Dự Đoán Tương Tác Protein - Protein Sử Dụng Kỹ Thuật Khai Phá Dữ Liệu

Luận văn thạc sĩ khám phá kỹ thuật khai phá dữ liệu để dự đoán tương tác protein, góp phần nâng cao hiểu biết trong sinh học phân tử.

• 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 Bằng 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 Dự Đoán Tương Tác Protein Protein

Dự đoán tương tác protein - protein (PPI) là một lĩnh vực quan trọng trong sinh học phân tử. Nó giúp hiểu rõ hơn về các chức năng sinh học của protein và vai trò của chúng trong các quá trình sinh học. Việc áp dụng các kỹ thuật khai phá dữ liệu vào dự đoán PPI đã mở ra nhiều cơ hội mới cho nghiên cứu và phát triển trong lĩnh vực sinh học.

1.1. Tầm quan trọng của Dự Đoán Tương Tác Protein

Dự đoán tương tác protein giúp xác định các mối quan hệ giữa các protein, từ đó hỗ trợ trong việc nghiên cứu các bệnh lý và phát triển thuốc. Sự hiểu biết về PPI có thể dẫn đến những phát hiện mới trong y học và sinh học.

1.2. Các phương pháp truyền thống trong Dự Đoán PPI

Trước đây, các nhà khoa học thường sử dụng các phương pháp hóa sinh để phân tích PPI. Tuy nhiên, những phương pháp này thường tốn kém và mất nhiều thời gian, dẫn đến nhu cầu cần thiết cho các phương pháp dự đoán tự động.

II. Thách thức trong Dự Đoán Tương Tác Protein Protein

Mặc dù có nhiều tiến bộ trong việc dự đoán PPI, nhưng vẫn tồn tại nhiều thách thức. Một trong những thách thức lớn nhất là độ chính xác của các mô hình dự đoán. Các yếu tố như sự đa dạng của protein và điều kiện sinh hóa có thể ảnh hưởng đến kết quả dự đoán.

2.1. Độ chính xác của mô hình dự đoán

Độ chính xác của các mô hình dự đoán PPI phụ thuộc vào chất lượng dữ liệu đầu vào. Việc thu thập và xử lý dữ liệu chính xác là rất quan trọng để đảm bảo kết quả dự đoán đáng tin cậy.

2.2. Sự phức tạp của tương tác protein

Tương tác giữa các protein có thể rất phức tạp, với nhiều yếu tố ảnh hưởng. Điều này làm cho việc xây dựng mô hình dự đoán trở nên khó khăn hơn, đòi hỏi các phương pháp khai thác dữ liệu tiên tiến.

III. Phương pháp Khai Thác Dữ Liệu trong Dự Đoán PPI

Khai thác dữ liệu là một công cụ mạnh mẽ trong việc dự đoán PPI. Các phương pháp như học máy và phân lớp đã được áp dụng để cải thiện độ chính xác của các mô hình dự đoán. Việc sử dụng các thuật toán phức tạp giúp tối ưu hóa quá trình dự đoán.

3.1. Học máy trong Dự Đoán PPI

Học máy cho phép xây dựng các mô hình dự đoán dựa trên dữ liệu đã biết. Các thuật toán như SVM và cây quyết định đã được sử dụng để phân loại các mối quan hệ protein - protein.

3.2. Các thuật toán phân lớp hiệu quả

Các thuật toán phân lớp như Naïve Bayes và Random Forest đã chứng minh được hiệu quả trong việc dự đoán PPI. Chúng giúp cải thiện độ chính xác và giảm thiểu sai sót trong quá trình dự đoán.

IV. Ứng dụng thực tiễn của Dự Đoán Tương Tác Protein Protein

Dự đoán PPI có nhiều ứng dụng thực tiễn trong nghiên cứu sinh học và y học. Các mô hình dự đoán có thể hỗ trợ trong việc phát hiện các mối quan hệ mới giữa các protein, từ đó giúp phát triển các liệu pháp điều trị mới.

4.1. Ứng dụng trong nghiên cứu bệnh lý

Việc hiểu rõ các tương tác protein có thể giúp xác định các mục tiêu điều trị mới cho các bệnh lý như ung thư và bệnh truyền nhiễm.

4.2. Phát triển thuốc mới

Dự đoán PPI có thể hỗ trợ trong việc phát triển các loại thuốc mới bằng cách xác định các protein mục tiêu và các cơ chế tác động của chúng.

V. Kết luận và Tương lai của Dự Đoán Tương Tác Protein Protein

Dự đoán tương tác protein - protein là một lĩnh vực đang phát triển nhanh chóng. Với sự tiến bộ của công nghệ khai thác dữ liệu và học máy, tương lai của PPI hứa hẹn sẽ mang lại nhiều khám phá mới trong sinh học và y học.

5.1. Xu hướng nghiên cứu trong tương lai

Các nghiên cứu trong tương lai sẽ tập trung vào việc cải thiện độ chính xác của các mô hình dự đoán và mở rộng ứng dụng của chúng trong các lĩnh vực khác nhau.

5.2. Tích hợp công nghệ mới

Việc tích hợp các công nghệ mới như trí tuệ nhân tạo và học sâu sẽ giúp nâng cao khả năng dự đoán và mở rộng khả năng ứng dụng của PPI.

Nội dung chính

Tổng quan nghiên cứu

Tương tác protein – protein (PPI) là nền tảng quan trọng trong hoạt động sinh học của tế bào và cơ thể sống. Theo ước tính, hiện có khoảng 6.445 cặp protein tương tác được xác định thực nghiệm, cùng với hơn 6.450 cặp protein không tương tác được kiểm chứng. Việc dự đoán các tương tác này giúp hiểu sâu hơn về chức năng protein và hỗ trợ phát hiện các protein mới có vai trò sinh học quan trọng. Tuy nhiên, các phương pháp thực nghiệm truyền thống thường tốn kém, mất nhiều thời gian và công sức. Do đó, mục tiêu nghiên cứu là phát triển một mô hình dự đoán tương tác protein – protein sử dụng kỹ thuật khai phá dữ liệu, nhằm tăng hiệu quả và độ chính xác dự đoán, đồng thời giảm chi phí và thời gian thực hiện.

Phạm vi nghiên cứu tập trung vào việc xây dựng mô hình phân lớp tổng hợp dựa trên các thuật toán Bagging, AdaBoost và Random Forest, áp dụng trên bộ dữ liệu thu thập từ các nguồn DIP và Negatome trong giai đoạn 2017. Nghiên cứu khai thác các thuộc tính đặc trưng của protein dựa trên trình tự amino acid, sử dụng hai phương pháp trích xuất đặc trưng chính là n-gram và Multiscale Local Descriptor (MLD). Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác dự đoán tương tác protein – protein, góp phần thúc đẩy các nghiên cứu sinh học phân tử và ứng dụng trong y học, dược phẩm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lĩnh vực chính: sinh học phân tử và khai phá dữ liệu. Trong sinh học, protein là đại phân tử cấu tạo từ chuỗi amino acid, có 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.

Về khai phá dữ liệu, nghiên cứu áp dụng học máy có giám sát với bài toán phân lớp nhị phân, phân loại các cặp protein thành tương tác hoặc không tương tác. Các thuật toán phân lớp cơ bản gồm Naïve Bayes, Cây quyết định (Decision Tree), và Support Vector Machine (SVM). Đặc biệt, mô hình phân lớp tổng hợp (ensemble) được sử dụng để kết hợp nhiều mô hình con yếu thành một mô hình mạnh, giảm sai số và tăng độ chính xác. Các phương pháp ensemble chính gồm Bagging, Boosting (AdaBoost) và Random Forest.

Ba khái niệm chính được sử dụng là:

• Phân lớp tổng hợp (Ensemble Learning): Kết hợp nhiều mô hình phân lớp để cải thiện hiệu suất dự đoán.
• Trích xuất đặc trưng (Feature Extraction): Chuyển đổi chuỗi amino acid thành vector số liệu đặc trưng, sử dụng n-gram và MLD.
• Lựa chọn đặc trưng (Feature Selection): Sử dụng phương pháp MRMD để chọn ra các thuộc tính quan trọng, giảm chiều dữ liệu và loại bỏ dư thừa.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm hai bộ: dữ liệu dương tính (PPIs) lấy từ DIP với khoảng 6.445 cặp protein tương tác, và dữ liệu âm tính (PPNIs) lấy từ Negatome với số lượng tương đương. Dữ liệu thô là chuỗi trình tự amino acid được mã hóa thành vector đặc trưng.

Phương pháp trích xuất đặc trưng gồm:

• n-gram: Tính tần suất xuất hiện của các chuỗi amino acid liên tiếp (1-gram, 2-gram, 3-gram), tạo vector 8.420 chiều.
• Multiscale Local Descriptor (MLD): Chia chuỗi protein thành 9 đoạn con, mã hóa nhị phân và tính toán các mô tả thành phần, chuyển tiếp, phân bố, tạo vector 1.134 chiều.

Phương pháp lựa chọn đặc trưng MRMD được áp dụng để giảm chiều dữ liệu xuống còn 100 thuộc tính, dựa trên hệ số tương quan Pearson và các hàm khoảng cách Euclid, Cosine, Tanimoto nhằm đảm bảo độ liên quan cao và giảm dư thừa.

Phân lớp dữ liệu sử dụng mô hình phân lớp tổng hợp gồm Bagging, AdaBoostM1 và Random Forest, so sánh với các thuật toán phân lớp đơn lẻ tương ứng là Decision Stump, REPTree và Random Tree. Nghiên cứu sử dụng kỹ thuật k-fold cross validation (k=10) để đánh giá mô hình, đảm bảo tính khách quan và đa dạng của tập dữ liệu huấn luyện và kiểm định.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình phân lớp tổng hợp vượt trội: Mô hình Bagging đạt độ đo F trung bình 86,29%, AdaBoostM1 đạt 70,71%, và Random Forest đạt 85,39% trên bộ dữ liệu MLD không giảm chiều, cao hơn đáng kể so với các mô hình đơn lẻ tương ứng (Decision Stump 67,76%, REPTree 79,63%, Random Tree 77,81%).

2. Giảm chiều dữ liệu giúp tiết kiệm chi phí tính toán: Sau khi giảm chiều dữ liệu xuống còn 100 thuộc tính bằng MRMD, độ đo F giảm nhẹ khoảng 1-4%, nhưng thời gian xử lý giảm mạnh từ hàng trăm giây xuống còn vài giây, ví dụ Random Forest giảm từ 15,6 giây xuống còn 4 giây.

3. Phương pháp trích xuất đặc trưng n-gram và MLD có hiệu quả tương đương: Độ đo F trung bình của n-gram không giảm chiều là 86,02%, MLD không giảm chiều là 86,29%. Tuy nhiên, n-gram có chi phí tính toán cao hơn nhiều, đặc biệt khi không giảm chiều dữ liệu.

4. Random Forest là phương pháp phân lớp tổng hợp hiệu quả nhất: So với Bagging và AdaBoost, Random Forest đạt hiệu quả dự đoán cao với chi phí tính toán hợp lý, đặc biệt khi kết hợp với MLD và MRMD.

Thảo luận kết quả

Kết quả cho thấy mô hình phân lớp tổng hợp cải thiện đáng kể độ chính xác dự đoán so với mô hình đơn lẻ, phù hợp với lý thuyết ensemble giảm thiểu sai số và tăng tính ổn định. Việc giảm chiều dữ liệu bằng MRMD giúp cân bằng giữa hiệu quả dự đoán và chi phí tính toán, rất quan trọng trong xử lý dữ liệu lớn như protein.

So sánh với các nghiên cứu trước đây, việc kết hợp trích xuất đặc trưng MLD và mô hình Random Forest mang lại hiệu quả cao hơn so với các phương pháp truyền thống chỉ sử dụng cây quyết định hoặc SVM. Biểu đồ kết quả thực nghiệm minh họa rõ sự vượt trội của mô hình tổng hợp qua các bộ dữ liệu kiểm định khác nhau.

Tuy nhiên, chi phí tính toán của n-gram khi không giảm chiều là rất lớn, không phù hợp cho ứng dụng thực tế quy mô lớn. MLD với MRMD là lựa chọn tối ưu về mặt hiệu quả và chi phí. Ngoài ra, sự cân bằng dữ liệu dương tính và âm tính trong bộ dữ liệu huấn luyện cũng đóng vai trò quan trọng trong độ chính xác mô hình.

Đề xuất và khuyến nghị

1. Áp dụng mô hình phân lớp tổng hợp Random Forest kết hợp MLD và MRMD: Động tác này nhằm tối ưu hóa độ chính xác dự đoán tương tác protein – protein, giảm chi phí tính toán, nên được thực hiện trong vòng 6-12 tháng bởi các nhóm nghiên cứu tin sinh học và công nghệ thông tin.

2. Phát triển phần mềm dự đoán tương tác protein – protein có giao diện trực quan: Hỗ trợ người dùng không chuyên về lập trình dễ dàng sử dụng, triển khai trong các phòng thí nghiệm sinh học phân tử và trung tâm nghiên cứu y sinh.

3. Mở rộng bộ dữ liệu huấn luyện và kiểm định: Thu thập thêm dữ liệu tương tác và không tương tác từ các nguồn mới, đảm bảo cân bằng và đa dạng, giúp nâng cao độ chính xác và khả năng tổng quát của mô hình trong vòng 1-2 năm.

4. Nghiên cứu kết hợp thêm các phương pháp trích xuất đặc trưng mới: Ví dụ như Pse-in-One, RepDNA, RepRNA để khai thác sâu hơn các đặc tính sinh học của protein, tăng cường hiệu quả dự đoán trong tương lai.

5. Tích hợp mô hình dự đoán vào quy trình nghiên cứu sinh học thực nghiệm: Giúp giảm thiểu chi phí và thời gian thử nghiệm, đồng thời hỗ trợ phát hiện các tương tác protein mới có ý nghĩa sinh học quan trọng.

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 để hỗ trợ phân tích chức năng protein và tương tác trong tế bào, rút ngắn thời gian nghiên cứu thực nghiệm.

2. Chuyên gia công nghệ thông tin trong lĩnh vực y sinh: Tham khảo phương pháp khai phá dữ liệu và mô hình phân lớp tổng hợp để phát triển các công cụ phân tích dữ liệu sinh học lớn.

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, kỹ thuật trích xuất và lựa chọn đặc trưng, cũng như thực hành xây dựng mô hình phân lớp.

4. Các tổ chức nghiên cứu và phát triển dược phẩm: Áp dụng mô hình dự đoán tương tác protein để hỗ trợ phát hiện mục tiêu thuốc mới, tối ưu hóa quy trình nghiên cứu và phát triển thuốc.

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 con yếu giúp giảm sai số và tăng độ chính xác dự đoán so với mô hình đơn lẻ, như kết quả nghiên cứu cho thấy độ đo F tăng trung bình 4-7%.

2. Phương pháp trích xuất đặc trưng nào hiệu quả hơn, n-gram hay MLD?
   Cả hai phương pháp đều cho hiệu quả dự đoán tương đương, nhưng MLD có chi phí tính toán thấp hơn nhiều, đặc biệt khi kết hợp với lựa chọn đặc trưng MRMD.

3. Làm thế nào để giảm chiều dữ liệu mà không làm giảm nhiều hiệu quả dự đoán?
   Sử dụng phương pháp MRMD giúp chọn ra các thuộc tính quan trọng, giảm chiều dữ liệu từ hàng nghìn xuống còn 100 thuộc tính, chỉ làm giảm độ đo F khoảng 1-4% nhưng tiết kiệm thời gian xử lý đáng kể.

4. Bộ dữ liệu huấn luyện được xây dựng như thế nào?
   Bộ dữ liệu dương tính lấy từ DIP với khoảng 6.445 cặp protein tương tác, bộ dữ liệu âm tính lấy từ Negatome với số lượng tương đương, đảm bảo cân bằng 1:1 giữa hai lớp.

5. Mô hình có thể áp dụng cho các loại protein khác nhau không?
   Mô hình dựa trên đặc trưng trình tự amino acid và có thể áp dụng cho nhiều loại protein khác nhau, tuy nhiên cần mở rộng bộ dữ liệu huấn luyện để đảm bảo tính tổng quát và chính xác.

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 mô hình phân lớp tổng hợp, đặc biệt là Random Forest kết hợp MLD và MRMD.
• Mô hình phân lớp tổng hợp cho hiệu quả dự đoán cao hơn đáng kể so với mô hình đơn lẻ, với độ đo F trung bình đạt trên 85%.
• Giảm chiều dữ liệu bằng MRMD giúp tiết kiệm chi phí tính toán mà vẫn duy trì hiệu quả dự đoán ở mức chấp nhận được.
• Phương pháp trích xuất đặc trưng MLD được đánh giá là tối ưu về hiệu quả và chi phí so với n-gram.
• Các bước tiếp theo nên tập trung mở rộng bộ dữ liệu, phát triển phần mềm ứng dụng và nghiên cứu thêm các phương pháp trích xuất đặc trưng mới để nâng cao hiệu quả dự đoán.

Các nhà nghiên cứu và chuyên gia công nghệ thông tin nên áp dụng mô hình này trong các dự án nghiên cứu tương tác protein, đồng thời phát triển công cụ hỗ trợ để đưa vào ứng dụng thực tế.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1.1 LÝ DO CHỌN ĐỀ TÀI Protein là thành phần quan trọng trong tế bào nói riêng và cơ thể sống nói chung, và tương tác protein – protein là một cách để các protein thể hiện được các chức năng sinh học của mình. Vì vậy hiểu biết về các tương tác protein – protein sẽ giúp chúng ta hiểu sâu hơn về các chức năng protein, và tìm ra được vai trò của các protein mới. Vào thời điểm bắt đầu nghiên cứu về tương tác protein – protein, các nhà khoa học thường sử dụng phương pháp hóa sinh để phân tích và dự đoán. Tuy nhiên các phương 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 được 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 như là sự bổ sung cho các phương pháp thực nghiệm. Theo thời gian, số lượng ngày càng tăng của tập các cặp protein – protein tương tác với nhau (và tập không tương tác) đã được thực nghiệm xác định. Sự tích lũy dữ liệu về tương tác protein – protein bằng thực nghiệm đem lại lợi thế về mặt đầy đủ thông tin để có thể tính toán dự đoán được thêm các tương tác protein – protein mới. Và đó cũng là lý do tôi quyết định chọn đề tài “Dự đoán tương 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 phương pháp tính toán cho dự đoán tương tác protein – protein khác với các phương pháp phân lớp truyền thống, đó là xây dựng mô hình phân lớp theo hướng áp dụng thuật toán phân lớp tổng hợp, hay là sự kết hợp mô hình các bộ phân lớp đơn lẻ yếu hơn thành một mô hình mạnh, nhằm đạt được hiệu quả phân lớp tối ưu.

Với bài toán như trên, đặt ra mục tiêu cho đề tài là tìm hiểu và xây dựng thành công một mô hình dự đoán tương tác protein-protein dựa trên thuật toán phân lớp tổng hợp, là phương pháp đã được 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 tương tác protein – protein một cách hiệu quả nhất. Để đạt được 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 khai phá dữ liệu (nói 8 chung) và kỹ thuật phân lớp dữ liệu (nói riêng), làm cơ sở cho xây dựng chương trình thực nghiệm và chứng minh tính đúng đắn của kết quả thực nghiệm. Với chương trình thực nghiệm, bước đầu tôi đã đạt được mục tiêu của đề tài là chứng minh được tính hiệu quả khi áp dụng giải thuật phân lớp tổng hợp vào bài toán dự đoán tương tác protein – protein so với các giải thuật khác. Qua đó có thể đạt được những mục tiêu xa hơn trong tương lai, ví dụ như 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 như độ chính xác của bài toán “Dự đoán tương tác protein – protein sử dụng kỹ thuật khai phá dữ liệu”.

9 CHƯƠNG 2 : CƠ SỞ LÝ THUYẾT Chương 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 niệm khai 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 tương 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 được tạo thành từ hàng trăm hoặc hàng ngàn các đơn vị nhỏ hơn được gọi là các amino acid. Protein được tạo ra bởi sự liên kết của hai hoặc nhiều polypeptide, là chuỗi được ghép từ các amino acid liên kết với nhau, được 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 được hình thành do các amino acid liên kết lại với nhau bởi các liên kết peptide tạo ra chuỗi polypeptide.

Amino acid được 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. 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. Nhưng dựa vào cấu tạo gốc R chúng ta có thể phân lớp tổng quan thành 5 nhóm có các tính chất hóa lý đặc trưng riêng, cụ thể: o Các amio acid có gốc R không phân cực, kị nước (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 dương (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 thường được 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 thường 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 trúc mô tả thứ tự mà trong đó các amino acid được 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, thường dẫn đến một protein không thực hiện được 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 được trong các protein. Một loại là cấu trúc xoắn alpha (𝛼), cấu trúc này giống như một lò xo xoắn và được bảo vệ bởi liên kết hydro trong chuỗi polypeptide. 11 Loại thứ hai là cấu trúc nếp gấp Beta (β), cấu trúc này trông như các nếp gấp lại và được 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 tương 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 được hình thành bởi các tương tác giữa nhiều chuỗi polypeptide.

Mỗi chuỗi polypeptide được coi như 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 như hemoglobin được 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. Thường được 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 dưỡng cho cơ thể 12 2.3 Định nghĩa quan hệ tương tác protein – protein (PPI) Tương tác protein – protein là quá trình tác động qua lại giữa các protein với nhau trong tế bào ảnh hưởng đến các hoạt động sống của tế bào và ảnh hưởng đến quá trình sống của động vật. Về mặt vật lý, tương tác protein – protein là hiện tượng hai hay nhiều protein bám vào nhau trong một điều kiện sinh hóa cụ thể dưới tác động của lực hút tĩnh điện và ảnh hưởng của tính kỵ nước của protein để tạo thành phức hợp cùng tham gia vào một quá trình sinh học nào đó. Hình 2-3: Minh họa tương tác protein – protein [5] Các loại tương tác protein – protein bao gồm : o Tương tác ổn định o Tương tác tạm thời o Tương tác mạnh o Tương tác yếu 2.4 Tầm quan trọng của tương tác protein – protein Sự tương tác của protein – protein là nền tảng cơ bản của các chức năng của tế bào và khi quá trình tương tác này bị tổn hại sẽ gây ảnh hưởng trực tiếp đến cơ thể sống [6].

Các ảnh hưởng sinh học của quá trình tương 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 hưởng allosteric. o Tạo các điểm liên kết mới. 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.