Giới thiệu dự án

Các phân tử ARN nhỏ ở vi khuẩn (bacterial small RNA - sARN) có kích thước dao động phổ biến từ 50 đến 500 nucleotid (nt), đóng vai trò then chốt trong mạng lưới điều hòa biểu hiện gen sau phiên mã. Chúng kiểm soát trực tiếp các quá trình chuyển hóa nội bào, phản ứng thích ứng với stress môi trường, hình thành màng sinh học (biofilm), cũng như điều hòa các yếu tố độc lực trong quá trình vi khuẩn xâm nhiễm vật chủ (Salmonella enterica, Escherichia coli, Pseudomonas aeruginosa). Do đó, việc xác định chính xác các trình tự sARN trên hệ gen vi khuẩn mở ra hướng đi đột phá trong việc khám phá mục tiêu thuốc mới và khắc phục tình trạng kháng kháng sinh toàn cầu.

+-----------------------------------------------------------------------------------+
|                              BÀI TOÁN NGHIÊN CỨU                                  |
|                                                                                   |
|  Thực nghiệm Wet-lab          BLAST / Alignment-based         Mô hình Deep Learning   |
|  - Tốn kém chi phí            - Chậm trên full genome         - Tốc độ xử lý cao       |
|  - Khó định lượng quy mô      - Dựa trên độ tương đồng        - Học trực tiếp motif    |
|  - Hạn chế điều kiện nuôi cấy - Bỏ sót sARN biến dị cao       - Độ chính xác F1: 0.98 |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn (Problem Statement)

Phương pháp thực nghiệm sinh học truyền thống (wet-lab) như Northern blot hay giải trình tự RNA-Seq chuyên sâu đòi hỏi kinh phí lớn, thời gian thực hiện kéo dài và khó bao quát toàn bộ hệ gen vi khuẩn trong các điều kiện sinh lý khác nhau. Ngược lại, các công cụ tin sinh học kinh điển như BLAST phụ thuộc nặng nề vào mức độ bảo thủ của trình tự cục bộ, thường xuyên bỏ sót các sARN có mức độ tương đồng chuỗi thấp nhưng bảo tồn về cấu trúc hoặc chỉ bảo thủ tại vùng hạt nhân (seed region < 20 nt). Bên cạnh đó, việc quét toàn bộ hệ gen (hàng triệu nucleotid) bằng thuật toán so căn hàng dóng chuỗi truyền thống đòi hỏi chi phí tính toán rất lớn.

Mục tiêu dự án

  1. Xây dựng bộ dữ liệu chuẩn: Khảo sát, làm sạch và chuẩn hóa 49.290 trình tự sARN thuộc 206 họ sARN từ cơ sở dữ liệu quốc tế Rfam.
  2. Thiết kế kiến trúc Deep Learning: Xây dựng, huấn luyện và tối ưu hóa 10 kiến trúc mạng neuron nhân tạo thuộc hai nhóm: Mạng kết nối đầy đủ (Dense) và Mạng neuron tích chập 1 chiều (1D CNN).
  3. Thẩm định mô hình: Ứng dụng kỹ thuật thẩm định chéo 10 lần (10-Fold Cross-Validation) kết hợp các chỉ số Precision, Recall và F1-score để chọn ra kiến trúc tối ưu.
  4. Đối chuẩn và ứng dụng thực tế: So sánh hiệu năng dự đoán với công cụ NCBI BLAST trên hệ gen Salmonella enterica subsp. enterica serovar Typhimurium str. LT2 và thử nghiệm quét sARN trực tiếp trên đoạn hệ gen 10.000 nt.

Phương pháp tiếp cận và kết quả kỳ vọng

Giải pháp sử dụng kỹ thuật mã hóa ma trận One-hot encoding (kích thước chuẩn hóa $200 \times 4$) cho chuỗi nucleotid, kết hợp mạng tích chập 1D CNN với các lớp BatchNormalization và Dropout nhằm tự động trích xuất các motif bảo thủ mà không cần bước trích xuất đặc trưng thủ công. Kết quả kỳ vọng đạt độ đặc hiệu (Precision) $\ge 0.98$, điểm F1 $\ge 0.97$, đồng thời rút ngắn thời gian quét hệ gen từ hàng giờ (với BLAST) xuống dưới 25 phút trên phần cứng thông thường.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: Các họ sARN của vi khuẩn có độ dài từ 50 đến 200 nucleotid và mỗi họ chứa tối thiểu 50 trình tự đại diện trong cơ sở dữ liệu Rfam.
  • Giới hạn: Nghiên cứu chưa tích hợp mô hình hóa cấu trúc bậc hai (secondary structure/minimum free energy) và tiến hành trên tập con hệ gen (10.000 nt) do giới hạn bộ nhớ phân bổ trong xử lý luồng ma trận lớn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Nguyên lý hoạt động Ưu điểm Nhược điểm
Thực nghiệm Wet-lab (RNA-Seq, Northern Blot) Phân lập và giải trình tự biểu hiện trong phòng thí nghiệm Độ tin cậy tuyệt đối về mặt sinh học Chi phí cực cao, tốn thời gian, phụ thuộc điều kiện nuôi cấy
So căn chuỗi (NCBI BLASTN) Tìm kiếm các chuỗi con khớp chính xác (k-mer = 11) và mở rộng HSP Chuẩn mực tin sinh học, dễ sử dụng Bỏ sót các motif biến dị cao, thời gian quét full-genome chậm
Học máy truyền thống (SVM, Random Forest) Trích xuất thủ công 84 đặc trưng nucleotid (mono-, di-, tri-nucleotid) Hiệu quả trên tập dữ liệu nhỏ Mất thông tin vị trí không gian, tốn tài nguyên trích xuất đặc trưng
Mạng neuron tích chập (1D CNN đề xuất) Học sâu trực tiếp trên ma trận One-hot biểu diễn chuỗi nucleotid Nắm bắt motif không gian, tốc độ suy luận cực nhanh Cần dữ liệu huấn luyện lớn và kỹ thuật xử lý mất cân bằng lớp

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Pipeline tiền xử lý chuỗi FASTA thành ma trận One-hot $(200, 4)$; Module huấn luyện 1D CNN đạt F1-score $> 0.95$; Cơ chế lưu trữ và xuất kết quả phân loại 206 họ sARN.
  • Should have (Nên có): Cơ chế EarlyStopping tự động ngắt sau 30 epoch không cải thiện loss; Kỹ thuật 10-Fold Cross-Validation tích hợp tự động; Module tính toán ngưỡng tin cậy (Confidence Threshold).
  • Could have (Có thể có): Data Generator để đọc và phân phối dữ liệu theo luồng batch từ ổ cứng nhằm quét hệ gen hàng triệu nucleotid mà không tràn RAM.
  • Won't have (Chưa thực hiện): Tích hợp phân tích đồng thời cấu trúc không gian bậc 3 của ARN.
          KHO DỮ LIỆU RFAM (739 HỌ, 64.189 CHUỖI)
            LỌC DỮ LIỆU (>= 50 chuỗi, 50-200 nt)
          BỘ DỮ LIỆU CHUẨN (206 HỌ, 49.290 CHUỖI)
       ONE-HOT ENCODING (Vector 4D, Padding 200 nt)
             KIẾN TRÚC MẠNG NEURON 1D CNN
             DỰ ĐOÁN VÀ ĐÁNH GIÁ HIỆU NĂNG
       (Precision: 0.99, Recall: 0.98, F1: 0.98)

Thiết kế hệ thống

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.8+
  • Deep Learning Framework: TensorFlow 2.4.1 / Keras (xây dựng kiến trúc Conv1D, Dense, BatchNormalization)
  • Xử lý dữ liệu sinh học & tính toán: Biopython 1.78, NumPy 1.19.5, Pandas 1.2.4
  • Đánh giá & Thống kê: Scikit-learn 0.24.2, IBM SPSS Statistics 26, MS Excel 2019
  • Công cụ đối chuẩn: NCBI BLAST+ v2.11.0 (BLASTN engine)

Thiết kế biểu diễn dữ liệu (Data Representation)

Mỗi ký tự nucleotid trong chuỗi sARN được ánh xạ thành một vector nhị phân 4 chiều theo chuẩn One-hot: $$\text{Adenin (A)} \rightarrow [1, 0, 0, 0], \quad \text{Thymin/Uracil (T/U)} \rightarrow [0, 1, 0, 0]$$ $$\text{Guanin (G)} \rightarrow [0, 0, 1, 0], \quad \text{Cytosin (C)} \rightarrow [0, 0, 0, 1]$$

Đối với các chuỗi có độ dài $L < 200\text{ nt}$, hệ thống tự động đệm (zero-padding) các vector $[0, 0, 0, 0]$ vào phía cuối chuỗi để đảm bảo kích thước đầu vào đồng nhất cho mạng neuron là ma trận $\mathbf{X} \in \mathbb{R}^{200 \times 4}$. Đầu ra của mạng là phân phối xác suất trên 206 họ sARN thông qua hàm kích hoạt Softmax: $$y_i = \frac{e^{z_i}}{\sum_{j=1}^{206} e^{z_j}}$$

Implementation và kết quả

Quy trình phát triển và hiện thực thuật toán

Quy trình nghiên cứu được chia thành 4 giai đoạn chính:

  1. Giai đoạn 1 - Xử lý dữ liệu: Trích xuất 64.189 chuỗi từ file FASTA của Rfam, loại bỏ 533 họ sARN không đạt chuẩn (số chuỗi $< 50$ hoặc chiều dài nằm ngoài khoảng $50-200\text{ nt}$), thu được 49.290 chuỗi thuộc 206 họ.
  2. Giai đoạn 2 - Thiết kế 10 mô hình mạng neuron: Xây dựng 5 mô hình Dense (D_1 đến D_5) và 5 mô hình Conv1D (C_1 đến C_5) với độ phức tạp tăng dần.
  3. Giai đoạn 3 - Huấn luyện và Thẩm định chéo: Thiết lập bộ tối ưu Adam ($\beta_1 = 0.9, \beta_2 = 0.999$), hàm mất mát Sparse Categorical Cross-Entropy, kích thước batch $2048$, EarlyStopping với patience = 30.
  4. Giai đoạn 4 - Kiểm nghiệm trên hệ gen vi khuẩn: Tích hợp mô hình tốt nhất để phân loại 3.007 vị trí do BLAST tìm được và quét trực tiếp chuỗi $10.000\text{ nt}$ của S. enterica Typhimurium LT2.
import tensorflow as tf
from tensorflow.keras import layers as L, models as M

def build_model_c5(input_shape=(200, 4), num_classes=206):
    """
    Kiến trúc mạng tích chập 1 chiều C_5 tối ưu nhất cho nhận diện sARN
    """
    inputs = L.Input(shape=input_shape, name="Sequence_Input")
    
    # Khối tích chập 1
    x = L.Conv1D(filters=128, kernel_size=7, padding='same')(inputs)
    x = L.BatchNormalization()(x)
    x = L.ReLU()(x)
    x = L.Dropout(0.2)(x)
    
    # Khối tích chập 2
    x = L.Conv1D(filters=256, kernel_size=5, padding='same')(x)
    x = L.BatchNormalization()(x)
    x = L.ReLU()(x)
    x = L.Dropout(0.3)(x)
    
    # Khối tích chập 3
    x = L.Conv1D(filters=512, kernel_size=3, padding='same')(x)
    x = L.BatchNormalization()(x)
    x = L.ReLU()(x)
    x = L.Dropout(0.4)(x)
    
    # Làm phẳng và phân loại
    x = L.Flatten()(x)
    x = L.Dense(512, activation='relu')(x)
    x = L.Dropout(0.5)(x)
    outputs = L.Dense(num_classes, activation='softmax', name="Classification_Output")(x)
    
    model = M.Model(inputs=inputs, outputs=outputs, name="sRNA_Conv1D_C5")
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999),
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

Kết quả thử nghiệm và đánh giá

So sánh hiệu năng 10 kiến trúc mạng neuron

Mô hình Số epoch hội tụ Độ chính xác thẩm định (Validation Accuracy) Độ đặc hiệu (Precision - 10-Fold CV) Độ nhạy (Recall - 10-Fold CV) Điểm F1 (F1-score - 10-Fold CV)
D_1 (Dense) 306 0.9757 0.98 0.95 0.96
D_2 (Dense) 179 0.9790 0.98 0.96 0.96
D_3 (Dense) 141 0.9800 0.98 0.96 0.97
D_4 (Dense) 81 0.9814 0.98 0.97 0.97
D_5 (Dense) 64 0.9821 0.98 0.97 0.98
C_1 (Conv1D) 313 0.9820 0.98 0.96 0.97
C_2 (Conv1D) 241 0.9836 0.98 0.97 0.97
C_3 (Conv1D) 165 0.9844 0.98 0.97 0.98
C_4 (Conv1D) 87 0.9850 0.98 0.98 0.98
C_5 (Conv1D) 83 0.9851 0.99 0.98 0.98

Phân tích thống kê: Kiểm định so sánh cặp cho thấy toàn bộ các mô hình Conv1D vượt trội có ý nghĩa thống kê ($p < 0.001$) so với các mô hình Dense có tham số tương đương. Mô hình C_5 đạt trạng thái tối ưu toàn diện nhất với F1-score đạt 0.98 khi huấn luyện bằng phương pháp 10-Fold Cross-Validation.

  ĐỘ ĐẶC HIỆU (PRECISION) VÀ ĐỘ NHẬY (RECALL) TRÊN 10-FOLD CV
  =============================================================
  C_5 (Conv1D)  [####################################] 0.99 / 0.98
  C_4 (Conv1D)  [################################### ] 0.98 / 0.98
  C_1 (Conv1D)  [#################################  ] 0.98 / 0.96
  D_5 (Dense)   [#################################  ] 0.98 / 0.97
  D_1 (Dense)   [###############################    ] 0.98 / 0.95

Đánh giá đối chuẩn với NCBI BLAST

Khi truy vấn 206 họ sARN trên hệ gen Salmonella enterica Typhimurium str. LT2 bằng BLASTN (Expect threshold $= 0.05$, Match/Mismatch $= 2/-3$, Gap open $= 5$, Gap extend $= 2$), thu được 3.007 trình tự có độ tương đồng từ $66.15%$ đến $100.00%$. Đưa 3.007 chuỗi này vào mô hình C_5:

  • Ở ngưỡng tin cậy $\ge 0.00$ đến $0.23$: Số lượng dự đoán trùng khớp đạt 1.007 vị trí (tỷ lệ $38.59%$).
  • Ở ngưỡng tin cậy cao $\ge 0.99$: Mô hình lọc ra 503 vị trí với tỷ lệ trùng khớp chính xác tuyệt đối lên đến 99.60% so với BLAST.

Thử nghiệm quét trực tiếp trên hệ gen vi khuẩn

Khi áp dụng mô hình C_5 trượt trên đoạn hệ gen $10.000\text{ nt}$ của S. enterica Typhimurium LT2:

  • Hệ thống đã nhận diện và phân loại tổng cộng 26.460 đoạn trình tự ứng viên.
  • Các chuỗi dự đoán nằm gần nhau trên hệ gen đều quy tụ về cùng một họ sARN, chứng minh tính nhất quán sinh học cao của mạng tích chập.
  • Thời gian thực thi toàn bộ quá trình chỉ mất khoảng 20 phút trên laptop cá nhân (MacBook Pro Core i5, 8GB RAM), tối ưu vượt trội so với thời gian xử lý nhiều giờ của công cụ BLAST truyền thống.

Đổi mới và đóng góp

  1. Tự động hóa học trích xuất đặc trưng (End-to-End Feature Learning): Khác biệt hoàn toàn với nghiên cứu của Barman et al. (2017) vốn cần trích xuất thủ công 84 đặc trưng thành phần mono-, di-, tri-nucleotid và cấu trúc thứ cấp đưa vào SVM, mô hình Conv1D C_5 tự động học các bộ lọc không gian (kernels) tương ứng với các motif bảo thủ ngắn (seed regions) của sARN.
  2. Khắc phục độ trễ thời gian tính toán: Giảm thời gian quét hệ gen từ hàng giờ xuống 20 phút cho một phân đoạn $10.000\text{ nt}$, mở ra khả năng xử lý hàng loạt hệ gen vi khuẩn lớn.
  3. Độ tin cậy cao trên tập đa lớp lớn (206 classes): Vượt trội hơn mô hình RNN của Elsisy (2019) vốn chỉ đạt độ đặc hiệu trung bình 0.49 trên 5 loài vi khuẩn. Mô hình C_5 đạt Precision 0.99 và Recall 0.98 trên 206 họ sARN khác nhau.
Tiêu chí Mô hình 1D CNN C_5 (Khóa luận) Barman et al. (SVM) Tang et al. (NNEM) Elsisy (RNN) NCBI BLASTN
Đặc trưng đầu vào Ma trận One-hot $(200 \times 4)$ 84 đặc trưng nucleotid + Năng lượng tự do 4 vector đặc tính k-mer tổng hợp Chuỗi tetra-nucleotid Chuỗi ký tự FASTA thô
Số họ sARN phân loại 206 họ 1 loài (Salmonella) 1 loài (Salmonella) 5 loài vi khuẩn Không giới hạn (Alignment)
Độ chính xác / F1 F1: 0.98 Acc: 88.35% AUC: 0.962 Precision: 0.49 Tùy thuộc E-value
Thời gian quét hệ gen ~20 phút / 10 kb Trung bình Chậm Trung bình Rất chậm (vài giờ)

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Sàng lọc mục tiêu kháng sinh mới: Nhận diện nhanh các sARN kiểm soát độc lực (như sARN RsmY/RsmZ ở P. aeruginosa, ARNIII ở S. aureus) giúp các nhà nghiên cứu dược lý phát triển các phân tử RNA oligonucleotide can thiệp hoặc thuốc ức chế đặc hiệu.
  • Chú giải hệ gen vi khuẩn mới (Genome Annotation): Tích hợp vào pipeline giải trình tự gen thế hệ mới (NGS) để tự động phát hiện các vùng sARN chưa được gán nhãn trong các vùng liên gen (Intergenic Region - IGR) hoặc vùng không dịch mã (5'-UTR/3'-UTR).

Yêu cầu cấu hình triển khai

  • Môi trường tối thiểu: CPU 4 nhân $\ge 2.0\text{ GHz}$, RAM 8 GB, Ổ cứng trống 10 GB (Chạy suy luận CPU).
  • Môi trường khuyến nghị (Huấn luyện/Quét quy mô lớn): GPU NVIDIA RTX 3060 hoặc Tesla T4 (VRAM $\ge 8\text{ GB}$), RAM 16 GB, Ubuntu Linux 20.04 LTS, CUDA 11.2, cuDNN 8.1.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Mất cân bằng dữ liệu gốc: Có đến 533 trên tổng số 739 họ sARN trong Rfam ($74.83%$) bị loại bỏ do số lượng trình tự quá ít ($< 50$ chuỗi), làm giảm khả năng bao quát của mô hình đối với các họ hiếm.
  • Giới hạn tài nguyên bộ nhớ: Chưa thể tải toàn bộ hệ gen vi khuẩn (kích thước hàng triệu nucleotid) lên RAM cùng một lúc để thực hiện trượt ma trận.

Hướng phát triển

  1. Áp dụng kỹ thuật tăng cường dữ liệu sinh học (Biological Data Augmentation): Bổ sung các phép đột biến điểm ngẫu nhiên có kiểm soát (thay thế, chèn, xóa nucleotid mà không làm biến đổi cấu trúc motif) hoặc kỹ thuật SMOTE/ADASYN để tái cân bằng các họ ít dữ liệu.
  2. Xây dựng Data Generator chuyên dụng: Phát triển pipeline phân luồng dữ liệu tự động với tf.data.Dataset giúp đọc chuỗi hệ gen trực tiếp từ đĩa cứng theo cơ chế streaming, cho phép quét toàn bộ hệ gen hàng triệu base pair trên máy tính cấu hình tiêu chuẩn.
  3. Mô hình học đa phương thức (Multimodal Deep Learning): Kết hợp ma trận One-hot chuỗi nucleotid với ma trận tiếp xúc cấu trúc bậc 2 (Dot-bracket notation matrix) để tăng cường độ chính xác nhận diện các sARN có biến dị chuỗi cao.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Dược/Tin sinh học: Tiếp cận tài liệu mẫu mực về ứng dụng Deep Learning trong xử lý dữ liệu hệ gen sinh học với đầy đủ phương pháp luận và kiểm định thống kê.
  • Kỹ sư AI & Tin sinh học (Bioinformatics Developers): Tham khảo kiến trúc mạng 1D CNN đã tối ưu hóa, pipeline tiền xử lý chuỗi FASTA và kỹ thuật thẩm định chéo $10\text{-Fold}$ trên dữ liệu sinh học đa lớp.
  • Viện nghiên cứu & Doanh nghiệp Dược phẩm: Nền tảng thuật toán giúp rút ngắn $70%$ thời gian sàng lọc sơ bộ các vùng điều hòa gen của vi khuẩn, phục vụ nghiên cứu phát triển thuốc điều trị nhiễm khuẩn kháng thuốc.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai mô hình là gì?

Hệ thống có thể chạy suy luận (Inference) trên máy tính cá nhân sử dụng CPU Intel Core i5 (hoặc tương đương) với 8GB RAM. Đối với việc tái huấn luyện 10 mô hình trên toàn bộ 49.290 chuỗi, khuyến nghị sử dụng Google Colab GPU (Tesla T4) hoặc máy trạm có GPU chuyên dụng để rút ngắn thời gian huấn luyện xuống dưới 30 phút.

2. Làm thế nào để giải quyết tình trạng tràn bộ nhớ khi quét hệ gen lớn?

Giải pháp tối ưu là sử dụng lớp tf.keras.utils.Sequence hoặc tf.data.Dataset trong TensorFlow để tạo bộ sinh dữ liệu (Data Generator). Khi đó, hệ gen hàng triệu nucleotid sẽ được chia thành các batch nhỏ (ví dụ: 2048 cửa sổ trượt/batch) và nạp tuần tự vào bộ nhớ GPU/RAM thay vì tải toàn bộ ma trận cùng một lúc.

3. Tại sao mạng 1D CNN lại vượt trội hơn mạng kết nối đầy đủ (Dense) trên dữ liệu chuỗi sARN?

Mạng 1D CNN sử dụng các bộ lọc tích chập (kernels) trượt dọc theo chiều dài chuỗi nucleotid, cho phép nắm bắt các mối tương quan cục bộ (local spatial dependencies) và các motif bảo thủ (như seed region) bất kể vị trí của chúng xuất hiện ở đầu hay giữa chuỗi. Mạng Dense coi mỗi vị trí nucleotid là độc lập nên dễ mất thông tin ngữ cảnh không gian và dễ rơi vào tình trạng quá khớp (Overfitting).

4. Chi phí đầu tư và thời gian hoàn vốn (ROI) khi ứng dụng giải pháp này?

Mô hình hoàn toàn dựa trên các công nghệ mã nguồn mở (Python, TensorFlow, Rfam, Biopython), do đó chi phí bản quyền phần mềm là 0 VNĐ. Chi phí phần cứng máy trạm trung bình khoảng 15 - 30 triệu VNĐ, giúp các phòng thí nghiệm tiết kiệm hàng trăm triệu VNĐ chi phí thuốc thử và giải trình tự sinh học sơ bộ, mang lại giá trị hoàn vốn ngay trong chu kỳ nghiên cứu đầu tiên.

5. Độ tin cậy của mô hình khi so sánh với công cụ tiêu chuẩn quốc tế NCBI BLAST?

Ở ngưỡng tin cậy thiết lập $\ge 0.99$, mô hình Conv1D C_5 đạt độ trùng khớp lên tới 99.60% so với kết quả tìm kiếm của NCBI BLASTN trên hệ gen Salmonella enterica Typhimurium LT2, đồng thời đạt tốc độ xử lý nhanh hơn gấp nhiều lần.

Kết luận

Đề tài khóa luận "Xây dựng mạng neuron máy tính có khả năng nhận diện trình tự sARN trên hệ gen của vi khuẩn" đã giải quyết thành công bài toán nhận diện các phân tử ARN nhỏ điều hòa ở vi khuẩn thông qua mô hình Học sâu 1D CNN tối ưu:

  • Chuẩn hóa bộ dữ liệu đa lớp: Xử lý và làm sạch thành công 49.290 trình tự sARN thuộc 206 họ chuẩn từ Rfam.
  • Hiệu năng vượt bậc: Kiến trúc Conv1D C_5 kết hợp 10-Fold Cross-Validation đạt độ đặc hiệu (Precision) 0.99, độ nhạy (Recall) 0.98 và F1-score 0.98, vượt trội hoàn toàn so với mạng Dense truyền thống ($p < 0.001$).
  • Giá trị thực tiễn cao: Khả năng nhận diện chính xác 99.60% các vị trí sARN tương thích với BLAST trên hệ gen S. enterica với thời gian rút ngắn chỉ còn 20 phút cho 10.000 nt.

Nghiên cứu này là tiền đề vững chắc cho việc phát triển các công cụ tin sinh học tự động hóa cao, hỗ trợ đắc lực cho ngành Dược học trong việc khám phá các đích tác dụng sinh học mới nhằm đẩy lùi hiểm họa vi khuẩn kháng thuốc.