Chương 1 TỔNG QUAN 1. Giới thiệu Metagenomic Vi sinh vật là dạng sống đa dạng nhất trên trái đất, mặc dù chúng ta thường không thể nhìn thấy chúng, nhưng vi sinh vật rất cần thiết cho mọi phần của cuộc sống con người, và rộng hơn là tất cả sự sống trên trái đất [1]. Mọi quá trình trong sinh quyển đều bị ảnh hưởng bởi khả năng vô tận của các vi khuẩn để biến đổi thế giới xung quanh chúng. Đó là các vi khuẩn chuyển đổi các yếu tố chính của sự sống (chẳng hạn vi khuẩn giúp tiêu hóa thức ăn, phân hủy độc tố, bảo vệ môi trường …).
Bên cạnh đó vi khuẩn được sử dụng trong thương mại để sản xuất hầu hết các loại thuốc kháng sinh, nhiều loại thuốc khác sử dụng trong lâm sàng, và sản xuất nhiên liệu sinh học. Do đó, để hiểu rõ hơn về vai trò của vi khuẩn trong sinh quyển, cần phải thực hiện các nghiên cứu về bộ gien của chúng. Genomic là một ngành học nghiên cứu về gien. Hướng nghiên cứu này áp dụng các phương pháp tổng hợp, xâu chuỗi DNA và thông tin sinh học để lắp ráp lại chuỗi và phân tích cấu trúc và chức năng của hệ gien (toàn bộ các DNA trong một cơ thể đơn bào).
Nghiên cứu về bộ gen của vi sinh vật bắt đầu vào cuối những năm 1970, với trình tự bộ gen của vi khuẩn MS2 [2] và-X174 [3]. Năm 1995, vi sinh học đã có một bước tiến lớn với trình tự bộ gen vi khuẩn Haemophilus cúm đầu tiên [4]. Trước đây, nghiên cứu về vi sinh vật chủ yếu tập trung vào các loài đơn lẻ trong phòng thí nghiệm. Vì vậy sự hiểu biết về các cộng đồng vi sinh vật không đáng kể so với sự hiểu biết của từng cá thể.
Các nghiên cứu đều phải phân tách và cô lập loại vi sinh vật muốn nghiên cứu. Sau đó tiến hành nuôi cấy loại vi sinh vật đã chọn trong môi trường thí nghiệm và nhân bản vô tính trước khi mang đi xác định và phân tích trình tự. Tuy nhiên, chỉ có một tỷ lệ nhỏ vi khuẩn trong tự nhiên có thể được nuôi cấy, điều đó có nghĩa là cơ sở dữ liệu gien còn rất hạn chế. Thứ hai, rất hiếm khi các vi khuẩn sống đơn lẻ trong tự nhiên, các loài tương tác với nhau và với môi trường sống của chúng.
Do đó, việc nuôi cấy và nhân bản vô tính cũng không thể hiện trạng thái thực 1 sự của các vấn đề trong tự nhiên đối với sự tương tác của sinh vật, và kết quả của sự biến đổi gen của quần thể và chức năng sinh học. Sự phát triển nhanh chóng của công nghệ giải trình tự mới với chi phí và thời gian thấp giúp vượt qua những hạn chế trong lĩnh vực nghiên cứu vi sinh vật. Hiện tại chúng ta có khả năng thu được thông tin bộ gen trực tiếp từ các cộng đồng vi sinh vật trong môi trường sống tự nhiên của chúng. Thay vì nhìn vào một vài loài riêng lẻ, chúng ta có thể nghiên cứu hàng chục ngàn loài cùng nhau.
Dữ liệu trình tự lấy trực tiếp từ môi trường được gọi là metagenome [5] và nghiên cứu dữ liệu trình tự trực tiếp từ môi trường được gọi là metagenomics [6]. Metagenomics kết hợp sức mạnh của genomics, tin sinh học và sinh học hệ thống trong việc nghiên cứu cộng đồng vi sinh vật. Các trình tự thu được từ các nghiên cứu bộ gen trực tiếp từ môi trường được phân mảnh. Mỗi mảnh được giải trình tự từ một loài cụ thể, nhưng có nhiều loài khác nhau trong một mẫu, mà hầu hết chưa xác định được bộ gen đầy đủ.
Trong nhiều trường hợp không thể xác định được nguồn gốc của loài. Độ dài của mỗi mảnh có thể nằm trong khoảng từ 20 basepair (bp) đến 700 bp, tùy thuộc vào phương pháp giải trình tự được sử dụng. Các trình tự ngắn được phân tách từ các loài ban đầu có thể được ráp nối lại với độ dài thường không quá 5000 bp; do đó, việc tái cấu trúc toàn bộ bộ gen nói chung là không dễ dàng. Việc trích xuất thông tin tối đa từ các thư viện metagenomic sẽ tiếp tục là thách thức, chủ yếu là do kích thước lớn và độ phức tạp của các bộ dữ liệu.
Dữ liệu của metagenomics thường rất lớn và tương đối nhiễu, vì nó chứa các mảnh dữ liệu của hàng chục ngàn loài sinh vật trong quần thể (có khi hơn 10.000 loài trong một mẫu [7]). Khi giải trình tự metagenome của dạ cỏ bò người ta đạt được dữ liệu chứa 279 gigabase (279 tỉ bp), và hệ quần thể ở ruột người có chứa bộ gen khoảng 3,3 triệu bp (sau khi đã ghép nối từ 567,7 gigabase dữ liệu) [8]. Chính vì thế việc thu thập và xử lý các dữ liệu này đã từ lâu trở thành thách thức không nhỏ cho các nhà nghiên cứu. Bài toán gom cụm trình tự metagenomic Bài toán gom cụm trình tự metagenomic là một trong những vấn đề quan trọng cần giải quyết khi phân tích dữ liệu metagenomic.
Mục tiêu của bài toán là phân chia trình tự (gọi là sequences, reads, hay fragments) theo từng nhóm vi sinh vật (thuộc cùng một hệ gien hay thuộc các hệ gien có quan hệ gần nhau [9]). Đối với nhà sinh học, bài toán này là cơ sở để có thể xác định những nhóm vi sinh vật nào tồn tại trong mẫu thực nghiệm và phát hiện những nhóm vi sinh vật mới. Vấn đề tồn tại Từ các vấn đề nêu trên về sự đa dạng chủng loại vi sinh vật, số lượng dữ liệu lớn và sai sót trong các bộ dữ liệu trình tự sinh ra từ các máy giải mã trình tự, gây ra những khó khăn cho việc phân tích dữ liệu mà cụ thể là bài toán gom cụm. Bên cạnh đó với việc rút ngắn thời gian cũng như chi phí cho việc giải mã trình tự của các máy giải mã trình tự thế hệ tiếp theo (Next Generation Sequencing - NGS) làm cho độ dài của các trình tự bị rút ngắn, các trình tự ngắn này thiếu thông tin làm cho việc gom cụm gặp nhiều khó khăn.
Hơn nữa, việc thao tác với các tập dữ liệu trình tự lớn đòi hỏi các kỹ thuật tính toán chuyên sâu, ảnh hưởng trực tiếp tới hiệu năng tính toán. Đa số các ứng dụng phân tích dữ liệu metagenomic hiện tại được thiết kế trên nền tảng các máy tính đơn, không đáp ứng được các yêu cầu tính toán của các dự án metagenomic lớn đang ngày càng tăng nhanh về số lượng. Cũng như không tận dụng hết sức mạnh phần cứng đang ngày càng mạnh mẽ hơn và rẻ hơn hay các hệ thống cụm máy tính sẵn có. Mục tiêu của đề tài Mục tiêu của đề tài gồm: Nghiên cứu lý thuyết tổng quan về bài toán gom cụm trình tự metagenomic.
Đề xuất giải pháp gom cụm song song nhằm giảm thời gian tính toán dựa trên công nghệ tính toán hiệu năng cao. Cụ thể là vận dụng công nghệ đa 3 nhân (multiple core) và cụm máy tính (cluster) nhằm tăng tốc độ xử lý dữ liệu. Phạm vi giới hạn của đề tài Đề tài tập trung cải tiến hiệu năng tính toán của bài toán gom cụm trình tự metagenomic. Trên cơ sở áp dụng các kỹ thuật song song nêu trên lên một giải pháp gom cụm với độ chính xác cao đã được chứng minh.
Đề tài không cố gắng cải tiến hiệu suất gom cụm mà chỉ bảo toàn độ chính xác của bài toán kế thừa. 4 Chương 2 CƠ SỞ LÝ THUYẾT 2. Cấu trúc sinh học của gien và hệ gien Gien là một đoạn xác định của phân tử axit nucleic (DNA - Deoxyribonucleic Acid hoặc RNA - Ribonucleic Acid) có chức năng di truyền nhất định. Hệ gene là một tập hợp các đặc tính di truyền của một loài nào đó (Hình 2.
DNA là phân tử có cấu trúc ba chiều, bao gồm hai chuỗi đơn xoắn ốc, cuộn xung quanh một trục chung, tạo thành một chuỗi xoắn kép (Hình 2. Chuỗi DNA được hình thành bởi các loại phân tử nhỏ hơn, gọi là nucleotide. Có bốn loại nucleotide được ký hiệu là A (Adenine), C (Cytosine), G (Guanine), T (Thymine). Các nucleotide này kết hợp với nhau theo từng cặp cố định, A chỉ kết hợp với T ở DNA hoặc U ở RNA và ngược lại, G chỉ kết hợp với C và ngược lại.
Các cặp này lại nối tiếp với nhau thành một chuỗi rất dài gọi là nhiễm sắc thể. Số lượng nhiễm sắc thể trong nhân tế bào là đặc trưng cho từng loài. Chẳng hạn ở người có 23 cặp nhiễm sắc thể, ở gà có 39 cặp nhiễm sắc thể. Sự khác nhau giữa gien và hệ gien [10] 5 Hình 2.
Cấu trúc của DNA [11] Trong lĩnh vực metagenomic, toàn bộ các vật chất di truyền được thu thập trực tiếp từ môi trường, sau đó đưa vào các máy giải mã trình tự. Khi đó, các vật chất di truyền sẽ được nhân bản lên, cắt ngắn thành các đoạn gọi là trình tự và giải mã các loại nucleotide (A, C, G, T) có trên nhiễm sắc thể. Các trình tự này chính là dữ liệu đầu vào của quá trình gom cụm. Phân loại sinh vật Các loài sinh vật được sắp xếp vào các bậc khác nhau phản ánh quá trình tiến hóa của chúng.
Thứ tự sắp xếp này tạo nên một cây phát sinh giới. Cây phát sinh giới được chia thành 9 bậc phân loại lớn khác nhau. Bao gồm Sự sống (Life), Vực (Domain), Giới (Giới), Ngành (Phylum), Lớp (Class), Bộ (Order), Họ (Họ), Chi (Chi), Loài 6 (Species) (Hình 2. Ở bậc càng cao thì khoảng cách tiến hóa giữa các sinh vật càng lớn, hệ gene càng có nhiều điểm khác nhau.
Ngược lại, ở các bậc thấp thì sự giống nhau giữa các sinh vật càng nhiều và khoảng cách tiến hóa của chúng càng gần nhau. Trong cùng một loài, mỗi cá thể chỉ khác nhau 1% trong trình tự DNA và các trình tự của cùng 1 loài sẽ gối đầu (overlap) lên nhau. Đây là cơ sở cho bài toán gom cụm để phân loại dựa trên mức độ tiến hóa của cây sinh giới Phân loại sinh vật ảnh hưởng rất lớn đến kết quả gom cụm. Nếu các loài trong mẫu cần xử lý rất gần nhau trên cây phát sinh giới thì sẽ khó cho ra được kết quả tốt.
Phân loại sinh vật [12] 2. Quy trình xử lý dữ liệu metagenomic Một dự án metagenomics bao gồm nhiều vấn đề liên quan, quy trình chung được Thomas và cộng sự giới thiệu trong [9] (Hình 2. Trong đó bài toán phân loại trình 7 tự là một trong những vấn đề cần giải quyết trong giai đoạn phân tích dữ liệu trình tự metagenomic. Quy trình xử lý trong một dự án metagenomics [9] 2.