nghiên cứu và phát triển các liệu pháp điều trị mới cho các bệnh liên quan đến protein.

Nội dung chính

Tổng quan nghiên cứu

Protein là thành phần thiết yếu trong tế bào và cơ thể sống, đóng vai trò quan trọng trong các chức năng sinh học. Tương tác protein – protein (PPI) là cơ chế để các protein thể hiện chức năng của mình, ảnh hưởng trực tiếp đến hoạt động tế bào và sức khỏe sinh học. Theo ước tính, hiện có khoảng 80 nghìn cặp protein tương tác được xác định trong cơ sở dữ liệu DIP, trong khi số cặp không tương tác lên đến khoảng 6.450 cặp từ bộ dữ liệu Negatome. Việc dự đoán chính xác các tương tác này giúp hiểu sâu hơn về chức năng protein mới và hỗ trợ nghiên cứu y sinh học.

Tuy nhiên, các phương pháp thực nghiệm truyền thống để xác định PPI thường tốn kém, mất nhiều thời gian và công sức. Do đó, mục tiêu của luận văn là phát triển một mô hình dự đoán tương tác protein – protein sử dụng kỹ thuật khai phá dữ liệu, cụ thể là áp dụng các thuật toán phân lớp tổng hợp nhằm nâng cao độ chính xác và hiệu quả dự đoán. Nghiên cứu tập trung vào xây dựng mô hình phân lớp tổng hợp dựa trên các thuật toán Bagging, AdaBoost và Random Forest, sử dụng dữ liệu thu thập từ DIP và Negatome trong giai đoạn nghiên cứu năm 2017 tại Đại học Công nghệ – Đại học Quốc gia Hà Nội.

Kết quả nghiên cứu có ý nghĩa quan trọng trong việc phát triển các công cụ dự đoán PPI tự động, góp phần giảm chi phí và thời gian so với phương pháp thực nghiệm, đồng thời mở rộng khả năng ứng dụng trong các nghiên cứu sinh học phân tử và phát triển thuốc.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính:

1. Sinh học phân tử về protein và tương tác protein – protein: Protein là đại phân tử phức tạp, được cấu tạo từ chuỗi amino acid với cấu trúc bậc một đến bậc bốn, quyết định chức năng sinh học. Tương tác protein – protein là hiện tượng vật lý giữa các protein, ảnh hưởng đến hoạt động tế bào và các quá trình sinh học. Các loại tương tác bao gồm tương tác ổn định, tạm thời, mạnh và yếu.

2. Khai phá dữ liệu và học máy có giám sát: Khai phá dữ liệu là lĩnh vực đa ngành, sử dụng các thuật toán học máy để tự động học và cải thiện mô hình dự đoán từ dữ liệu. Học có giám sát sử dụng tập dữ liệu đã gán nhãn để xây dựng mô hình phân lớp, dự đoán nhãn cho dữ liệu mới. Các thuật toán phân lớp tiêu biểu gồm Naïve Bayes, Cây quyết định (Decision Tree), Support Vector Machine (SVM). Phương pháp phân lớp tổng hợp (ensemble) như Bagging, Boosting (AdaBoost), và Random Forest được áp dụng để kết hợp nhiều mô hình yếu thành mô hình mạnh, nâng cao độ chính xác dự đoán.

Các khái niệm chuyên ngành quan trọng bao gồm: ma trận nhầm lẫn (confusion matrix), độ chính xác (accuracy), precision, recall, và độ đo F (F-measure) dùng để đánh giá hiệu quả mô hình phân lớp.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Tập dữ liệu dương tính (PPIs) gồm khoảng 6.445 cặp protein tương tác được lấy từ cơ sở dữ liệu DIP. Tập dữ liệu âm tính (PPNIs) gồm khoảng 6.445 cặp protein không tương tác được lấy từ bộ dữ liệu Negatome. Tỷ lệ dữ liệu dương tính và âm tính được cân bằng 1:1 để đảm bảo tính khách quan trong huấn luyện mô hình.

• Phương pháp trích xuất thuộc tính: Sử dụng hai kỹ thuật chính:

  • n-gram: Mã hóa chuỗi amino acid thành vector đặc trưng dựa trên tần suất xuất hiện của các chuỗi con amino acid liên tiếp (1-gram, 2-gram, 3-gram), tạo ra vector 8.420 chiều.
  • Multiscale Local Descriptor (MLD): Chia chuỗi protein thành các đoạn con, mã hóa nhị phân dựa trên tính lưỡng cực và khối lượng mạch nhánh của amino acid, tạo vector 1.134 chiều.

• Lựa chọn thuộc tính: Áp dụng phương pháp MRMD (Maximum Relevance Minimum Redundancy) dựa trên hệ số tương quan Pearson và các hàm khoảng cách (Euclid, Cosine, Tanimoto) để chọn ra 100 thuộc tính quan trọng nhất, giảm chiều dữ liệu nhằm tối ưu hiệu suất và giảm chi phí tính toán.

• Phân lớp: Áp dụng ba thuật toán phân lớp tổng hợp (Bagging, AdaBoostM1, Random Forest) và so sánh với các thuật toán phân lớp đơn lẻ tương ứng (Decision Stump, REPTree, Random Tree). Sử dụng kỹ thuật 10-fold cross validation để đánh giá mô hình, chia dữ liệu thành 10 phần, luân phiên sử dụng 9 phần huấn luyện và 1 phần kiểm định.

• Timeline nghiên cứu: Nghiên cứu được thực hiện trong năm 2017, bao gồm các bước thu thập dữ liệu, trích xuất và lựa chọn thuộc tính, xây dựng mô hình, thực nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình phân lớp tổng hợp vượt trội: Các mô hình phân lớp tổng hợp như Bagging, AdaBoostM1 và Random Forest cho độ đo F trung bình lần lượt đạt khoảng 86,29%, 70,71% và 85,39% (với MLD không giảm chiều), cao hơn đáng kể so với các mô hình đơn lẻ tương ứng (Decision Stump, REPTree, Random Tree) với độ đo F trung bình thấp hơn từ 4% đến 7%.

2. Giảm chiều dữ liệu giúp tiết kiệm chi phí tính toán: Sau khi áp dụng MRMD để giảm chiều thuộc tính từ 1.134 xuống còn 100, thời gian thực hiện các thuật toán giảm từ hàng trăm giây xuống còn vài giây, tiết kiệm từ 10% đến 25% chi phí tính toán. Mức giảm hiệu quả dự đoán chỉ dao động trong khoảng 1% đến 4%, chấp nhận được trong thực tế.

3. So sánh hai phương pháp trích xuất thuộc tính: Phương pháp n-gram và MLD cho hiệu quả dự đoán tương đương nhau về độ đo F, tuy nhiên n-gram có chi phí tính toán cao hơn khi không giảm chiều thuộc tính. Khi giảm chiều, n-gram cho chi phí thấp hơn MLD, phù hợp với các ứng dụng cần tối ưu thời gian.

4. Tỷ lệ cân bằng dữ liệu dương tính và âm tính: Việc cân bằng số lượng mẫu giữa hai lớp giúp mô hình tránh bị lệch, nâng cao độ chính xác dự đoán và giảm sai số giả.

Thảo luận kết quả

Kết quả thực nghiệm cho thấy mô hình phân lớp tổng hợp là lựa chọn ưu việt cho bài toán dự đoán tương tác protein – protein, phù hợp với đặc thù dữ liệu phức tạp và đa chiều. Việc sử dụng kỹ thuật khai phá dữ liệu giúp giảm thiểu chi phí và thời gian so với phương pháp thực nghiệm truyền thống, đồng thời vẫn đảm bảo độ chính xác cao.

So với các nghiên cứu trước đây chỉ tập trung vào mô hình phân lớp đơn lẻ hoặc trích xuất thuộc tính đơn giản, nghiên cứu này đã kết hợp hiệu quả các kỹ thuật trích xuất đặc trưng phức tạp (n-gram, MLD) với phương pháp lựa chọn thuộc tính MRMD và mô hình phân lớp tổng hợp, tạo ra bước tiến trong dự đoán PPI.

Dữ liệu được trình bày qua các biểu đồ độ đo F và thời gian thực hiện cho từng thuật toán, minh họa rõ ràng sự khác biệt về hiệu quả và chi phí giữa các phương pháp. Ma trận nhầm lẫn cũng được sử dụng để đánh giá chi tiết khả năng phân loại đúng/sai của mô hình.

Đề xuất và khuyến nghị

1. Áp dụng mô hình phân lớp tổng hợp trong các nghiên cứu PPI: Khuyến nghị sử dụng các thuật toán Bagging, AdaBoostM1 và Random Forest để xây dựng mô hình dự đoán tương tác protein – protein nhằm đạt hiệu quả phân lớp tối ưu. Thời gian triển khai dự kiến trong vòng 6-12 tháng, do các nhóm nghiên cứu sinh học phân tử và tin sinh học thực hiện.

2. Sử dụng phương pháp lựa chọn thuộc tính MRMD để giảm chiều dữ liệu: Giúp giảm chi phí tính toán mà vẫn giữ được độ chính xác dự đoán cao. Khuyến khích áp dụng trong các dự án có nguồn lực tính toán hạn chế hoặc cần xử lý dữ liệu lớn.

3. Kết hợp đa dạng phương pháp trích xuất đặc trưng: Nên kết hợp cả n-gram và MLD để khai thác tối đa thông tin từ chuỗi protein, từ đó nâng cao độ chính xác mô hình. Thời gian thực hiện có thể điều chỉnh tùy theo yêu cầu về chi phí và độ chính xác.

4. Cân bằng dữ liệu dương tính và âm tính trong tập huấn luyện: Đảm bảo tỷ lệ 1:1 hoặc gần tương đương để tránh sai số giả và nâng cao tính khách quan của mô hình. Các nhà nghiên cứu cần chú ý đến việc thu thập và xử lý dữ liệu phù hợp.

5. Phát triển giao diện phần mềm hỗ trợ dự đoán PPI: Xây dựng công cụ trực quan, dễ sử dụng cho các nhà khoa học không chuyên về tin học, giúp phổ biến và ứng dụng rộng rãi mô hình dự đoán trong thực tế.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu tin sinh học và sinh học phân tử: Có thể ứng dụng mô hình dự đoán PPI để hỗ trợ phân tích chức năng protein mới, giảm chi phí và thời gian thực nghiệm.

2. Chuyên gia phát triển phần mềm y sinh: Tham khảo kỹ thuật khai phá dữ liệu và mô hình phân lớp tổng hợp để phát triển các công cụ dự đoán tương tác protein – protein.

3. Sinh viên và học viên cao học ngành Công nghệ Thông tin, Tin sinh học: Nắm bắt kiến thức về ứng dụng học máy trong sinh học, phương pháp trích xuất và lựa chọn thuộc tính, cũng như kỹ thuật phân lớp tổng hợp.

4. Các tổ chức nghiên cứu và phát triển thuốc: Sử dụng mô hình dự đoán để xác định các mục tiêu protein tiềm năng, hỗ trợ quá trình thiết kế thuốc và nghiên cứu bệnh học.

Câu hỏi thường gặp

1. Tại sao phải sử dụng mô hình phân lớp tổng hợp thay vì mô hình đơn lẻ?
   Mô hình phân lớp tổng hợp kết hợp nhiều mô hình yếu thành một mô hình mạnh, giúp giảm sai số và tăng độ chính xác dự đoán. Thực nghiệm cho thấy mô hình tổng hợp cải thiện độ đo F từ 4% đến 7% so với mô hình đơn lẻ.

2. Phương pháp trích xuất thuộc tính nào hiệu quả hơn: n-gram hay MLD?
   Cả hai phương pháp đều cho hiệu quả dự đoán tương đương. Tuy nhiên, n-gram có chi phí tính toán cao hơn khi không giảm chiều dữ liệu, còn MLD có chi phí thấp hơn nhưng độ chính xác tương đương. Khi giảm chiều, n-gram có lợi thế về chi phí.

3. Làm thế nào để giảm chiều dữ liệu mà không làm giảm nhiều độ chính xác?
   Sử dụng phương pháp MRMD để lựa chọn thuộc tính có độ liên quan cao và độ dư thừa thấp, giúp giảm số lượng thuộc tính từ hàng nghìn xuống còn 100, giảm chi phí tính toán từ 10% đến 25% mà chỉ giảm độ đo F khoảng 1% đến 4%.

4. Dữ liệu âm tính được thu thập như thế nào và có đảm bảo không?
   Dữ liệu âm tính lấy từ bộ Negatome, được xác thực qua các thực nghiệm sinh học nhằm đảm bảo các cặp protein không tương tác vật lý. Việc cân bằng dữ liệu âm tính và dương tính giúp giảm sai số giả trong mô hình.

5. Mô hình có thể áp dụng cho các loại protein khác nhau không?
   Mô hình dựa trên đặc trưng chuỗi amino acid và tính chất hóa lý, do đó có thể áp dụng rộng rãi cho nhiều loại protein khác nhau, miễn là có dữ liệu trình tự và tương tác phù hợp để huấn luyện.

Kết luận

• Luận văn đã xây dựng thành công mô hình dự đoán tương tác protein – protein sử dụng kỹ thuật khai phá dữ liệu với thuật toán phân lớp tổng hợp, nâng cao độ chính xác dự đoán so với mô hình đơn lẻ.
• Phương pháp trích xuất thuộc tính n-gram và MLD được áp dụng hiệu quả, kết hợp với lựa chọn thuộc tính MRMD giúp giảm chiều dữ liệu và chi phí tính toán.
• Kết quả thực nghiệm trên dữ liệu DIP và Negatome cho thấy độ đo F trung bình đạt trên 85% với mô hình phân lớp tổng hợp.
• Nghiên cứu mở ra hướng phát triển các công cụ dự đoán PPI tự động, hỗ trợ nghiên cứu sinh học phân tử và phát triển thuốc.
• Các bước tiếp theo bao gồm mở rộng dữ liệu, cải tiến thuật toán phân lớp tổng hợp và phát triển phần mềm ứng dụng thực tế, kêu gọi các nhà nghiên cứu cùng hợp tác triển khai.

Hãy áp dụng mô hình và kỹ thuật khai phá dữ liệu này để nâng cao hiệu quả nghiên cứu tương tác protein – protein trong dự án của bạn!

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1.1 LÝ DO CHỌN ĐỀ TÀI Protein là thành phần quan trọng trongtế bào nói riêng và cơ thể sống nói chung, và tƣơng tác protein – protein là một cách để các protein thể hiện đƣợc các chức năng sinh học của mình. Vì vậy hiểu biết về các tƣơng tác protein – protein sẽ giúp chúng ta hiểu sâu hơn về các chức năng protein, và tìm ra đƣợc vai trò của các protein mới. Vào thời điểm bắt đầu nghiên cứu về tƣơng tác protein – protein, các nhà khoa học thƣờng sử dụng phƣơng pháp hóa sinh để phân tích và dự đoán. Tuy nhiên các phƣơng pháp thực nghiệm này đắt tiền, tốn nhiều thời gian, công sức, và nhiều khi rất khó để thực hiện.

Vì vậy nên yêu cầu cấp thiết đƣợc đặt ra là dự đoán bằng cách áp dụng khai phá dữ liệu và phát triển các mô hình tính toán tự động để đạt hiệu quả cao, nhanh hơn nhƣ là sự bổ sung cho các phƣơng pháp thực nghiệm. Theo thời gian, số lƣợng ngày càng tăng của tập các cặp protein – protein tƣơng tác với nhau (và tập không tƣơng tác) đã đƣợc thực nghiệm xác định. Sự tích lũy dữ liệu vềtƣơng tác protein – protein bằng thực nghiệm đem lại lợi thế về mặt đầy đủ thông tin để có thể tính toán dự đoán đƣợc thêm các tƣơng tác protein – protein mới. Và đó cũng là lý do tôi quyết định chọn đề tài“Dự đoán tƣơng tác protein – protein sử dụng kỹ thuật khai phá dữ liệu”.2 MỤC TIÊU ĐỀ TÀI Trong khuôn khổ luận văn này, tôi trình bày một phƣơng pháp tính toán cho dự đoán tƣơng tác protein – protein khác với các phƣơng pháp phân lớp truyền thống, đó là xây dựng mô hình phân lớp theo hƣớng áp dụng thuật toán phân lớp tổng hợp, hay là sự kết hợp mô hìnhcác bộ phân lớp đơn lẻ yếu hơn thành một mô hình mạnh, nhằm đạt đƣợc hiệu quả phân lớp tối ƣu.

Với bài toán nhƣ trên, đặt ra mục tiêu cho đề tài là tìm hiểu và xây dựng thành công một mô hình dự đoán tƣơng tác protein-protein dựa trên thuật toán phân lớp tổng hợp, là phƣơng pháp đã đƣợc chứng minh là tốt hơn thuật toán phân lớp đơn lẻ truyền thống, từ đó làm tiền đề áp dụng vào thực tế triển khai nghiên cứu dự đoán tƣơng tác protein – protein một cách hiệu quả nhất. Để đạt đƣợc mục tiêu đó, các công việc tôi đã thực hiện trong luận văn này là: Nghiên cứu cơ sở lý thuyết các khái niệm về protein, cấu trúc protein trong sinh học, nhằm phục vụ cho việc khai thác các thuộc tính của chúng sử dụng trong tính toán; Nghiên cứu cơ sở lý thuyết về các kỹ thuật z 8 khai phá dữ liệu (nói chung) và kỹ thuật phân lớp dữ liệu (nói riêng), làm cơ sở cho xây dựng chƣơng trình thực nghiệm và chứng minh tính đúng đắn của kết quả thực nghiệm. Với chƣơng trình thực nghiệm, bƣớc đầu tôi đã đạt đƣợc mục tiêu của đề tài là chứng minh đƣợc tính hiệu quả khi áp dụng giải thuật phân lớp tổng hợp vào bài toán dự đoán tƣơng tác protein – protein so với các giải thuật khác. Qua đó có thể đạt đƣợc những mục tiêu xa hơn trong tƣơng lai, ví dụ nhƣ từ giải thuật trong đề tài này có thể làm nền móng cho các giải thuật khác triển khai hiệu quả hơn, giúp tăng hiệu năng cũng nhƣ độ chính xác của bài toán “Dự đoán tƣơng tác protein – protein sử dụng kỹ thuật khai phá dữ liệu”.

z 9 CHƢƠNG 2 : CƠ SỞ LÝ THUYẾT Chƣơng 2 trình bày cơ sở lý thuyết, bao gồm các thông tin giới thiệu về các khái niệm trong sinh học liên quan đến protein, cấu trúc protein; Các khái niệmkhai phá dữ liệu nền tảng liên quan đến kỹ thuật phân lớp dữ liệu, nhằm củng cố kiến thức và tạo tiền đề áp dụng giải quyết bài toán “Dự đoán tƣơng tác protein – protein sử dụng kỹ thuật khai phá dữ liệu”.1 CÁC KHÁI NIỆM LIÊN QUAN ĐẾN PROTEIN Protein là đại phân tử, phức tạp và có vai trò quan trọng trong tế bào (nói riêng) và cơ thể sống (nói chung). Chúng đƣợc tạo thành từ hàng trăm hoặc hàng ngàn các đơn vị nhỏ hơn đƣợc gọi là các amino acid. Protein đƣợc tạo ra bởi sự liên kết của hai hoặc nhiều polypeptide, là chuỗi đƣợc ghép từ các amino acid liên kết với nhau, đƣợc xếp thành một cấu trúc đặc biệt cho mỗi một protein cụ thể[1]. Hình 2-1: Minh họa cấu trúc 3D một protein[2] 2.1 Cấu trúc Protein Protein đƣợc hình thành do các amino acid liên kết lại với nhau bởi các liên kết peptide tạo ra chuỗi polypeptide.

Amino acid đƣợc cấu tạo bởi 3 thành phần : nhóm amin (−𝑁𝐻2 ), nhóm caboxyl (−𝐶𝑂𝑂𝐻) và cuối cùng là nguyên tử cacbon trung tâm đính với 1 nguyên tử hydro và nhóm biển đổi R quyết định tính chất của amino acid. z 10 Hình 2-2: Cấu tạo của một amino acid Có tất cả 20 loại amio acid trong thành phần của tất cả các loại protein khác nhau. Nhƣng dựa vào cấu tạo gốc R chúng ta có thể phân lớptổng quan thành 5 nhóm có các tính chất hóa lý đặc trƣng riêng, cụ thể: o Các amio acid có gốc R không phân cực, kị nƣớc (Glycine, Alanine, Valine, Leucine, Isoleucine, Proline). o Các amio acid có gốc R là nhân thơm (Phenylalanine, Tyrosine, Tryptophan).

o Các amio acid có gốc R bazơ, tích điện dƣơng (Lysine, Arginine, Histidine). o Các amio acid có gốc R phân cực, không tích điện (Serine, Threonine, Cysteine, Methionine, Asparagine, Glutamine). o Các amio acid có gốc R acid, tích điện âm (Aspartate, Glutamate). Phân tử protein thƣờng đƣợc chia làm hai dạng: Protein hình cầu và protein dạng sợi.

Các protein hình cầu có đặc điểm chung là nhỏ gọn, dễ hòa tan và dạng hình cầu. Protein dạng sợi thƣờng kéo dài và không hòa tan. Các đặc tính này phụ thuộc vào cấu trúc mà protein đó quy định. Các loại cấu trúc này gồm có: Cấu trúc sơ cấp, cấu trúc bậc hai, cấu trúc bậc ba, cấu trúc bậc bốn[3].

Cụ thể: o Cấu trúc sơ cấp:Là cấu trúcmô tả thứ tự mà trong đó các amino acid đƣợc liên kết với nhau để tạo thành một protein. Thứ tự của các amino acid trong một chuỗi polypeptide là duy nhất và riêng biệt cho mỗi protein riêng biệt. Thay đổi một acid amin đơn lẻ có thể gây ra đột biến gene, thƣờng dẫn đến một protein không thực hiện đƣợc chức năng vốn có. o Cấu trúc bậc hai: Là cấu trúc đề cập đến việc xoắn hoặc gấp một chuỗi polypeptide cho protein hình dạng 3D của nó.

Có hai loại cấu trúc bậc 2 quan sát đƣợc trong các protein. Một loại là cấu trúc xoắn alpha (𝛼), cấu trúc này giống nhƣ một lò xo xoắn và đƣợc bảo vệ bởi liên kết hydro trong chuỗi z 11 polypeptide. Loại thứ hai là cấu trúc nếp gấp Beta (β), cấu trúc này trông nhƣ các nếp gấp lại và đƣợc giữ bởi các liên kết hydro giữa các đơn vị polypeptide của chuỗi gấp xếp liền kề nhau. o Cấu trúc bậc ba : Là cấu trúc đề cập đến cấu trúc 3-D toàn diện của chuỗi polypeptide của một protein.

Có một số loại liên kết và lực giữ một protein trong cấu trúc bậc ba của nó. Những tƣơng tác liên quan đến các lực hấp dẫn xảy ra giữa các phân tử bị phân cực. Những lực này đóng góp vào sự liên kết xảy ra giữa các phân tử. o Cấu trúc bậc bốn : Đề cập đến cấu trúc của một phân tử protein đƣợc hình thành bởi các tƣơng tác giữa nhiều chuỗi polypeptide.

Mỗi chuỗi polypeptide đƣợc coi nhƣ một đơn vị con. Protein có cấu trúc bậc bốn có thể bao gồm nhiều hơn một loại đơn vị con protein giống nhau. Ví dụ nhƣ hemoglobin đƣợc tìm thấy trong máu, bao gồm bốn tiểu đơn vị: hai tiểu đơn vị alpha (α) và hai tiểu đơn vị Beta (β).2 Chức năng của Protein Protein đảm nhiệm các chức năng liên quan đến toàn bộ hoạt động sống của tế bào, quy định các tính trạng và các tính chất của cơ thể sống. Cụ thể: Bảng 2-1: Bảng chức năng các loại protein cơ bản[4] Loại protein Chức năng Protein vận động Chịu trách nhiệm cho sự co cơ và chuyển động.

Protein cấu trúc Có tính chất xơ và bền nên có ý nghĩa cung cấp sự hỗ trợ cho các bộ phận khác nhau của cơ thể Protein Enzyme Giúp tạo ra các phản ứng sinh hóa. Thƣờng đƣợc gọi là chất xúc tác vì chúng đẩy nhanh các phản ứng hóa học. Protein Hormone Giúp điều hòa các hoạt động sinh lý trong cơ thể. Protein vận chuyển Chịu trách nhiệm vận chuyển các chất từ nơi này đến nơi khác trong cơ thể.

Protein kháng thể Có vai trò bảo vệ cơ thể khỏi các kháng nguyên xâm nhập. Protein dự trữ Có vai trò dự trữ chất dinh dƣỡng cho cơ thể z 12 2.3 Định nghĩa quan hệ tƣơng tác protein – protein (PPI) Tƣơng tác protein – protein là quá trình tác động qua lại giữa các protein với nhau trong tế bào ảnh hƣởng đến các hoạt động sống của tế bào và ảnh hƣởng đến quá trình sống của động vật. Về mặt vật lý, tƣơng tác protein – protein là hiện tƣợng hai hay nhiều protein bám vào nhau trong một điều kiện sinh hóa cụ thể dƣới tác động của lực hút tĩnh điện và ảnh hƣởng của tính kỵ nƣớc của protein để tạo thành phức hợp cùng tham gia vào một quá trình sinh học nào đó. Hình 2-3: Minh họa tƣơng tác protein – protein[5] Các loại tƣơng tác protein – protein bao gồm : o Tƣơng tác ổn định o Tƣơng tác tạm thời o Tƣơng tác mạnh o Tƣơng tác yếu 2.4 Tầm quan trọng của tƣơng tác protein – protein Sự tƣơng tác của protein – protein là nền tảng cơ bản của các chức năng của tế bào và khi quá trình tƣơng tác này bị tổn hại sẽ gây ảnh hƣởng trực tiếp đến cơ thể sống[6].

Các ảnh hƣởng sinh học của quá trình tƣơng tác protein – protein tác động tới cơ thể sống là: o Thay đổi các tính chất động học của enzyme : có thể trong liên kết cấu trúc hoặc các ảnh hƣởng allosteric. o Tạo các điểm liên kết mới. z 13 o Bất hoạt hoặc phá hủy một protein. o Thay đặc tính của một protein.

o Điều tiết các quá trình. o Tạo các kênh cơ chất bằng việc di chuyển cơ chất giữa các vùng hoặc các tiếu đơn vị.2 KHÁI NIỆM CƠ BẢN VỀ KHAI PHÁ DỮ LIỆU 2.1 Định nghĩa về khai phá dữ liệu Khai phá dữ liệu là một lĩnh vực đa ngành.