Tổng quan về luận án

Trong kỷ nguyên sinh học phân tử và y tế số, tính toán y sinh (biomedical computing/informatics) đóng vai trò then chốt trong việc cách mạng hóa các quy trình nghiên cứu cấu trúc phân tử, phát triển dược phẩm và chẩn đoán điều trị bệnh lâm sàng. Luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) của nghiên cứu sinh Dương Thị Kim Chi, dưới sự hướng dẫn khoa học của PGS. TS. Trần Văn Lăng tại Trường Đại học Lạc Hồng, mang tên: "Nâng cao hiệu quả mô hình học máy cho dữ liệu y sinh". Công trình đại diện cho nỗ lực tiên phong trong việc giải quyết triệt để sự mất cân bằng dữ liệu, số chiều cực lớn (curse of dimensionality), độ thưa thớt và dữ liệu khuyết thiếu trong dữ liệu y sinh đa nguồn.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tiễn: dữ liệu trình tự gene (genomics) thường có độ dài biến thiên (từ 20 đến hơn 6.000 nucleotides), cấu trúc chuỗi phức tạp và phân bố không đồng đều; trong khi đó, dữ liệu lâm sàng thế giới thực (real-world clinical data) bị phân mảnh nghiêm trọng, thiếu hụt giá trị (missing values) và mất cân bằng phân bố lớp giữa các ca bệnh hiếm. Trích dẫn trực tiếp từ luận án: "Tính toán y sinh (hay còn gọi là tin y sinh) là một lĩnh vực nghiên cứu liên ngành giữa y học và khoa học máy tính... kết hợp các phương pháp phân tích dữ liệu, học máy, thống kê và lý thuyết thông tin để giải quyết các vấn đề trong lĩnh vực y sinh" và đối mặt với thực tế "số lượng gene này chỉ chiếm 5% tổng số trình tự của gene trong toàn hệ gene chứa hàng ngàn gene; và làm sao để có thể tìm được môi trường vật chủ phù hợp với gene mục tiêu".

Nghiên cứu tập trung giải quyết 3 câu hỏi và giả thuyết khoa học chính:

  1. RQ1/H1: Việc chuyển đổi chuỗi nucleotide thành vector đặc trưng sử dụng chỉ số sử dụng codon đồng nghĩa (Relative Synonymous Codon Usage - RSCU) kết hợp giải thuật gom cụm phân vùng có thể tự động sàng lọc chính xác 5% nhóm gene biểu hiện cao (Highly Expressed Genes - HEG) và phân loại tối ưu tế bào vật chủ (host cell) với độ chính xác trên 99% hay không?
  2. RQ2/H2: Phương pháp trích xuất đặc trưng K-mer trên vùng gene chỉ thị phân tử ITS (Internal Transcribed Spacer) kết hợp mô hình học tăng cường (Gradient Boosting) có thể vượt qua các hạn chế của phương pháp sinh học phân tử truyền thống (Neighbor-Joining) để định danh chính xác 17 phân loài nấm phức tạp với Multi-class AUC đạt 0,99 hay không?
  3. RQ3/H3: Cơ chế tích hợp giữa bộ nội suy dữ liệu lân cận (KNNImputer), kỹ thuật cân bằng lớp thiểu số (SMOTE) và kiến trúc kết hợp LightGBM - XGBoost có khả năng nâng độ chính xác chẩn đoán bệnh nhân CoViD-19 từ xét nghiệm máu lên trên 99,8% hay không?

Luận án thiết lập khung lý thuyết liên ngành dựa trên: Lý thuyết dịch mã và thiên lệch codon (Codon Bias Theory), Lý thuyết mã vạch di truyền (DNA Barcoding), và Lý thuyết học kết hợp tăng cường độ dốc (Gradient Boosting Ensemble Theory). Quy mô thực nghiệm bao trùm hơn 10.000 trình tự gene vi sinh vật (E. coli, B. subtilis, Lactococcus), hơn 2.000 trình tự ITS của 17 loài nấm mối (Termitomyces), và trên 7.000 mẫu bệnh án lâm sàng thế giới thực (trong đó có 5.564 mẫu từ Bệnh viện Israelita Albert Einstein, Brazil).

Literature Review và Positioning

Nghiên cứu sinh học tính toán và phân loại dữ liệu lâm sàng trước đây phân rã thành các luồng học thuật riêng biệt với nhiều tranh biện lý thuyết:

  • Luồng 1 - Chọn lọc gene biểu hiện cao và tối ưu hóa codon: Sharp và Li (1987) đặt nền móng với Chỉ số thích nghi Codon (Codon Adaptation Index - CAI), sau đó được Pere Puigbò cùng cộng sự (2007) phát triển để sàng lọc HEG dựa trên tần suất codon tham chiếu. Tuy nhiên, phương pháp truyền thống của Puigbò phụ thuộc nghiêm ngặt vào các bộ gene đã được chú giải đầy đủ và dễ bỏ sót các HEG không có sai biệt codon rõ rệt. Luận án định vị giải pháp vượt trội bằng cách tích hợp trực tiếp chỉ số RSCU 59 chiều vào thuật toán phân cụm PAM (Partitioning Around Medoids) và CLARA (Clustering Large Applications) do Kaufman và Rousseeuw (1990) phát triển, giải quyết triệt để sự phụ thuộc vào gene tham chiếu.
  • Luồng 2 - Định danh loài sinh học bằng dữ liệu phân tử: Các phương pháp khoảng cách truyền thống như Neighbor-Joining (NJ) của Saitou và Nei (1987) bộc lộ sự suy giảm hiệu năng nghiêm trọng khi phân tích các tập dữ liệu genomic lớn, có độ dài chuỗi không đồng nhất. Công trình định vị việc sử dụng đặc trưng K-mer kết hợp thuật toán tối ưu hóa cây quyết định cực trị XGBoost (Tianqi Chen, 2016) và CatBoost (Prokhorenkova et al., 2018) giúp tự động hóa hoàn toàn quy trình số hóa chuỗi DNA mà không cần căn chỉnh đa chuỗi phức tạp (Multiple Sequence Alignment).
  • Luồng 3 - Dự đoán lâm sàng trên dữ liệu xét nghiệm máu: Nghiên cứu quốc tế của Patrick Schwab et al. (2020) trên 5.644 bệnh nhân tại Brazil sử dụng Support Vector Machine (SVM) đạt diện tích dưới đường cong (AUC) 98%; Maryam AlJame et al. (2020) ứng dụng XGBoost đạt độ chính xác 99,4%. Trong khi đó, Liang et al. (2020) với Decision Tree chỉ đạt AUC 76% (Accuracy 68%), Levy et al. (2020) dùng hồi quy LASSO đạt AUC 86%, và Han et al. (2020) với Logistic Regression đạt AUC 95,28% trên tập mẫu nhỏ (47 bệnh nhân). Luận án định vị một kiến trúc học kết hợp hai tầng mới (LightGBM - XGBoost) đi kèm quy trình tiền xử lý phức hợp KNNImputer - SMOTE, đẩy giới hạn độ chính xác lên 99,85%, vượt trội hoàn toàn so với các công bố quốc tế nêu trên.

Đóng góp lý thuyết và khung phân tích

graph TD
    A["Dữ liệu Y Sinh Đa Nguồn"] --> B["Dữ liệu Sinh học Phân tử (Genomics)"]
    A --> C["Dữ liệu Lâm sàng / Cận lâm sàng"]
    
    B --> D["Nhiệm vụ 1: Sản xuất Protein Tái tổ hợp"]
    B --> E["Nhiệm vụ 2: Định danh Loài Sinh học"]
    
    D --> D1["RSCU (59 Chiều)"]
    D1 --> D2["Phân cụm PAM / CLARA -> 5% HEG"]
    D1 --> D3["Phân lớp XGBoost -> Chọn Host Cell (99% Acc)"]
    
    E --> E1["Trích xuất K-mer (K=7) từ Gene ITS"]
    E1 --> E2["Ensemble Boosting (XGBoost/CatBoost) -> 17 Loài Nấm"]
    
    C --> F["Nhiệm vụ 3: Chẩn đoán CoViD-19 / Cúm"]
    F --> F1["Nội suy KNNImputer & Cân bằng SMOTE"]
    F1 --> F2["Rút gọn Đặc trưng LightGBM (EFB/GOSS)"]
    F2 --> F3["Phân loại XGBoost (Acc > 99.85%)"]

Đóng góp cho lý thuyết

  1. Mở rộng Lý thuyết Thiên lệch Codon (Codon Bias Theory): Luận án chứng minh rằng tính toán vector không gian 59 chiều từ chỉ số Relative Synonymous Codon Usage (RSCU) phản ánh chính xác cấu trúc sinh học phân tử mà không làm mất mát thông tin chức năng. Điều này thách thức quan niệm truyền thống rằng cần toàn bộ cấu trúc không gian ba chiều của protein để dự đoán mức độ đáp ứng biểu hiện.
  2. Hình thành Mô hình Tương quan Biểu hiện Gene - Tế bào Vật chủ (Gene-Host Cell Correlation Model): Công trình cụ thể hóa mối quan hệ toán học giữa vector RSCU của chuỗi gene mục tiêu (Gene of Interest - GOI) và khả năng thích ứng của các hệ thống tế bào chủ vi khuẩn (Escherichia coli, Bacillus subtilis, Lactococcus), thiết lập khung phân loại đa lớp tối ưu cho công nghệ tái tổ hợp DNA.
  3. Chuyển dịch Paradigm trong Nhận dạng Chuỗi Sinh học: Luận án chứng minh tính hiệu quả vượt bậc của mô hình kinh nghiệm tính toán (Computational Empiricism) khi trích xuất K-mer (với $K=7$) kết hợp thuật toán Boosting, thay thế cho giả định tiến hóa tuyến tính của mô hình cây phát sinh chủng loại Neighbor-Joining truyền thống.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liền mạch ba trụ cột lý thuyết:

  • Lý thuyết tối ưu hóa tổ hợp: Sử dụng giải thuật Partitioning Around Medoids (PAM) và Clustering for Large Applications (CLARA) để giải quyết hàm mục tiêu khoảng cách Medoid $E = \sum_{i=1}^k \sum_{p \in C_i} d(g_p, g_i)^2$, phân lập chính xác cụm 5% HEG có mật độ sử dụng codon tối ưu cao nhất.
  • Lý thuyết Tăng cường Gradient Cực trị (Extreme Gradient Boosting): Ứng dụng giải thuật Split Finding tối ưu hóa phân nhánh trên ma trận thưa thớt, cực tiểu hóa hàm mất mát bậc hai mở rộng Taylor: $$\mathcal{L}^{(t)} \approx \sum_{i=1}^n \left[ g_i f_t(x_i) + \frac{1}{2} h_i f_t^2(x_i) \right] + \Omega(f_t)$$
  • Kỹ thuật Đóng gói Đặc trưng Loại trừ Lẫn nhau (Exclusive Feature Bundling - EFB) và Lấy mẫu Một phía Dựa trên Gradient (GOSS): Được hiện thực hóa qua LightGBM nhằm gom cụm các biến lâm sàng thưa thớt, giảm thiểu chi phí tính toán mà vẫn bảo toàn độ hội tụ.

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng cho các chuỗi gene mã hóa đã xác định khung đọc mở (ORF), các vùng chỉ thị ITS nấm, và dữ liệu bảng xét nghiệm sinh hóa máu không vượt quá ngưỡng khuyết thiếu 80%.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Triết lý nghiên cứu (Research Philosophy): Thực chứng luận kết hợp Kinh nghiệm luận tính toán (Positivism & Computational Empiricism). Mọi suy luận đều được xây dựng dựa trên bằng chứng dữ liệu số hóa định lượng và kiểm chứng qua các độ đo thống kê khách quan.
  • Thiết kế đa tầng (Multi-level Computational Design):
    • Tầng 1 (Molecular Sequence Level): Xử lý chuỗi nucleotide phi cấu trúc (Genomic sequences).
    • Tầng 2 (Feature Engineering & Dimension Reduction Level): Biến đổi chuỗi thành vector số học (RSCU 59-D, K-mer tokenization) và rút gọn thuộc tính qua LightGBM EFB.
    • Tầng 3 (Predictive Modeling & Inference Level): Phân lớp và phân cụm tối ưu hóa siêu tham số (Hyperparameter Optimization).

Quy trình nghiên cứu rigorous

  1. Chiến lược lấy mẫu và Tiêu chí lựa chọn: Dữ liệu genomic được trích xuất trực tiếp từ các ngân hàng gene quốc tế chuẩn hóa (NCBI GenBank, EMBL-Bank, BOLD Systems). Tập dữ liệu nấm mối bao gồm 17 loài với tiêu chí chọn lọc tối thiểu $\ge 10$ trình tự/loài nhằm đảm bảo tính đại diện thống kê; mẫu thực địa được thu thập độc lập tại tỉnh Bình Dương để làm tập kiểm chứng ngoại vi (external validation).
  2. Giao thức Tiền xử lý và Nội suy:
    • Dữ liệu lâm sàng khuyết thiếu được xử lý thông qua thuật toán KNNImputer với khoảng cách Euclid có trọng số, tránh triệt để việc loại bỏ tùy tiện các bản ghi làm mất thông tin dịch tễ.
    • Hiện tượng mất cân bằng lớp nghiêm trọng giữa nhóm bệnh nhân nhiễm CoViD-19 và nhóm đối chứng được giải quyết bằng kỹ thuật SMOTE (Synthetic Minority Oversampling Technique), tạo các điểm dữ liệu tổng hợp dựa trên $k$ lân cận gần nhất thay vì nhân bản đơn thuần.
  3. Tam giác hóa và Đánh giá Độ tin cậy:
    • Kiểm chứng chéo K-Fold ($K=5, 10$) độc lập nhằm triệt tiêu hiện tượng quá khớp (overfitting).
    • Kiểm định độ tin cậy bằng cách so sánh đối chiếu chéo kết quả phân loại K-mer/Boosting với phần mềm chuẩn quốc tế BLAST (Basic Local Alignment Search Tool) từ Trung tâm Thông tin Công nghệ sinh học Quốc gia Hoa Kỳ (NCBI).

Data và phân tích

Chi tiết các tập dữ liệu thực nghiệm chuẩn tắc của luận án:

STT Tập dữ liệu thực nghiệm Kích thước mẫu / Trình tự Nhiệm vụ khoa học máy tính Thuật toán / Kỹ thuật nòng cốt
1 Bacillus subtilis genome 4.100 genes Phân cụm tìm 5% HEG biểu hiện cao RSCU (59-D), PAM, CLARA
2 Escherichia coli (Class 1) 4.288 genes Dự đoán hệ thống tế bào vật RSCU, Random Forest,
3 Bacillus subtilis (Class 2) 4.100 genes chủ tương quan phù hợp trong tái XGBoost Split Finding
4 Lactococcus (Class 3) 2.264 genes tổ hợp DNA (Tổng >10.600 gene) (Accuracy = 0,99)
5 Chi nấm mối Termitomyces (17 loài) >2.000 trình tự ITS (799 Uncultured, 483 T. sp., 94 T. intermedius...) Định danh loài sinh học tự động thay thế phương pháp hình thái K-mer ($K=7$), CatBoost, XGBoost, Phân cụm phân cấp
6 Bệnh viện Israelita Albert Einstein 5.564 mẫu xét nghiệm máu lâm sàng Dự đoán khả năng dương tính SARS-CoV-2 từ xét nghiệm máu KNNImputer, SMOTE, Gradient Boosting (Acc > 0,9985)
7 COVIDandFLU dataset >7.000 ca bệnh tổng hợp Phân biệt phân tầng CoViD-19 và Cúm mùa H1N1 LightGBM (EFB, GOSS) + XGBoost Classifier (Acc = 0,99)

Toàn bộ hệ thống mã nguồn được hiện thực hóa trên nền tảng Python, Scikit-learn, XGBoost framework, LightGBM framework và CatBoost core.

Phát hiện đột phá và implications

graph LR
    A["Phát hiện 1: 5% HEG"] --> B["Tối ưu hóa sản lượng Protein tái tổ hợp"]
    C["Phát hiện 2: Host Selection (99% Acc)"] --> D["Khớp Codon chính xác với E. coli / B. subtilis"]
    E["Phát hiện 3: K-mer = 7 Nấm mối (AUC 0.99)"] --> F["Định danh loài trùng khớp NCBI BLAST"]
    G["Phát hiện 4: Chẩn đoán Lâm sàng (>99.8% Acc)"] --> H["Phân tầng sớm bệnh nhân nguy cơ cao"]

Những phát hiện then chốt

  1. Khám phá và Tách biệt Cụm 5% Gene Biểu hiện Cao (HEG): Bằng việc ánh xạ hệ gene B. subtilis (4.100 gene) thành không gian vector RSCU, thuật toán CLARA và PAM đã cô lập thành công 5% cụm gene có mức độ đáp ứng dịch mã cao nhất. Tốc độ thực thi của CLARA vượt trội hoàn toàn so với PAM trên dữ liệu lớn mà không làm suy giảm chất lượng phân cụm.
  2. Dự đoán Khớp Tế bào Vật chủ với Độ chính xác Tuyệt đối: Mô hình XGBoost trên dữ liệu hơn 10.600 gene thuộc 3 dòng sinh vật chủ (E. coli, B. subtilis, Lactococcus) đạt độ chính xác phân loại $0,99$ (99%), chứng minh rằng sự phân bố codon mang dấu ấn đặc trưng loài (species-specific codon signature) cực kỳ rõ nét.
  3. Xác lập Kích thước K-mer Tối ưu ($K=7$) trong Phân loại Chuỗi Nấm Mối: Thử nghiệm trên 17 phân loài Termitomyces chỉ ra rằng $K=7$ là ngưỡng cân bằng hoàn hảo giữa độ dài ngữ nghĩa sinh học và kích thước không gian vector. Mô hình kết hợp đạt Accuracy 0,91, Multi-class AUC-ROC 0,99, và cho kết quả trùng khớp $100%$ với công cụ đối sánh chuẩn quốc tế NCBI BLAST trên tập kiểm tra thực tế thu thập tại Bình Dương.
  4. Phá vỡ Giới hạn Chẩn đoán CoViD-19 từ Mẫu máu Phổ thông: Trên tập dữ liệu thực tế 5.564 ca bệnh của Bệnh viện Israelita Albert Einstein (Brazil), việc kết hợp KNNImputer, SMOTE và Gradient Boosting đạt độ chính xác kỷ lục 0,9985 (99,85%). Trích dẫn từ luận án: "mô hình dự đoán này trên bộ dữ liệu lâm sàng từ xét nghiệm mẫu máu của bệnh CoViD-19 của các bệnh nhân nhập bệnh viện Israelita Albert Einstein ở Brazil để dự đoán khả năng mắc bệnh CoViD-19. Hiệu suất của mô hình đạt độ chính xác tổng thể đạt trên 0,998".
  5. Phân loại Phân biệt Hoàn hảo giữa CoViD-19 và Cúm mùa H1N1: Mô hình lai LightGBM (rút gọn đặc trưng) - XGBoost (phân loại) trên tập dữ liệu COVIDandFLU đạt mọi chỉ số hiệu năng ở mức lý tưởng: Accuracy: 0,99, Recall: 0,99, Specificity: 0,99, F1-Score: 0,99, ROC-AUC: 0,99, vượt trội hoàn toàn so với các mô hình cây đơn lẻ trước đó.

Implications đa chiều

  • Về mặt Lý thuyết: Khẳng định tính khả thi của việc giải mã quy luật sinh học phức tạp bằng mô hình học máy tăng cường gradient, chứng minh mối liên hệ hữu cơ giữa sự thiên lệch codon và năng lực biểu hiện protein.
  • Về mặt Phương pháp luận: Cung cấp quy trình chuẩn hóa (pipeline) từ tiền xử lý, số hóa vector (K-mer/RSCU), nội suy - cân bằng dữ liệu (KNNImputer/SMOTE), đến tối ưu hóa cây quyết định có thể tái sử dụng cho nhiều bài toán omics và y sinh khác.
  • Về mặt Thực tiễn Sản xuất Dược phẩm: Giúp các phòng thí nghiệm công nghệ sinh học nhanh chóng chọn đúng tế bào vật chủ cho gene mục tiêu, giảm thiểu tối đa hiện tượng protein bị bất hoạt, kết tủa thể vùi (inclusion bodies) hoặc năng suất thấp trong sản xuất insulin, vaccine và kháng thể đơn dòng tái tổ hợp.
  • Về mặt Y tế Lâm sàng và Chính sách: Cung cấp công cụ hỗ trợ ra quyết định lâm sàng (Clinical Decision Support Systems - CDSS) tự động phân tầng bệnh nhân ngay tại phòng xét nghiệm cấp cứu từ các chỉ số máu cơ bản, giảm tải chi phí và thời gian chờ đợi xét nghiệm RT-PCR trong các đợt bùng phát dịch bệnh truyền nhiễm.

Limitations và Future Research

Nhìn nhận một cách khách quan và nghiêm cẩn, công trình còn tồn tại một số giới hạn học thuật:

  • Giới hạn dữ liệu vật chủ: Thực nghiệm lựa chọn hệ thống biểu hiện mới chỉ bao quát 3 hệ vi khuẩn phổ biến (E. coli, B. subtilis, Lactococcus), chưa mở rộng sang các hệ thống biểu hiện phức tạp như tế bào nấm men (Pichia pastoris), tế bào côn trùng (Baculovirus) hay tế bào động vật có vú (CHO cells) vốn có cơ chế cải biến sau dịch mã (post-translational modifications) phức tạp.
  • Giới hạn cấu trúc gene K-mer: Việc phân đoạn K-mer trên gene ITS nấm chưa xem xét đến các tương tác bậc cao của cấu trúc không gian thứ cấp và tam cấp của RNA ribosome.
  • Giới hạn dữ liệu lâm sàng: Bộ dữ liệu máu CoViD-19 được thu thập trong giai đoạn đầu của đại dịch tại Brazil, chưa bao gồm đầy đủ dữ liệu theo dõi biến thiên của các biến thể virus mới (Omicron, XBB) cũng như hồ sơ tiền sử tiêm chủng vaccine.

Chương trình nghiên cứu 5–10 năm tới bao gồm 4 định hướng mở rộng:

  1. Mở rộng mô hình dự đoán tế bào vật chủ sang các dòng tế bào nhân thực bậc cao (Eukaryotic expression systems) kết hợp mô hình học sâu Transformer (GeneBERT, Nucleotide Transformer).
  2. Phát triển công cụ tự động phát hiện đột biến kháng thuốc và nhận diện biến thể mới từ dữ liệu giải trình tự thế hệ mới (Next-Generation Sequencing - NGS).
  3. Ứng dụng mô hình AI giải thích được (Explainable AI - XAI với SHAP và LIME) vào chẩn đoán lâm sàng để minh bạch hóa trọng số các chỉ số sinh hóa máu cho y bác sĩ.
  4. Xây dựng nền tảng phần mềm đám mây (Cloud-native API) tích hợp trực tiếp với hệ thống thông tin bệnh viện (HIS/LIS) để chẩn đoán thời gian thực.

Tác động và ảnh hưởng

  • Tác động Học thuật: Các đóng góp cốt lõi của luận án đã được công bố trên 7 công trình khoa học quốc tế và quốc gia uy tín ([CT1] đến [CT7]), mở ra phương pháp luận chuẩn xác cho việc tích hợp mô hình học máy tăng cường vào tin sinh học. Ước tính các kết quả này sẽ tạo ra nguồn trích dẫn lớn trong các nghiên cứu tối ưu hóa codon và chẩn đoán phân tử.
  • Tác động Công nghiệp Dược & Công nghệ Sinh học: Tối ưu hóa chu trình thiết kế gene mục tiêu và lựa chọn host cell giúp các doanh nghiệp sản xuất sinh phẩm y tế rút ngắn thời gian R&D từ hàng tháng xuống vài ngày, tiết kiệm hàng triệu USD chi phí thử nghiệm sai hỏng (trial-and-error).
  • Tác động Y tế Công cộng: Giải pháp chẩn đoán CoViD-19 và Cúm mùa qua xét nghiệm máu hỗ trợ các cơ sở y tế tuyến cơ sở nhanh chóng sàng lọc và phân loại bệnh nhân nguy cơ cao mà không phụ thuộc hoàn toàn vào sinh phẩm xét nghiệm phân tử đắt tiền.
  • Tầm ảnh hưởng Quốc tế: Dữ liệu và giải thuật đề xuất có tính tổng quát cao, tương thích với các tiêu chuẩn ngân hàng gene quốc tế (NCBI, EMBL, DDBJ), có khả năng ứng dụng trên quy mô toàn cầu cho nhiều chủng loại sinh vật và dịch bệnh khác nhau.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học Tin sinh học: Tiếp cận phương pháp vector hóa chuỗi nucleotide (RSCU, K-mer) và pipeline phân lớp dữ liệu gene chiều cao hiệu năng cao để phát triển các nghiên cứu chuyên sâu.
  • Giảng viên & Nhà nghiên cứu Y sinh: Kế thừa khung lý thuyết tích hợp liên ngành giữa khoa học máy tính và y sinh học làm tài liệu giảng dạy và mở rộng các hướng đề tài cấp Nhà nước.
  • Doanh nghiệp R&D Dược phẩm & Sinh học Tái tổ hợp: Sở hữu công cụ tính toán chính xác để lựa chọn chủng vật chủ tối ưu, nâng cao hiệu suất biểu hiện protein và giảm chi phí sản xuất dược phẩm sinh học.
  • Bác sĩ & Nhà quản lý Y tế: Sử dụng các mô hình hỗ trợ chẩn đoán chính xác cao từ dữ liệu xét nghiệm thường quy để phân tầng điều trị hiệu quả, đặc biệt trong các tình huống khủng hoảng quá tải y tế.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Trả lời: Đóng góp độc đáo nhất là việc chuẩn hóa không gian vector 59 chiều từ chỉ số sử dụng codon đồng nghĩa (RSCU) để đại diện cho toàn bộ chuỗi gene phức tạp, mở rộng trực tiếp Lý thuyết Thiên lệch Codon (Codon Bias Theory) và Lý thuyết Thích nghi Codon của Sharp & Li (1987). Thay vì phụ thuộc vào một tập gene tham chiếu tĩnh như phương pháp CAI của Pere Puigbò (2007), mô hình đã kết hợp phân cụm CLARA/PAM và phân lớp XGBoost để tự động nhận diện 5% HEG và tương quan tế bào vật chủ với độ chính xác 99% trên dữ liệu động quy mô lớn.

2. Đột phá phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây? Trả lời: So với nghiên cứu của Patrick Schwab et al. (2020) (sử dụng SVM đạt AUC 98%) và Maryam AlJame et al. (2020) (dùng XGBoost đơn thuần đạt độ chính xác 99,4%), luận án đã thiết kế pipeline tiền xử lý phức hợp ba giai đoạn (KNNImputer $\rightarrow$ SMOTE $\rightarrow$ LightGBM Feature Bundling $\rightarrow$ XGBoost Classification), giải quyết đồng thời bài toán dữ liệu khuyết, mất cân bằng lớp và tối ưu hóa số chiều, đẩy độ chính xác tổng thể lên 0,9985 (99,85%) trên cùng tập dữ liệu Bệnh viện Israelita Albert Einstein.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có sự hỗ trợ của dữ liệu là gì? Trả lời: Kết quả bất ngờ nhất là việc định danh 17 phân loài nấm mối (Termitomyces) bằng trích xuất K-mer ($K=7$) trên gene chỉ thị ITS kết hợp Gradient Boosting cho ra kết quả trùng khớp hoàn toàn (100%) với phần mềm căn chỉnh đa chuỗi phức tạp BLAST của NCBI, trong khi thời gian thực thi chỉ tính bằng giây và đạt Multi-class AUC lên tới 0,99.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) hoàn chỉnh không? Trả lời: Có. Luận án mô tả chi tiết toàn bộ công thức toán học (công thức tính RSCU, hàm mục tiêu CLARA/PAM, thuật toán Split Finding của XGBoost, kỹ thuật EFB/GOSS của LightGBM), công bố chi tiết bảng thuộc tính dữ liệu lâm sàng, kích thước mẫu của từng phân loài sinh vật, quy trình kiểm chứng chéo K-Fold và xây dựng giao diện ứng dụng trực quan hỗ trợ người dùng cuối.

5. Chương trình nghiên cứu 10 năm tới được phác thảo như thế nào? Trả lời: Chương trình tập trung mở rộng sang mô hình ngôn ngữ lớn cho bộ gene (Genomic Foundation Models / Transformers), tích hợp dữ liệu đa omics (Multi-omics integration: Proteomics, Metabolomics), phát triển AI giải thích được (XAI) trong chẩn đoán y khoa, và thương mại hóa nền tảng hỗ trợ thiết kế protein tái tổ hợp tự động cho ngành công nghiệp dược phẩm.

Kết luận

Luận án tiến sĩ của NCS. Dương Thị Kim Chi đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật và thực tiễn cốt lõi:

  1. Đề xuất giải pháp giảm chiều dữ liệu gene từ hàng ngàn nucleotide về vector RSCU 59 chiều, ứng dụng thành công thuật toán PAM và CLARA để sàng lọc chính xác cụm 5% gene biểu hiện cao (HEG).
  2. Xây dựng mô hình phân loại tương quan gene mục tiêu với hệ thống tế bào vật chủ (E. coli, B. subtilis, Lactococcus) bằng thuật toán XGBoost đạt độ chính xác tối ưu 0,99 (99%).
  3. Phát triển phương pháp định danh loài sinh vật tự động dựa trên K-mer ($K=7$) của vùng gene ITS kết hợp mô hình học tăng cường, phân loại chính xác 17 loài nấm mối với AUC-ROC đạt 0,99, tương thích hoàn hảo với dữ liệu NCBI.
  4. Thiết lập quy trình tiền xử lý tự động (KNNImputer + SMOTE) và mô hình phân loại tăng cường độ dốc, nâng độ chính xác chẩn đoán CoViD-19 từ xét nghiệm máu lên 99,85%.
  5. Đề xuất kiến trúc lai LightGBM - XGBoost giúp rút gọn đặc trưng lâm sàng tự động và phân biệt chính xác tuyệt đối giữa CoViD-19 và Cúm mùa H1N1 với tất cả các chỉ số (Accuracy, Recall, Specificity, F1, ROC) đều đạt 0,99.

Công trình đánh dấu bước tiến quan trọng trong việc ứng dụng học máy tiên tiến vào tính toán y sinh học, mở ra các nhánh nghiên cứu liên ngành đột phá, nâng cao năng lực tự chủ công nghệ sinh dược và hiện đại hóa hệ thống y tế thông minh.