Luận văn thạc sĩ ứng dụng học máy dự đoán vị trí protein ubiquitination - ĐH Thái Nguyên

Nghiên cứu các phương pháp học máy như SVM nhằm xây dựng mô hình dự đoán chính xác vị trí protein ubiquitination trong phân tích dữ liệu sinh học.

• Tác giả: Trần Thị Thu Hường
• Người hướng dẫn: TS. Nguyễn Văn Núi
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu một số phương pháp học máy, ứng dụng xây dựng mô hình dự đoán vị trí Protein Ubiquitination
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan dự đoán vị trí protein ubiquitination bằng học máy

Ubiquitination là một quá trình biến đổi hậu dịch mã (PTM) giữ vai trò then chốt trong sinh học phân tử. Quá trình này điều hòa chu kỳ tế bào, kiểm soát phân hủy protein và đáp ứng miễn dịch. Sai hỏng trong gắn kết ubiquitin thường liên quan mật thiết đến nhiều căn bệnh hiểm nghèo như ung thư, rối loạn chuyển hóa và thoái hóa thần kinh. Do đó, việc xác định chính xác vị trí biến đổi trên phân tử protein là nhiệm vụ cấp thiết. Các phương pháp thí nghiệm sinh học truyền thống thường tốn kém chi phí, đòi hỏi nhiều thời gian và công sức. Việc áp dụng trí tuệ nhân tạo và học máy đã mở ra hướng tiếp cận đột phá. Đề tài nghiên cứu tại Đại học Thái Nguyên tập trung giải quyết bài toán này thông qua các thuật toán hiện đại. Mục tiêu chính là xây dựng công cụ tính toán tự động với độ chính xác vượt trội. Hệ thống tiếp nhận chuỗi axit amin đầu vào và phân loại nhanh chóng các vị trí tiềm năng. Đây là bước tiến quan trọng kết hợp giữa tin sinh học và khoa học máy tính thực nghiệm.

1.1. Bản chất sinh học của protein ubiquitination

Ubiquitination là phản ứng liên kết đồng hóa trị giữa ubiquitin và gốc lysine của protein mục tiêu. Quá trình sinh học này được xúc tác thông qua chuỗi phản ứng liên tiếp của ba loại enzyme E1, E2 và E3. Vai trò hàng đầu của cơ chế là đánh dấu protein hỏng để phân hủy tại proteasome 26S. Bên cạnh đó, biến đổi này còn tham gia điều hòa truyền tín hiệu, sửa chữa DNA và kiểm soát phiên mã. Hiểu rõ vị trí lysine được gắn kết giúp các nhà khoa học giải mã chi tiết cơ chế hoạt động của tế bào sống. Sự phân bố và cấu trúc của từng chuỗi phụ thuộc vào môi trường hóa lý xung quanh. Do đó, việc xác định chính xác các điểm biến đổi này mang giá trị sinh học vô cùng to lớn.

1.2. Xu hướng ứng dụng học máy trong tin sinh học

Sự bùng nổ dữ liệu giải trình tự protein tạo ra thách thức lớn cho các phòng thí nghiệm ướt. Phương pháp thực nghiệm truyền thống như sắc ký hay khối phổ tiêu tốn nguồn kinh phí khổng lồ. Vì vậy, các thuật toán học máy trở thành giải pháp ưu tiên hàng đầu trong tin sinh học hiện đại. Học máy có khả năng tự động học hỏi các quy luật tiềm ẩn từ tập dữ liệu protein lớn. Mô hình tính toán phân tích mối liên kết giữa các axit amin lân cận để đưa ra phán đoán. Thời gian xử lý được rút ngắn từ nhiều tháng xuống còn vài giây. Sự hỗ trợ từ máy tính giúp đẩy nhanh quá trình sàng lọc mẫu trước khi đưa vào kiểm chứng thực địa. Xu hướng này mang tính cách mạng cho nghiên cứu y sinh học.

II. Thách thức phân tích dự đoán vị trí protein ubiquitination

Phân tích và dự đoán vị trí gắn kết ubiquitin đặt ra nhiều thử thách kỹ thuật phức tạp. Trở ngại lớn nhất bắt nguồn từ sự mất cân bằng nghiêm trọng trong dữ liệu sinh học. Trong một chuỗi protein, số lượng gốc lysine không xảy ra ubiquitination luôn áp đảo so với các vị trí có xảy ra phản ứng. Tỷ lệ chênh lệch này khiến các mô hình học máy thông thường dễ rơi vào tình trạng thiên lệch nhãn âm. Hệ thống sẽ dự đoán sai các mẫu dương tính quan trọng trong y học. Ngoài ra, việc biểu diễn thông tin chuỗi sinh học thành dạng số học phù hợp cũng rất khó khăn. Dữ liệu đầu vào cần lưu giữ trọn vẹn ngữ cảnh sinh học và cấu trúc không gian của các axit amin. Nếu bước tiền xử lý và trích chọn đặc trưng không chuẩn xác, mô hình sẽ gặp hiện tượng quá khớp hoặc thiếu khái quát. Nghiên cứu tại Đại học Thái Nguyên đã phân tích sâu các hạn chế này để xây dựng giải pháp xử lý triệt để.

2.1. Vấn đề mất cân bằng mẫu dữ liệu âm và dương

Kho dữ liệu protein thực tế luôn tồn tại sự chênh lệch lớn giữa các mẫu. Vị trí lysine có gắn kết ubiquitin (mẫu dương) chỉ chiếm tỷ lệ rất nhỏ so với các gốc lysine thông thường (mẫu âm). Sự mất cân bằng nghiêm trọng này gây ra hiện tượng thiên vị đối với lớp chiếm đa số. Khi huấn luyện mô hình, thuật toán có xu hướng tối ưu hóa độ chính xác tổng thể bằng cách dự đoán tất cả đều là mẫu âm. Hậu quả là tỷ lệ phát hiện thực tế mẫu dương suy giảm rõ rệt. Đề tài tại Trường Đại học Công nghệ Thông tin và Truyền thông đã ứng dụng các kỹ thuật giảm mẫu âm phù hợp. Giải pháp này giúp cân bằng dữ liệu, duy trì độ tin cậy và gia tăng khả năng nhận diện chính xác.

2.2. Khó khăn trong trích xuất đặc trưng sinh học

Chuỗi peptide cấu thành từ hai mươi loại axit amin khác nhau với trật tự sắp xếp đa dạng. Máy tính không thể trực tiếp xử lý chuỗi ký tự sinh học này mà cần chuyển đổi thành vector số thực. Thách thức cốt lõi nằm ở việc giữ được thông tin vị trí không gian và mối tương quan giữa các amino acid. Nếu vector đặc trưng quá ngắn, mô hình sẽ đánh mất các thuộc tính sinh hóa quan trọng. Ngược lại, vector có số chiều quá lớn dễ gây bùng nổ dữ liệu và làm chậm tốc độ huấn luyện. Việc lựa chọn cửa sổ trích chọn phù hợp quanh gốc lysine mục tiêu quyết định trực tiếp đến hiệu năng thuật toán. Do đó, việc nghiên cứu phương pháp trích xuất tối ưu là bước đi then chốt của công trình.

III. Phương pháp học máy dự đoán vị trí protein ubiquitination

Để giải quyết triệt để các hạn chế, nghiên cứu triển khai phương pháp học máy có giám sát với nòng cốt là máy vector hỗ trợ (SVM). Kỹ thuật SVM chứng minh tính ưu việt cao trong việc xử lý không gian dữ liệu nhiều chiều và phi tuyến tính. Hệ thống phân loại mẫu thông qua việc xây dựng siêu phẳng phân cách tối đa hóa lề. Quy trình tiền xử lý dữ liệu trích xuất các chuỗi con có độ dài 13 amino axit với gốc lysine nằm chính giữa. Hai kỹ thuật trích chọn đặc trưng chủ lực được áp dụng là thành phần axit amin (AAC) và thành phần cặp axit amin (AAPC). Đặc trưng AAC mã hóa tần suất xuất hiện của 20 amino acid thành vector 20 chiều chuẩn hóa. Trong khi đó, kỹ thuật AAPC nắm bắt cấu trúc tương quan cặp lân cận bằng vector 400 chiều. Mô hình được huấn luyện trên thư viện LibSVM kết hợp kỹ thuật đánh giá chéo k-mặt (k-fold cross-validation) để tìm tham số tối ưu.

3.1. Kỹ thuật máy vector hỗ trợ SVM trong bài toán phân lớp

Thuật toán máy vector hỗ trợ (SVM) là công cụ học có giám sát mạnh mẽ trong phân loại dữ liệu sinh học. Cơ chế cốt lõi của SVM dựa trên việc tìm kiếm siêu phẳng tối ưu nhằm tối đa hóa khoảng cách phân cách giữa hai lớp. Khi dữ liệu chuỗi protein không phân tách tuyến tính, hàm nhân hạt nhân (kernel function) ánh xạ dữ liệu sang không gian nhiều chiều hơn. Nhờ đó, ranh giới phân loại phức tạp được xác định dễ dàng và chính xác. Nghiên cứu sử dụng nhân hàm xuyên tâm RBF (Radial Basis Function) để tối ưu hiệu quả phân loại. Kết quả kiểm thử cho thấy SVM xử lý rất tốt các mẫu protein phân tán mà không bị hiện tượng học vẹt.

3.2. Quy trình mã hóa đặc trưng AAC và AAPC chuỗi peptide

Phương pháp trích chọn đặc trưng đóng vai trò cầu nối quyết định chất lượng đầu vào cho SVM. Nghiên cứu thực hiện mã hóa các đoạn peptide 13 axit amin thông qua hai phương pháp độc lập là AAC và AAPC. Bộ trích chọn AAC tính toán tỷ lệ xuất hiện của từng loại trong hai mươi amino acid để hình thành vector 20 chiều chuẩn hóa. Trong khi đó, giải thuật AAPC phân tích tần suất xuất hiện của từng cặp amino acid liền kề, tạo nên ma trận 20x20 và chuyển đổi thành vector 400 chiều. Các tệp dữ liệu được xuất ra định dạng chuẩn LibSVM để nạp vào tiến trình huấn luyện. Sự phối hợp của các bộ đặc trưng này giúp mô hình bao quát đầy đủ cả thành phần đơn lẻ lẫn tương tác lân cận giữa các gốc amino acid.

IV. Ứng dụng dự đoán vị trí protein ubiquitination tại Thái Nguyên

Công trình nghiên cứu tại Đại học Thái Nguyên mang lại đóng góp thiết thực cho cộng đồng nghiên cứu y sinh học. Mô hình học máy xây dựng thành công đạt độ nhạy, độ đặc hiệu và độ chính xác cao trên các tập kiểm thử độc lập. Không dừng lại ở kết quả lý thuyết, đề tài đã phát triển hoàn chỉnh một công cụ trực tuyến (web-tool) hỗ trợ người dùng cuối. Giao diện trực quan cho phép các nhà sinh học nhập chuỗi FASTA và nhận kết quả dự đoán vị trí ubiquitination trong thời gian thực. Hệ thống giúp rút ngắn đáng kể thời gian sàng lọc sơ bộ trong phòng thí nghiệm. Những phát hiện này tạo tiền đề quan trọng cho việc phát hiện các dấu ấn sinh học và phát triển thuốc điều trị đích. Luận văn khẳng định năng lực ứng dụng công nghệ thông tin trong việc giải quyết bài toán sinh học phân tử hiện đại tại các trường đại học Việt Nam.

4.1. Triển khai phần mềm web tool hỗ trợ dự đoán trực tuyến

Công cụ web-tool được xây dựng với mục đích phổ biến kết quả nghiên cứu vào thực tế. Phần mềm tiếp nhận chuỗi protein theo định dạng FASTA tiêu chuẩn qua giao diện web thân thiện. Mô-đun phụ trợ tự động cắt chuỗi, tạo cửa sổ 13 amino axit và sinh vector đặc trưng tương thích với LibSVM. Tiếp theo, hệ thống kích hoạt mô hình SVM đã huấn luyện sẵn để phân lớp các vị trí lysine tiềm năng. Kết quả dự đoán được hiển thị chi tiết gồm số thứ tự vị trí, độ tin cậy và phân loại tương ứng. Nhờ cấu trúc mô-đun hóa linh hoạt, công cụ vận hành ổn định trên máy chủ và sẵn sàng phục vụ tra cứu tức thì cho cộng đồng nghiên cứu.

4.2. Ý nghĩa thực tiễn trong nghiên cứu y sinh và phát triển thuốc

Nghiên cứu dự đoán ubiquitination mở ra nhiều triển vọng trong y học phân tử và dược phẩm. Việc phát hiện sớm các đột biến ảnh hưởng đến vị trí ubiquitination giúp làm sáng tỏ nguồn gốc của nhiều bệnh thoái hóa hệ thần kinh và ung thư ác tính. Các công ty dược phẩm có thể ứng dụng kết quả dự đoán để thiết kế thuốc điều hòa chọn lọc cơ chế gắn kết protein. Thay vì kiểm tra ngẫu nhiên hàng nghìn điểm biến đổi, công cụ tính toán giúp thu hẹp phạm vi thí nghiệm xuống các vị trí khả thi nhất. Nhờ vậy, chi phí phát triển hoạt chất mới được tối ưu hóa đáng kể. Đây là tiền đề phát triển các liệu pháp can thiệp trúng đích hiệu quả trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Biến đổi hậu dịch mã (Protein Post-Translational Modifications - PTM) giữ vai trò then chốt trong việc điều hòa chức năng tế bào, kiểm soát quá trình phân giải protein, biệt hóa tế bào và truyền tín hiệu nội bào. Trong số hơn 400 loại biến đổi hậu dịch mã đã biết, protein ubiquitination (quá trình ubiquitin hóa) là một trong những cơ chế phổ biến và quan trọng nhất ở sinh vật nhân chuẩn. Ubiquitin là một protein nhỏ gồm 76 amino axit với khối lượng phân tử khoảng 8.5 kDa, được phát hiện lần đầu tiên vào năm 1975. Quá trình này liên kết phân tử ubiquitin vào các gốc amino axit Lysine (K) của protein đích, đánh dấu protein để thoái biến thông qua phức hợp proteasome 26S hoặc tham gia sửa chữa tổn thương vật chất di truyền.

Tuy nhiên, sự sai hỏng hoặc mất kiểm soát trong tiến trình ubiquitin hóa liên quan trực tiếp đến nhiều bệnh lý nan y, đặc biệt là ung thư và các bệnh thoái hóa thần kinh. Báo cáo của Cơ quan Nghiên cứu Ung thư Quốc tế (IARC) ghi nhận toàn cầu có khoảng 10.9 triệu ca mắc ung thư mới mỗi năm, trong đó ung thư vú chiếm tới 25% tổng số bệnh ung thư ở nữ giới. Tại Việt Nam, thống kê của Bộ Y tế và Hội Ung thư cho thấy tỷ lệ chữa khỏi ung thư vú đạt từ 80% đến 90% nếu phát hiện ở giai đoạn sớm, nhưng tỷ lệ sống sau 5 năm giảm mạnh khi bệnh di căn. Đột biến trên các gen ức chế khối u như BRCA1 làm suy giảm khả năng sửa chữa DNA, vốn được điều hòa bởi ubiquitin.

Trước nhu cầu cấp thiết về y học phân tử, phương pháp thực nghiệm truyền thống như sắc ký khối phổ tiêu tốn nhiều thời gian và chi phí. Luận văn thạc sĩ ngành Khoa học máy tính của tác giả Trần Thị Thu Hường, thực hiện năm 2023 tại Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên dưới sự hướng dẫn của TS. Nguyễn Văn Núi, tập trung giải quyết bài toán dự đoán vị trí protein ubiquitination bằng các kỹ thuật học máy hiện đại. Nghiên cứu hướng đến việc xây dựng công cụ tính toán tự động với độ chính xác cao trên tập dữ liệu chuẩn hóa gồm 6,266 protein, phục vụ định hướng sàng lọc thuốc và phát hiện sớm các dấu ấn ung thư.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Cơ sở sinh học của đề tài dựa trên lý thuyết biến đổi hậu dịch mã và chu trình phản ứng ba bước của hệ thống ubiquitin - proteasome. Ba nhóm enzyme tham gia tuần tự bao gồm: enzyme hoạt hóa E1, enzyme liên hợp E2 và enzyme gắn ligase E3. Phân tử ubiquitin liên kết đồng hóa trị với chuỗi bên của gốc Lysine (K) trên cơ chất protein, tạo thành tín hiệu phân hủy peptide hoặc sửa chữa chuỗi xoắn kép DNA.

Về nền tảng khoa học dữ liệu, nghiên cứu áp dụng lý thuyết tối ưu hóa và nguyên lý cực tiểu hóa rủi ro cấu trúc (Structural Risk Minimization - SRM) thông qua mô hình máy vector hỗ trợ (Support Vector Machine - SVM) do Vladimir Vapnik đề xuất năm 1995. SVM tìm kiếm một siêu phẳng phân tách tối ưu có khoảng cách biên (margin) lớn nhất giữa hai lớp dữ liệu dương (vị trí có gắn ubiquitin) và âm (vị trí Lysine bình thường). Với các bài toán phi tuyến trong không gian chuỗi sinh học, hàm hạt nhân (kernel function) ánh xạ các vector đầu vào từ không gian n chiều ban đầu sang không gian đặc trưng nhiều chiều F để phân tách tuyến tính.

Khung phân tích của luận văn vận dụng ba khái niệm mã hóa đặc trưng peptide kinh điển:

• Thành phần amino axit (Amino Acid Composition - AAC): Biểu diễn tần suất tương đối của 20 loại amino axit tự nhiên trong đoạn chuỗi quanh vị trí quan tâm dưới dạng vector 20 chiều.
• Thành phần cặp amino axit (Amino Acid Pairwise Composition - AAPC): Mã hóa tần số xuất hiện của các cặp amino axit tiếp giáp nhau, tạo ra ma trận kích thước 20 nhân 20 tương ứng vector 400 chiều, giúp phản ánh cấu trúc bậc hai cục bộ.
• Ma trận điểm tương quan vị trí (Position-Specific Scoring Matrix - PSSM): Trích xuất thông tin bảo tồn tiến hóa thông qua thuật toán PSI-BLAST từ kho dữ liệu sinh học quốc tế.

Phương pháp nghiên cứu

Nghiên cứu thu thập dữ liệu thực nghiệm quy mô lớn từ bốn nguồn tin cậy: 95 protein từ UbPred, 101 protein từ UbiPred, 2,500 protein từ hCKSAAP_UbiSite, cùng 6,259 protein từ dbPTM3.0 và UniProtKB/Swiss-Prot. Tổng dữ liệu thô ban đầu đạt 8,955 protein với 30,342 vị trí Lysine được xác thực. Sau khi xử lý lọc trùng, bộ dữ liệu độc bản gồm 6,266 protein với 23,827 vị trí ubiquitination thực nghiệm.

Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để chia tách dữ liệu: 6,000 protein chứa 22,800 vị trí hoạt động được chọn làm tập huấn luyện (training set), và 266 protein còn lại với 1,027 vị trí được giữ lại làm tập kiểm thử độc lập (independent test set). Kỹ thuật cửa sổ trượt (sliding window) kích thước 13 amino axit được thiết lập, lấy đối xứng 6 amino axit liền trước và 6 amino axit liền sau quanh gốc Lysine trung tâm để tạo các chuỗi peptide mẫu.

Nhằm loại bỏ hiện tượng thiên lệch dữ liệu và đánh giá quá cao hiệu năng (over-fitting), công cụ CD-HIT được triển khai với ngưỡng tương đồng chuỗi nghiêm ngặt 40%. Tiếp theo, chương trình CD-HIT-2D với ngưỡng nhận diện 100% được áp dụng giữa mẫu dương và mẫu âm, cũng như giữa tập huấn luyện và tập kiểm thử để triệt tiêu hiện tượng rò rỉ dữ liệu (data leakage). Sau quá trình tiền xử lý, cỡ mẫu huấn luyện cuối cùng đạt 8,190 mẫu, gồm 2,658 mẫu dương và 5,532 mẫu âm; bộ kiểm thử độc lập gồm 781 mẫu với 267 mẫu dương và 514 mẫu âm.

Lý do lựa chọn SVM kết hợp kiểm định chéo 5-fold cross-validation là vì thuật toán này kiểm soát xuất sắc rủi ro quá khớp trên không gian dữ liệu nhiều chiều, xử lý hiệu quả sự mất cân bằng giữa mẫu dương và mẫu âm tốt hơn các cây quyết định đơn lẻ hoặc mạng nơ-ron truyền thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và kiểm thử mô hình dự đoán vị trí protein ubiquitination mang lại bốn phát hiện khoa học quan trọng:

Thứ nhất, việc áp dụng ngưỡng tương đồng chuỗi 40% bằng CD-HIT đã làm giảm số lượng mẫu dương trong tập huấn luyện từ 22,800 xuống còn 2,658 mẫu (giảm 88.34%) và mẫu âm từ 220,645 xuống 5,532 mẫu (giảm 97.49%). Việc cắt giảm này loại bỏ triệt để các chuỗi tương đồng cao, giúp loại bỏ nhiễu học vẹt và phản ánh chân thực năng lực tổng quát hóa của thuật toán trên các chuỗi sinh học mới lạ.

Thứ hai, kích thước cửa sổ 13 amino axit chứng minh tính ưu việt vượt trội so với các kích thước ngắn hơn (9 hoặc 11) hoặc dài hơn (15 hoặc 21). Vùng đệm 6 amino axit ở mỗi phía quanh Lysine nắm bắt đầy đủ thông tin motif không gian của vị trí bám dính enzyme E2/E3, bảo đảm tính cô đọng đặc trưng mà không làm tăng số chiều tính toán dư thừa.

Thứ ba, sự kết hợp đa đặc trưng giữa AAC (20 chiều) và AAPC (400 chiều) cùng thông tin tiến hóa PSSM tạo ra hiệu năng phân loại vượt trội so với từng đặc trưng đơn lẻ. Độ chính xác tổng thể (ACC) và hệ số tương quan Mathews (MCC) tăng từ 5% đến 8% khi bổ sung đặc trưng cặp amino axit liền kề AAPC so với việc chỉ dùng đơn thuần vector tần suất AAC.

Thứ tư, khi kiểm thử độc lập trên 781 mẫu kiểm định chưa từng xuất hiện trong tập huấn luyện (267 mẫu dương, 514 mẫu âm), mô hình SVM 2 lớp tích hợp duy trì sự cân bằng tối ưu giữa độ nhạy (Sensitivity - SEN) và độ đặc hiệu (Specificity - SPE), vượt qua hiệu năng của các công cụ tiền nhiệm như UbPred (vốn xây dựng trên 95 protein) hay UbiPred (101 protein).

Thảo luận kết quả

Hiệu năng ấn tượng của mô hình bắt nguồn từ đặc tính sinh học phân tử của các amino axit bao quanh vị trí biến đổi. Các phân tích đồ họa chuỗi thông qua WebLogo cho thấy tại các vị trí lân cận gốc Lysine trung tâm, sự xuất hiện của các amino axit có tính chất kỵ nước hoặc tích điện đóng vai trò quyết định trong việc hình thành túi liên kết cho enzyme ligase E3. Không gian vector 400 chiều của AAPC đã phản ánh chính xác các tương tác cặp cục bộ này, trong khi ma trận PSSM bổ sung mức độ bảo tồn tiến hóa của từng vị trí qua hàng triệu năm biến dị sinh học.

Dữ liệu kết quả có thể được trình bày một cách trực quan thông qua đồ thị đường cong ROC (Receiver Operating Characteristic) biểu diễn tỷ lệ mẫu dương thực sự (True Positive Rate) theo tỷ lệ mẫu dương giả (False Positive Rate) trên các ngưỡng cắt khác nhau. Biểu đồ đường cong ROC cho thấy diện tích dưới đường cong (AUC) của mô hình tích hợp đạt giá trị tiệm cận mức xuất sắc, vượt trội rõ nét so với đường phân loại ngẫu nhiên. Đồng thời, bảng so sánh đa chỉ số gồm độ nhạy SEN, độ đặc hiệu SPE, độ chính xác ACC và hệ số tương quan MCC giúp minh chứng sự ổn định của siêu phẳng biên SVM, tránh được hiện tượng dự đoán lệch hẳn về phía lớp âm chiếm đa số.

So với các công bố trước đây thường chỉ khảo nghiệm trên quy mô nhỏ dưới 200 protein, nghiên cứu này đại diện cho bước nhảy vọt về dung lượng dữ liệu với 6,266 protein sạch, chứng minh rằng việc kết hợp tiền xử lý chuỗi bằng CD-HIT 40% với kỹ thuật SVM biên độ cực đại là hướng tiếp cận chuẩn mực cho các bài toán phân lớp sinh học tính toán.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và mở rộng giá trị ứng dụng của đề tài vào thực tiễn nghiên cứu y sinh học, tác giả đề xuất bốn khuyến nghị trọng tâm:

Thứ nhất, mở rộng kho dữ liệu huấn luyện bằng cách tích hợp từ 10,000 đến 15,000 chuỗi protein mới từ cơ sở dữ liệu UniProtKB phiên bản mới và kho cấu trúc protein 3D AlphaFold trong giai đoạn 2024-2025. Nhóm nghiên cứu Tin sinh học cần chủ trì thực hiện giải pháp này, đồng thời áp dụng kỹ thuật cân bằng mẫu hiện đại như SMOTE để cải thiện tỷ lệ mất cân bằng giữa mẫu dương (2,658) và mẫu âm (5,532), hướng tới mục tiêu nâng độ nhạy lên trên 85%.

Thứ hai, thử nghiệm tích hợp các kiến trúc học sâu tiên tiến (Deep Learning) và mô hình ngôn ngữ protein (Protein Language Models) như ProtBERT hoặc ESM-2 trong quý 1 năm 2025. Bộ phận phát triển thuật toán cần phụ trách việc trích xuất vector nhúng ngữ nghĩa (embeddings) từ chuỗi axit amin để kết hợp với bộ phân loại SVM hiện tại, kỳ vọng gia tăng hệ số tương quan MCC thêm khoảng 3% đến 5%.

Thứ ba, nâng cấp toàn diện hạ tầng máy chủ và giao diện lập trình ứng dụng RESTful API cho công cụ trực tuyến UbiSite, hoàn thành trước quý 3 năm 2024 do đội ngũ kỹ sư phần mềm thực hiện. Mục tiêu kỹ thuật là giảm thời gian phản hồi dự đoán xuống dưới 2 giây cho mỗi chuỗi có độ dài 1,000 amino axit, đồng thời hỗ trợ xử lý tệp FASTA hàng loạt lên đến 500 chuỗi mỗi lượt gửi.

Thứ tư, thiết lập chương trình hợp tác liên ngành giữa các viện nghiên cứu công nghệ thông tin và các bệnh viện chuyên khoa ung bướu trong giai đoạn 2024-2026. Chủ thể thực hiện là Trung tâm Nghiên cứu Y Dược phối hợp cùng nhóm tác giả để tiến hành kiểm chứng thực nghiệm sắc ký khối phổ trên ít nhất 50 vị trí Lysine tiềm năng thuộc các gen ung thư vú then chốt, biến các phát hiện số hóa thành dược phẩm trúng đích.

Đối tượng nên tham khảo luận văn

Luận văn thạc sĩ mang tính liên ngành cao và cung cấp giá trị học thuật chuyên sâu cho bốn nhóm đối tượng chính:

Nhóm thứ nhất là các nhà nghiên cứu và học viên cao học chuyên ngành Tin sinh học (Bioinformatics). Tài liệu cung cấp quy trình hoàn chỉnh về tiền xử lý chuỗi FASTA, kỹ thuật cắt lọc chuỗi con bằng kích thước cửa sổ 13, phương pháp khử tương đồng chuỗi qua công cụ CD-HIT ở ngưỡng 40%, và các thuật toán trích chọn đặc trưng AAC, AAPC, PSSM có thể tái sử dụng cho các dạng biến đổi hậu dịch mã khác như phosphoryl hóa hay acetyl hóa.

Nhóm thứ hai là các kỹ sư Trí tuệ nhân tạo và Khoa học dữ liệu (Data Scientists). Người đọc sẽ tìm thấy hướng dẫn chi tiết về cách thức triển khai thuật toán SVM trên dữ liệu phi tuyến, kỹ thuật ánh xạ không gian hạt nhân, cách khắc phục hiện tượng mất cân bằng mẫu và quy trình đánh giá chéo 5-fold cross-validation bảo đảm tính khách quan trong đánh giá mô hình phân lớp nhị phân.

Nhóm thứ ba là các nhà sinh học phân tử, bác sĩ chuyên khoa ung bướu và chuyên gia phát triển dược phẩm. Luận văn mở ra phương tiện hữu hiệu để sàng lọc sơ bộ hàng nghìn vị trí biến đổi protein ubiquitin hóa, giúp thu hẹp phạm vi thí nghiệm sinh học ướt, tiết kiệm ngân sách nghiên cứu và tăng tốc độ tìm kiếm các đích nhắm phân tử cho thuốc điều trị ung thư.

Nhóm thứ tư là giảng viên, sinh viên các trường đại học công nghệ thông tin định hướng nghiên cứu ứng dụng liên ngành Khoa học máy tính trong Y sinh học. Đây là một đề tài kiểu mẫu về cấu trúc trình bày, tính chặt chẽ trong phương pháp luận và cách thức đóng gói thuật toán thành công cụ phần mềm web UbiSite phục vụ cộng đồng.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn kích thước cửa sổ trượt là 13 amino axit quanh gốc Lysine? Kích thước cửa sổ 13 amino axit bao gồm 6 amino axit liền trước và 6 amino axit liền sau gốc Lysine trung tâm. Cấu hình này cung cấp đủ không gian tiếp xúc của các enzyme liên hợp E2 và ligase E3 mà không bổ sung thông tin dư thừa. Các thử nghiệm cho thấy cửa sổ nhỏ hơn 11 làm mất đặc trưng motif, trong khi cửa sổ lớn hơn 15 làm tăng độ nhiễu và số chiều tính toán.

Công cụ CD-HIT với ngưỡng tương đồng chuỗi 40% đóng vai trò gì trong việc nâng cao độ tin cậy của mô hình? Ngưỡng 40% của CD-HIT loại bỏ các chuỗi peptide có mức độ tương đồng cao trong tập dữ liệu. Thao tác này đưa số mẫu dương từ 22,800 xuống 2,658 mẫu độc lập. Quá trình này ngăn chặn tình trạng thuật toán ghi nhớ máy móc các chuỗi tương tự nhau, triệt tiêu nguy cơ quá khớp và phản ánh chính xác khả năng nhận diện các protein hoàn toàn mới trong thực tế.

Sự khác biệt cốt lõi giữa đặc trưng AAPC và đặc trưng AAC trong mã hóa chuỗi protein là gì? AAC biểu diễn tần suất của 20 loại amino axit đơn lẻ dưới dạng vector 20 chiều, chỉ phản ánh thành phần số lượng mà bỏ qua trật tự không gian. Ngược lại, AAPC mã hóa tần suất xuất hiện của các cặp amino axit đứng cạnh nhau thành vector 400 chiều. Nhờ đó, AAPC lưu giữ được thông tin ngữ cảnh cục bộ và trật tự liên kết peptide, nâng cao khả năng phân loại của SVM.

Vì sao thuật toán máy vector hỗ trợ SVM lại được ưu tiên sử dụng thay vì mạng nơ-ron sâu trong đề tài này? SVM hoạt động dựa trên nguyên lý cực tiểu hóa rủi ro cấu trúc, xác định siêu phẳng tối ưu có khoảng cách biên lớn nhất. Với tập dữ liệu huấn luyện gồm 8,190 mẫu, SVM thể hiện tính ổn định vượt trội, tránh rơi vào cực tiểu địa phương và hạn chế quá khớp tốt hơn mạng nơ-ron sâu vốn đòi hỏi lượng dữ liệu khổng lồ hàng trăm nghìn mẫu để hội tụ.

Công cụ trực tuyến UbiSite hỗ trợ công việc của các nhà nghiên cứu sinh học như thế nào? UbiSite cho phép người dùng nhập chuỗi protein định dạng FASTA thông qua trình duyệt web và nhận kết quả dự đoán vị trí biến đổi chỉ trong vài giây. Thay vì tốn kém hàng nghìn USD cho phân tích sắc ký khối phổ, các phòng thí nghiệm có thể sử dụng UbiSite để sàng lọc trước các vị trí Lysine tiềm năng nhất, nâng cao hiệu suất làm việc thực nghiệm.

Kết luận

• Luận văn xây dựng thành công pipeline tính toán toàn diện dự đoán vị trí protein ubiquitination, trích xuất từ kho dữ liệu thô 8,955 protein để tạo lập bộ dữ liệu chuẩn hóa gồm 2,658 mẫu dương và 5,532 mẫu âm sau khi loại bỏ tương đồng chuỗi ở ngưỡng 40%.
• Phương pháp mã hóa đa đặc trưng kết hợp thành phần amino axit (AAC 20 chiều), cặp amino axit tiếp giáp (AAPC 400 chiều) cùng ma trận điểm số bảo tồn tiến hóa PSSM đã khắc phục triệt để nhược điểm của các phương pháp mã hóa đơn lẻ trước đây.
• Mô hình máy vector hỗ trợ (SVM) hai lớp tích hợp đạt độ chính xác và độ ổn định cao qua kiểm định chéo 5-fold và tập kiểm thử độc lập 781 mẫu, khẳng định năng lực khái quát hóa trên chuỗi peptide chưa biết.
• Đề tài đóng gói thành công công cụ trực tuyến UbiSite, cung cấp giao diện trực quan hỗ trợ cộng đồng khoa học tra cứu, phân tích và xuất dữ liệu dự đoán vị trí biến đổi hậu dịch mã hoàn toàn miễn phí.
• Công trình tạo tiền đề vững chắc cho việc ứng dụng Trí tuệ nhân tạo trong Tin sinh học y tế, đặc biệt hỗ trợ phát hiện sớm các đột biến liên quan đến ung thư vú và định hướng thiết kế dược phẩm sinh học.

Đóng góp lớn nhất của nghiên cứu là thiết lập một quy trình xử lý dữ liệu sinh học nghiêm ngặt kết hợp tối ưu hóa thuật toán học máy giải quyết bài toán biến đổi hậu dịch mã quy mô lớn. Kế hoạch tiếp theo trong giai đoạn 2024-2025 là nhúng các mô hình ngôn ngữ protein hiện đại và liên kết kiểm chứng thực nghiệm trên các mẫu bệnh phẩm y khoa. Quý độc giả và các nhà nghiên cứu hãy tham khảo toàn văn luận văn thạc sĩ của tác giả Trần Thị Thu Hường và khai thác ngay nền tảng UbiSite để đẩy nhanh tiến độ các công trình nghiên cứu sinh học phân tử của mình.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1. Biến đổi hậu dịch mã (PTM: Protein Post - Translational Modifications) Biến đổi hậu dịch mã (PTM: Protein Post-Translational Modification) là cơ chế điều khiển tế bào rất quan trọng. Nó có thể biến đổi các tính chất vật lý/ và hóa học, quy định việc gấp nếp, phân phối hình dạng, ổn định hoặc kích hoạt protein, từ đó làm thay đổi chức năng của chúng. PTM đóng vai trò then chốt trong rất nhiều quá trình tế bào, ví dụ như: phân biệt tế bào, phân rã protein, các quá trình điều hòa và truyền tín hiệu, quy định biểu diễn gen, và tương tác protein.

PTM làm tăng sự đa dạng của hệ protein thông qua việc bổ sung thêm các protein hoặc nhóm chức năng, sự chia tách các đơn vị quy định cũng như là quá trình phân hủy toàn thể protein. Protein Ubiquitination Protein Ubiquitination (Protein Ubi hóa) là một trong những PTM quan trọng nhất ở các sinh vật nhân chuẩn [8]. Nó chính là một quá trình biến đổi hậu dịch mã của các protein nền xảy ra tại một số amino axit Lysine (K) nhất định, đóng vai trò quan trọng trong việc thay đổi tế bào và các quá trình sinh học liên quan. Tuy vậy sau khi biến đổi Protein Ubi diễn ra, thường có những sự thay đổi trong quy chế phiên mã, sửa chữa DNA, quá trình định vị dưới tế bào và quá trình nguyên phân trong các tế bào [9-12].

Do đó dự đoán các vị trí của Ubiquitination là thật sự cần thiết. Ubiquitin được phát hiện vào năm 1975 bởi tác giả Goldstein, sau đó được làm sáng tỏ trong suốt giai đoạn những năm 1970 và 1980. Ubiquitin là một protein nhỏ nặng khoảng 8.5 kg Dalton), và chứa khoảng 76 đơn vị amino acids. Quá trình tấn công và gắn buộc một Ubiquitin hoặc chuỗi Ubiquitin tới protein đích (thường bằng các liên kết hóa học thông qua một isopeptide) tại những vị trí tiếp hợp nhất định chính là một quá trình điều chỉnh 5 hậu dịch mã cực kỳ quan trọng, được biết đến như là sự Ubiquitin hóa (Ubiquitination).

Chức năng nổi bật nhất của Ubiquitin là đánh dấu các protein để thoái biến ở hệ thống proteasome. Hệ thống Ubiquitination proteosome có vai trò rất quan trọng và chịu trách nhiệm cho quá trình phân hủy tế bào, liên quan đến rất nhiều chức năng phân tử, ví dụ như: quy định phiên mã, sự truyền tính trạng tín hiệu, quá trình phát triển, apoptosis, endocytosis và quá trình sinh nở tế bào. Hệ thống Ubiquitintion proteosome bao gồm một chuỗi các phản ứng liên quan trực tiếp đến 3 loại enzyme chính: E1 (activating enzyme – enzyme hoạt hóa), E2 (conjugating enzyme – enzyme tiếp hợp) and E3 (Ubiquitin ligase – Ubiquitin buộc thắt) (xem hình bên dưới). 6 Bước 1: Ubiquitin được kích hoạt bởi enzyme kích hoạt El Bước 2: Được chuyển sang enzyme liên hợp E2 Bước 3: Trong hầu hết các trường hợp, cả E2 và chất nền đều liên kết với một ligase E3 cụ thể, và phần ubiquitin được kích hoạt được chuyển đến cơ chất protein.

Bước 4: Sự liên hợp liên tiếp của các gốc ubiquitin tạo ra chuỗi polyubiquitin. Chức năng này như một tín hiệu để gắn thẻ chất nền protein được đưa đến các proteasomes để bị phá hủy Bước 5: Chất nền bị phân hủy thành các peptide ngắn. Bước 6: Tái sử dụng ubiquitin được giải phóng bởi các enzym khử phổ biến (DUB) Ubiquitin có vai trò đặc biệt quan trọng liên quan đến các quá trình tế bào và phân hủy protein. Ubiquitination (Ubiquitin hóa) thường điều khiển hoạt động của các protein nội bào và các tương tác protein - protein hoặc hoạt động điều tiết phiên mã.

Quá trình tổng hợp Ubi cần thiết cho hoạt động của tế bào diễn ra một cách bình thường. Sự mất kiểm soát protein Ubiquitination có liên quan đến một số bệnh như ung thư, bệnh thoái hóa thần kinh, nhiễm virut, đái tháo đường và các khiếm khuyết phát triển. Protein Ubiquitination trong kho dữ liệu sinh học Trong ngành sinh học phân tử, việc phân tích thành phần của các protein cho ra rất nhiều dữ liệu, các dữ liệu này được biểu diễn dưới dạng fasta. Như hiển thị ở hình 1.1 protein được biểu diễn bởi 20 kí tự tương ứng với 20 loại amino axit khác nhau trong tự nhiên: Hình 1.

Protein dạng fasta Protein là một chuỗi xoắn dài các amino axit gắn liền với nhau, thông thường, khi phân tích thành phần của protein để nhập liệu, các nhà tin sinh học nhận thấy protein không đơn thuần chỉ là một dây các amino axit dài mà trên chính protein đó còn có các nhánh protein khác gắn vào, để dữ liệu thu thập được về protein sẽ bao gồm các vị trí đó trong chuỗi, thông thường các vị trí đó được các nhà sinh học đánh dấu bằng kí tự K. Bằng thực nghiệm, họ xác định được một trong số vị trí K đó là vị trí mà protein Ubiquitination liên hợp với dây protein chính, như ở hình 1.2 protein Ubiquitination có vị trí 137, 145, 120 trong chuỗi 181 amino axit: 8 Hình 1. Vị trí protein Ubiquitination của protein có ID F4YUA0 trong cơ sở dữ liệu mUbiSiDa Mô hình dự đoán mà tác giả xây dựng nhằm mục đích tìm ra các vị trí K tiềm năng mà tại đó có sự liên hợp của protein Ubiquitination với protein đích. Động cơ nghiên cứu và ý nghĩa khoa học của đề tài Trong các loài sinh vật nhân chuẩn, sự liên hợp Ubi là một cơ chế quan trọng trong quá trình phân rã protein, đóng vai trò quan trọng trong rất nhiều quá trình biến đổi tế bào.

Trong một số nghiên cứu gần đây [1-2, 8-15], các nhà khoa học đã ví Ubi như là những con đỉa, có khả năng tự gắn mình vào các protein khác. Chúng đóng vai trò quyết định trong việc sửa chữa những hư hỏng về DNA có thể dẫn đến ung thư. Chủng loại protein Ubi đã được phát hiện có khả năng theo dõi và 9 lần theo những khu vực trong cơ thể xuất hiện những hư hại về DNA. Các protein này dường như có khả năng vượt trội tại những vùng bị hư hại trong cơ thể.

Chúng tự gắn mình vào những protein bình thường và chỉ dẫn những protein này sửa chữa những hư hỏng của gen. Sử dụng phương pháp này, các protein có thể sửa chữa ngay cả những đứt gãy trong mạch kép của DNA, một trong những hư hại về DNA nghiêm trọng nhất. Khi việc sửa chữa hoàn tất, các protein Ubi sẽ tách ra và tiếp tục sửa chữa những hư hại DNA khác. Với một số kết quả đã thu được, các nhà khoa học hy vọng rằng, phát hiện này có thể mở ra một lối đi mới trong việc chế tạo thuốc điều trị giúp tiêu diệt các tế bào ung thư (ví dụ: Ubi được phát hiện có khả năng gắn theo một gen BRCA1 đã bị hư hỏng, sửa chữa lại nó, giúp ngăn cản quá trình hình thành ung thư vú) và thúc đẩy sản xuất các tế bào khỏe mạnh để thay thế.

Theo số liệu thống kê của cơ quan nghiên cứu ung thư quốc tế (International Agency for Research on Cancer- IARC) năm 2012 thì trên toàn thế giới ước tính có khoảng 10,9 triệu người mắc bệnh ung thư; trong đó ung thư vú cao thứ hai (chỉ sau ung thư phổi). Ung thu vú là loại ung thư thường gặp nhất ở phụ nữ, đặc biệt ở các nước phát triển, chiếm tới 25% tổng số các bệnh ung thư ở nữ giới. Theo số liệu báo cáo của Bộ y tế và Hội ung thư Việt Nam năm 2016, ung thư vú là loại đứng đầu trong các bệnh ung thư ở nữ giới và đang ngày càng có dấu hiệu gia tăng. Ung thư vú nếu phát hiện sớm thì có thể chữa trị thành công đạt từ 80-90%; tuy nhiên nếu phát hiện trễ thì hoặc là rất khó để chữa trị hoặc là đã bị di căn và chỉ sống thêm được 5 năm sau chẩn đoán.

Chính vì vậy, việc tìm ra được các đầu mối làm cơ sở cho dự đoán mắc bệnh ung thư vú ở giai đoạn sớm nhất có thể giúp điều trị thành công và giảm tỉ lệ tử vong tối thiểu đối người bệnh là một vấn đề thực sự cần thiết hiện nay. Những tiến bộ gần đây trong các công nghệ liên quan đến hệ protein đã làm tăng lên rõ rệt số lượng các nghiên cứu và kết quả của việc nhận dạng vị 10 trí Ubi liên hợp [10-18]. Tuy nhiên, ở thời điểm hiện tại, hầu hết các công cụ dự đoán tính toán xác định vị trí protein Ubi liên hợp mới chỉ dừng lại và tập trung với dữ liệu nhỏ, độ chính xác chưa thực sự cao. Bên cạnh đó, số lượng dữ liệu thực nghiệm về protein Ubi liên hợp đang ngày càng nhiều và sẵn có, vì vậy việc phát triển công cụ/mô hình tính toán trên dữ liệu diện rộng là hoàn toàn có khả năng.

Hơn nữa, ngày nay đang có rất nhiều căn bệnh người được phát hiện bắt nguồn từ protein Ubiquitination, trong đó có bệnh ung thư vú. Do vậy việc tìm ra được đầu mối hoặc vị trí Ubiquitination hỗ trợ dự đoán bệnh ung thư ở người, thậm chí xa hơn nữa là đề xuất được lược đồ điều trị một số căn bệnh người là thực sự cần thiết. Với những tiến bộ về các thuật toán, phương pháp tính toán trong học máy, máy hỗ trợ vectơ, các lợi thế trong khoa học máy tính và công nghệ thông tin đã mang lại nhiều triển vọng và cơ hội cho các nhà khoa học phát triển công cụ/mô hình tính toán với hiệu năng cao hơn. Chính vì vậy, tác giả đã tìm hiểu đề tài “Nghiên cứu một số phương pháp học máy, ứng dụng xây dựng mô hình dự đoán vị trí Protein Ubiquitination”.

Phạm vi nghiên cứu của đề tài Đề tài luận văn tập trung vào việc phát triển xây dựng mô hình tính toán dự đoán protein Ubi hóa cùng với đặc trưng nền của protein, trên cơ sở dạng biểu diễn fasta của protein dưới dạng chuỗi các amino axit. Phương pháp và cách tiếp cận của tác giả nhằm mục đích khai thác một phương pháp thống kê lặp để xác định vị trí protein Ubi hóa cùng với đặc tính nền của protein. Trước tiên, tác giả áp dụng máy hỗ trợ vector (SVM: support vector machine) để xây dựng và huấn luyện mô hình dự đoán vị trí Protein Ubi hóa. Một loạt các đặc trưng (bao gồm cả đặc trưng đơn lẻ và lai ghép) được điều tra, khảo sát và sử dụng cho việc xây dựng mô hình.

Sau đó, trên cơ sở đặc trưng tốt nhất đã điều tra cùng với các tham số tối ưu thu được từ các bước trước đó, mô hình SVM 11 2 lớp tích hợp được lựa chọn để xây dựng mô hình dự đoán vị trí protein Ubi hóa trong đề tài này.