Luận văn thạc sĩ: Giải pháp tính toán gom cụm trình tự sinh học

Tài liệu chuyên sâu Giải pháp gom cụm trình tự sinh học trong thạc sĩ khoa ..., phân tích đa chiều, cung cấp kiến thức nền tảng vững chắc cho chuyên

• Tác giả: Dương Hoàng Nhựt
• Người hướng dẫn: TS. Trần Văn Hoài
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Giải Pháp Tính Toán Cho Vấn Đề Gom Cụm Trình Tự Sinh Học
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Giới thiệu về gom cụm trình tự sinh học

Gom cụm trình tự sinh học là một bước quan trọng trong nghiên cứu metagenomic, nơi mà các trình tự sinh học được phân loại thành các nhóm tương tự nhau. Trình tự sinh học thường được thu thập từ các công nghệ xác định trình tự mới, cho phép thu thập dữ liệu lớn từ môi trường tự nhiên mà không cần nuôi cấy. Việc gom cụm này không chỉ giúp tổ chức dữ liệu mà còn tạo điều kiện cho các bước phân tích tiếp theo. Giải pháp sinh học cho vấn đề này thường dựa trên các phương pháp như tính tương đồng, sự phong phú và tính hợp thành. Mỗi phương pháp có những ưu điểm và hạn chế riêng, nhưng đều hướng đến mục tiêu cuối cùng là cải thiện độ chính xác trong việc phân loại các trình tự. Theo nghiên cứu, việc áp dụng machine learning trong sinh học có thể nâng cao hiệu quả của quá trình gom cụm, giúp phát hiện các mẫu và xu hướng trong dữ liệu lớn.

1.1. Tầm quan trọng của gom cụm trong metagenomic

Gom cụm trình tự sinh học đóng vai trò thiết yếu trong việc phân tích dữ liệu metagenomic. Với sự phát triển của công nghệ xác định trình tự, khối lượng dữ liệu sinh học ngày càng lớn, việc phân loại và tổ chức dữ liệu trở nên phức tạp hơn. Phân tích dữ liệu sinh học không chỉ giúp xác định các loài vi sinh vật mà còn hỗ trợ trong việc nghiên cứu sự tương tác giữa chúng. Việc gom cụm giúp giảm thiểu độ phức tạp của dữ liệu, từ đó tạo điều kiện thuận lợi cho các nghiên cứu sâu hơn về khoa học máy tính và công nghệ sinh học. Các phương pháp gom cụm hiện tại như AbundanceBin và Olga đã chứng minh được hiệu quả trong việc phân loại các trình tự dựa trên mức độ phong phú và tính tương đồng, mở ra hướng đi mới cho nghiên cứu trong lĩnh vực này.

II. Các phương pháp gom cụm trình tự sinh học

Có ba nhóm phương pháp chính được sử dụng trong gom cụm trình tự sinh học: phương pháp dựa trên sự phong phú, phương pháp dựa trên tính tương đồng và phương pháp dựa trên tính hợp thành. Mỗi phương pháp có những đặc điểm riêng biệt và phù hợp với các loại dữ liệu khác nhau. Phương pháp dựa trên sự phong phú, như AbundanceBin, sử dụng thông tin về số lượng xuất hiện của các trình tự để phân loại chúng thành các nhóm tương tự. Phương pháp này tỏ ra hiệu quả khi dữ liệu có sự phân bố không đồng đều giữa các loài. Ngược lại, phương pháp dựa trên tính tương đồng thường yêu cầu một cơ sở dữ liệu lớn và chính xác để so sánh, điều này có thể gây khó khăn trong việc phân loại các loài chưa được biết đến. Cuối cùng, phương pháp dựa trên tính hợp thành sử dụng các dấu hiệu hệ gene để phân loại, cho phép cải thiện độ chính xác trong việc gom cụm. Việc kết hợp các phương pháp này có thể tạo ra những giải pháp mạnh mẽ hơn cho vấn đề gom cụm trình tự sinh học.

2.1. Phương pháp dựa trên sự phong phú

Phương pháp dựa trên sự phong phú tập trung vào việc phân loại các trình tự sinh học dựa trên mức độ xuất hiện của chúng trong tập dữ liệu. AbundanceBin và Olga là hai ví dụ điển hình cho phương pháp này. AbundanceBin sử dụng thuật toán tối đa hóa kỳ vọng để ước đoán mức độ phong phú của các hệ gene, trong khi Olga cải tiến bước đếm k-mers để giảm thiểu lỗi trong quá trình xác định trình tự. Phương pháp này tỏ ra hiệu quả khi tỷ lệ các loài trong tập dữ liệu có sự khác biệt rõ rệt. Tuy nhiên, một trong những thách thức lớn nhất là việc xử lý dữ liệu lớn và đa dạng, đòi hỏi các thuật toán mạnh mẽ và hiệu quả để đảm bảo tính chính xác trong phân loại.

2.2. Phương pháp dựa trên tính tương đồng

Phương pháp dựa trên tính tương đồng sử dụng các cơ sở dữ liệu gene đã biết để phân loại các trình tự sinh học. Phương pháp này có ưu điểm là đạt được độ chính xác cao khi các trình tự cần phân tích thuộc về các loài gần gũi với những loài đã biết. Tuy nhiên, nó cũng gặp phải những hạn chế lớn, đặc biệt là khi phải đối mặt với khối lượng dữ liệu khổng lồ và sự đa dạng sinh học cao. Các công cụ như BLAST và MEGAN thường được sử dụng để thực hiện phân loại, nhưng việc cập nhật cơ sở dữ liệu và xử lý dữ liệu lớn vẫn là một thách thức lớn trong nghiên cứu metagenomic.

III. Kết quả thực nghiệm và ứng dụng

Kết quả thực nghiệm từ các nghiên cứu cho thấy rằng việc kết hợp các phương pháp gom cụm có thể cải thiện đáng kể độ chính xác trong phân loại trình tự sinh học. Các phương pháp như kết hợp GC*X và SumSignal đã được thử nghiệm và cho thấy hiệu quả trong việc nâng cao khả năng phân loại. Việc áp dụng các thuật toán máy học trong quá trình gom cụm cũng đã chứng minh được giá trị thực tiễn, giúp phát hiện các mẫu và xu hướng trong dữ liệu lớn. Những kết quả này không chỉ có ý nghĩa trong nghiên cứu sinh học mà còn mở ra cơ hội ứng dụng trong các lĩnh vực khác như y học, sinh học phân tử và công nghệ sinh học. Sự phát triển của các công nghệ mới trong xác định trình tự cũng sẽ tiếp tục thúc đẩy nghiên cứu trong lĩnh vực này, tạo ra những cơ hội mới cho việc khám phá và hiểu biết về sự đa dạng sinh học.

3.1. Ứng dụng trong nghiên cứu sinh học

Kết quả từ nghiên cứu gom cụm trình tự sinh học có thể được ứng dụng rộng rãi trong các lĩnh vực nghiên cứu sinh học. Việc phân loại chính xác các vi sinh vật từ môi trường tự nhiên giúp các nhà khoa học hiểu rõ hơn về sự đa dạng sinh học và các tương tác sinh thái. Điều này có thể dẫn đến những phát hiện mới trong y học, chẳng hạn như việc phát hiện các vi sinh vật có khả năng gây bệnh hoặc có lợi cho sức khỏe con người. Hơn nữa, việc áp dụng các phương pháp gom cụm cũng có thể hỗ trợ trong việc phát triển các sản phẩm sinh học mới, từ đó mở ra hướng đi mới cho ngành công nghiệp sinh học.

Trích đoạn nội dung tài liệu

mở đầu cho ngành học này được tiến hành vào năm 1972 [2] khi định vị được gene mã hóa cho một protein ở virus Bacteriophage MS2. Sau đó, năm 1976 thì toàn bộ hệ gene của virus này được giải mã [3]. Trong thời gian đầu, các nghiên cứu đều phải phân tách và cô lập loại virus muốn nghiên cứu. Sau đó tiến hành nuôi cấy loại virus đã chọn trong môi trường thí nghiệm và nhân bản vô tính trước khi mang đi xác định và phân tích trình tự.

Hạn chế lớn nhất của phương pháp cổ điển này là hầu hết các virus trong thực tế không thể nuôi trong môi trường thực nghiệm, dẫn đến các nghiên cứu bị giới hạn trên một lượng nhỏ vi sinh vật. Bên cạnh đó, trong môi trường tự nhiên, các vi khuẩn không sống riêng lẽ mà sống trong một quần thể gồm rất nhiều loài, tương tác với nhau, hỗ trợ hoặc khắc chế nhau. Ngoài ra, các điều kiện môi trường sống cũng ảnh hưởng rất lớn đến vi sinh vật. Vì vậy việc cô lập các vi khuẩn sẽ làm giới hạn phạm vi nghiên cứu, nên nhiều thông tin về loài đó sẽ không được phát hiện.

Metagenomic Metagenomic là một thuật ngữ được đề ra vào năm 1998 [4], hiện nay được xem là một ngành học về các vật liệu di truyền được phục hồi trực tiếp từ môi trường số tự nhiên. Vì vậy, nó áp dụng các phương pháp xác định gene và xét nghiệm các tính chất thuộc về một cộng đồng vi sinh phức tạp và đa dạng (“meta”). Trong một nghiên cứu metagenomic, người ta cố gắng xác định trình tự trực tiếp của toàn bộ hệ gene các vi sinh sống trong môi trường đó mà không thực hiện bước cô lập, nuôi cấy riêng rẽ bất kỳ. Trang 4 Trong thực tế có hơn 99% [5] sinh vật không thể cô lập và nuôi cấy trong phòng thí nghiệm như cách truyền thống.

Metagenomic khắc phục hạn chế này, nên trên lý thuyết, nó cho phép nghiên cứu hệ gene của bất kỳ sinh vật nào. Đây là một bước tiến quan trọng. Ngoài việc thoát khỏi giới hạn truyền thống, nó còn cho phép nghiên cứu cả cộng đồng vi sinh vật. Nơi mà các vi sinh vật tương tác với nhau và với môi trường bằng các hoạt động trao đổi chất, gửi các tương tác hóa học, các phân tử tín hiệu.

Tuy nhiên, Metagenomic cũng không loại bỏ hoàn toàn các nghiên cứu theo hướng truyền thống, mà nó bổ sung, giải thích thêm những câu hỏi liên quan đến môi trường cộng đồng sống của các vi sinh vật. Như sự đa dạng của các loại vi sinh ở các môi trường khác nhau, sự tương tác của chúng với nhau, với vật chủ, với môi trường sống tự nhiên hoặc quá trình tiến hóa. Các dự án metagenomics hiện tại được tạo điều kiện thuận lợi từ sự phát triển nhanh chóng của công nghệ xác định trình tự mới (Next-generation) cung cấp cho các nhà nghiên cứu có được dữ liệu thử nghiệm với chi phí thấp, và ngày càng tiệm cận về 0. Giúp mở ra một hướng nghiên cứu mới.

Nghiên cứu bước đầu là vào năm 2002, đã phát hiện trên 5000 loài virus trong 200 lít nước biển [6]. Về cơ bản toàn bộ virus trong mẫu thực nghiệm ở nghiên cứu này và những nghiên cứu tương tự là những loài mới. Tiến bộ mang tính bước ngoặt trong metagenomics xảy ra trong năm 2004 khi hai nhóm nghiên cứu công bố kết quả từ các dự án trình tự môi trường quy mô lớn [7] [8]. Từ đó đến nay, có rất nhiều các nghiên cứu về xác định trình tự sinh vật.

Số lượng gene được xuất bản lên genbank từ trên 15 tỉ đoạn (02/2002) đến trên 32 tỉ đoạn (02/2004), 168 tỉ đoạn (10/2013) và gần đây là xấp xỉ 200 tỉ đoạn (10/2014) [9]. Khó khăn và Thách thức Đi cùng với việc vượt qua các giới hạn truyền thống là những khó khăn, vấn đề mới mà các nhà sinh học cần được hỗ trợ nghiên cứu, nhằm phát triển các giải pháp, mô hình và công cụ giúp họ thực hiện các phân tích trên nguồn dữ liệu mới. Trang 5 Khó khăn đầu tiên là đối mặt với sự đa dạng sinh học. Do thực hiện phân tích trên cả cộng đồng vi sinh vật, nên dữ liệu trình tự sinh học của metagenomic bao gồm trình tự của tất cả các loài sống trong cộng đồng đó, có khi đến hơn 10.000 loài trong một mẫu thực nghiệm.

Khó khăn thứ hai là hạn chế của công nghệ xác định trình tự. Các công nghệ này có thể sinh ra đến 3 tỷ đoạn trình tự từ một mẫu thực nghiệm. Đồng thời, trong quá trình xác định trình tự, có một tỷ lệ lỗi nhất định tùy vào công nghệ cụ thể. Điều này dẫn đến việc chúng ta phải xử lý một lượng dữ liệu lớn và có chứa ít nhiều sai sót.

Vấn đề đề tài quan tâm Từ các vấn đề nêu trên về sự đa dạng chủng loại, số lượng dữ liệu lớn và sai sót, gây ra những khó khăn cho việc phân tích dữ liệu. Công việc tiền xử lý dữ liệu được đặt ra để hỗ trợ cho các bước tiếp theo. Một trong những bước xử lý này là bài toán gom cụm các trình tự sinh ra từ máy xác định trình tự. Mặc dù quá trình gom cụm chỉ gom các vi sinh vật thành các nhóm tương tự nhau chứ không cho biết chính xác vi sinh vật đó thuộc loài nào và loài đó đã được biết đến hay chưa.

Tuy nhiên, khi phân tích cho dữ liệu lấy từ môi trường vi sinh vật mới, khả năng cao sẽ chứa nhiều loài vi sinh vật chưa được biết đến thì việc gom cụm trình tự sẽ hiệu quả hơn. Tình hình nghiên cứu Để thực hiện việc gom cụm các trình tự của metagenomic, người ta thường sử dụng một số phương pháp, thường được chia thành ba nhóm chính như sau: 2. Phương pháp dựa trên sự phong phú Phương pháp này dựa trên mức độ phong phú của hệ gene để thực hiện việc gom cụm các trình tự. AbundanBin [10] và Olga [11] là hai cách tiếp cận gần đây nhất.

Chúng gom cụm dựa trên sự phong phú của các thành phần trên gene. Chúng gom các trình tự vào nhóm các hệ gene có mức độ phong phú tương đương nhau. Phương pháp này được sử dụng hiệu quả nếu tỷ lệ các loài trong Trang 6 tập thử nghiệm là khác nhau. Chúng có thể được dùng như là bước tiền xử lý trong một số cách phân loại để tăng hiệu suất.

AbundanceBin giả sử số lần lặp lại của k-mers (với k cho trước) được phân bố theo phân phối Poisson. Nó dùng thuật toán tối đa hóa kỳ vọng (expectation maximization) để ước đoán mức độ phong phú và kích thước của hệ gene. Olga cũng có hướng tiếp cận tương tự AbundanceBin, tuy nhiên, có sự cải tiến cho bước đếm k-mers bằng cách áp dụng ý tưởng từ vấn đề Balls và Bins để giải quyết lỗi trên chuỗi trình tự. Phương pháp dựa trên tính tương đồng Phương pháp này dựa trên việc so sánh các trình tự đã có và biết rõ nguồn gốc trong cơ sở dữ liệu ngân hàng gene.

Ưu điểm của phương pháp này là đạt được tính chính xác cao khi các trình tự cần phân tích thuộc nhóm vi sinh vật gần với những loài đã biết. Ngoài ra nó còn tạo điều kiện thuận lợi khi chúng ta tiến hành phân loại cụ thể các trình tự vào các loài thích hợp. Phương pháp này thích hợp với những thuật toán học máy có giám sát. Tuy nhiên, có những hạn chế lớn đối với phạm vi áp dụng.

Thứ nhất, cơ sở dữ liệu về gene ngày càng tăng với tốc độ ngày càng nhanh, dẫn đến việc so sánh rất khó khăn. Ngoài ra, như đã nói, dữ liệu metagenomic rất lớn, vì vậy phương pháp này thường mất rất nhiều thời gian thực hiện. Thứ hai, con người chỉ biết đến một phần rất nhỏ những vi sinh vật hiện có trên trái đất. Điều này dẫn đến việc chúng ta hầu như phải thực hiện việc gom cụm đối với các vi sinh vật chưa được biết đến.

Từ đó làm giảm hiệu quả của phương pháp này. Một số công cụ như BLAST, tiến hành phân loại các trình tự vào các hệ gene mà nó tham chiếu đến. Một công cụ khác là MEGAN gán nhãn cho một trình tự trực tiếp bằng giải thuật tìm cha gần nhất dựa trên ngân hàng gene của NCBI (National Center for Biotechnology Information). Ngoài ra còn có CARMA3 [12] phân loại trình tự dựa trên cơ sở dữ liệu về database Pfam.

Phương pháp dựa trên tính hợp thành Phương pháp này áp dụng sự khác biệt và tương đồng trong đặc tính sinh học được rút trích ra theo một dấu hiệu nào đó từ chính bản thân của đoạn trình tự cần được phân loại. Các dấu hiệu này gọi là dấu hiệu hệ gene. Bản chất các dấu hiệu thường là một công thức toán học, có thể dựa trên việc kết hợp đặc tính sinh học của trình tự hoặc chỉ là toán học thuần túy. Hiện nay cũng đã có khá nhiều dấu hiệu khác nhau được nghiên cứu và đề xuất.

Tuy nhiên, chưa có một nghiên cứu hoặc bằng chừng nào chứng minh một dấu hiệu hoặc một nhóm dấu hiệu nào tỏ ra vượt trội hoặc tốt nhất, có thể gom cụm đạt kết quả cao và chính xác nhất cả trong thực nghiệm và thực tế. Phương pháp này thường được áp dụng với giải thuật học máy không giám sát. Phương pháp này có nhược điểm là chỉ gom cụm thuần túy, không tham khảo ngân hàng gene nên không thết biết được một trình tự nào đó có thuộc một loài đã biết hay không. Tuy nhiên, chính điều này lại cho phép chúng ta áp dụng nó trên những mẫu quần thể thực tế chứa nhiều vi sinh chưa biết.

Ngoài ra, sự bùng nổ ngân hàng gene cũng không làm ảnh hưởng đáng kể đến việc áp dụng phương pháp này và đồng thời, thời gian thực thi cũng nhanh hơn. Ngoài ra, tính chính xác là điều cần quan tâm nhiều đối với phương pháp này. Hiện nay, hầu hết các phương pháp chỉ áp dụng một dấu hiệu hệ gene duy nhất cho quá trình gom cụm. MetaCluster [13] là một phương pháp được nghiên cứu liên tục, hiện có nhiều phiên bản, mỗi phiên bản có sự cải tiến khác nhau về ý tưởng, tuy nhiên đều dựa vào dấu hiệu k-mers.

Một số phương pháp khác như LikelyBin [14], Scimm [15], MarkovBin [16] áp dụng phương pháp học máy không giám sát. Cả ba đều dựa trên mô hình chuỗi Markov để thực hiện việc phân loại. LikelyBin dùng phân bố Monte Carlo và độ dài cố định cho chuỗi Markov (fixed-order Markov chain).