Xây dựng mạng neuron nhận diện sARN trên hệ gen vi khuẩn - Hoàng Minh Huyền

Khóa luận nghiên cứu ứng dụng mạng neuron máy tính trong việc nhận diện trình tự sARN trên hệ gen của vi khuẩn, một giải pháp tin sinh học hiệu quả.

• Tác giả: Hoàng Minh Huyền
• Người hướng dẫn: TS. Đỗ Ngọc Quang
• Trường học: Trường Đại Học Dược Hà Nội
• Chuyên ngành: Dược
• Đề tài: Xây Dựng Mạng Neuron Máy Tính Có Khả Năng Nhận Diện Trình Tự sARN Trên Hệ Gen Của Vi Khuẩn
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Tóm tắt

I. Giới thiệu về sARN trong vi khuẩn

sARN (ARN nhỏ) là những phân tử ARN có kích thước nhỏ, đóng vai trò quan trọng trong điều tiết các quá trình sinh học của vi khuẩn. Những phân tử này tham gia vào việc điều hoà trao đổi chất, hình thành màng sinh học, khả năng vận động và phản ứng stress. Mạng neuron hiện đại giúp nhận diện và phân loại các trình tự sARN một cách hiệu quả từ hệ gen vi khuẩn. Việc phát hiện trình tự sARN giúp các nhà khoa học hiểu rõ hơn về cơ chế sinh bệnh và các quá trình điều tiết gene ở vi khuẩn. Công nghệ học máy đã mở ra những khả năng mới trong việc dự đoán và nhận diện các sARN trên các bộ gen khác nhau.

1.1. Vai trò sinh học của sARN

sARN tham gia điều tiết nhiều quá trình sống của vi khuẩn. Chúng điều hoà trao đổi chất, giúp vi khuẩn thích nghi với các điều kiện môi trường khác nhau. Trình tự sARN cũng liên quan đến hình thành màng sinh học và khả năng vận động của tế bào. Đặc biệt, sARN giúp vi khuẩn phản ứng stress và thích nghi với các điều kiện phát triển khắc nghiệt. Vai trò của sARN trong quá trình sinh bệnh được công nhận rộng rãi, giúp vi khuẩn gây bệnh phát triển hiệu quả.

1.2. Phương pháp tin sinh học hiện đại

Các phương pháp tin sinh học truyền thống sử dụng BLAST để tìm kiếm trình tự sARN có giới hạn về độ chính xác. Phương pháp học máy và mạng neuron tích chập (CNN) mang lại hiệu quả cao hơn trong nhận diện các sARN. Các thuật toán dự đoán sARN dựa trên mạng neuron có khả năng học các đặc trưng phức tạp từ dữ liệu huấn luyện.

II. Kiến trúc và nguyên tắc mạng neuron

Mạng neuron máy tính được xây dựng dựa trên cấu trúc của não bộ con người, bao gồm các lớp neuron kết nối với nhau. Mỗi neuron nhận đầu vào, xử lý thông tin qua các hàm kích hoạt, và tạo ra đầu ra. Mạng neuron tích chập (CNN) được sử dụng để nhận diện trình tự sARN trên hệ gen vi khuẩn vì khả năng phát hiện các mẫu cục bộ trong dữ liệu trình tự. Quá trình luyện tập mạng neuron sử dụng thuật toán tối ưu hoá để giảm thiểu lỗi dự đoán. Hàm Sigmoid, Tanh, ReLU là những hàm kích hoạt phổ biến giúp mạng học các quan hệ phức tạp.

2.1. Mô hình tổng quát mạng neuron

Mô hình perceptron là nền tảng của mạng neuron hiện đại. Nó gồm các tầng đầu vào, tầng ẩn và tầng đầu ra. Mỗi kết nối giữa các neuron có một trọng số quyết định mức độ ảnh hưởng. Hàm kích hoạt giúp mạng học các quan hệ phi tuyến tính. Quá trình lan truyền ngược (backpropagation) điều chỉnh trọng số để cải thiện hiệu suất của mạng.

2.2. Mạng neuron tích chập cho phân tích trình tự

Mạng neuron tích chập (CNN) sử dụng bộ lọc để phát hiện các mẫu trong trình tự sARN. Mỗi bộ lọc quét qua trình tự, tạo ra bản đồ đặc trưng. Lớp tích chập 1 chiều (Conv1D) phù hợp cho dữ liệu chuỗi DNA/ARN. Cấu trúc này giúp mạng nhận diện các đặc trưng ngắn hạn và dài hạn trong hệ gen vi khuẩn.

III. Quá trình xây dựng và đánh giá mạng neuron

Quá trình xây dựng mạng neuron nhận diện sARN bắt đầu với sàng lọc và xử lý dữ liệu từ hệ gen vi khuẩn. Các trình tự sARN được chuẩn hóa về chiều dài và mã hoá thành định dạng phù hợp cho mạng. Luyện tập mạng neuron sử dụng phương pháp thẩm định chéo để đảm bảo độ tin cậy. Thuật toán Gradient Descent được áp dụng để tối ưu hoá các tham số mạng. Đánh giá hiệu suất dựa trên các chỉ số như độ nhạy, độ đặc hiệu, và điểm F1. So sánh mạng neuron với BLAST cho thấy mạng neuron có độ chính xác cao hơn trong nhận diện sARN trên genom vi khuẩn.

3.1. Sàng lọc và xử lý dữ liệu

Dữ liệu sARN được thu thập từ các cơ sở dữ liệu công khai và kiểm tra chất lượng. Các trình tự không hợp lệ hoặc trùng lặp được loại bỏ. Xử lý dữ liệu bao gồm chuẩn hóa chiều dài, mã hoá nucleotide (A, U, G, C) thành vector số. Chia dữ liệu thành tập huấn luyện, xác thực và kiểm tra theo tỷ lệ thích hợp.

3.2. Luyện tập và đánh giá hiệu suất

Luyện tập mạng neuron được thực hiện với phương pháp thẩm định chéo k-fold để tránh overfitting. Mỗi epoch huấn luyện, mạng cập nhật trọng số dựa trên lỗi dự đoán. Đánh giá độ nhạy (Sensitivity) và độ đặc hiệu (Specificity) giúp đánh giá khả năng nhận diện sARN chính xác. Điểm F1 kết hợp cả hai chỉ số này, cung cấp đánh giá toàn diện về hiệu suất mạng neuron.

IV. Ứng dụng thực tiễn và so sánh với phương pháp truyền thống

Mạng neuron được triển khai để nhận diện sARN trên genom vi khuẩn một cách tự động và hiệu quả. Kết quả cho thấy mạng neuron vượt trội hơn BLAST về độ chính xác và tốc độ xử lý. Các chuỗi sARN được dự đoán với độ tin cậy cao, giúp các nhà nghiên cứu xác định chính xác các trình tự sARN trong hệ gen vi khuẩn. Giảm thiểu tài nguyên để vận hành mạng neuron là một lợi thế quan trọng so với các phương pháp truyền thống. Ứng dụng này mở ra hướng đi mới cho nghiên cứu sinh học phân tử và dự đoán gene vi khuẩn.

4.1. So sánh với BLAST trong tìm kiếm sARN

BLAST là công cụ truyền thống, sử dụng so sánh trình tự để tìm kiếm sARN. Tuy nhiên, phương pháp này có giới hạn khi trình tự sARN có độ tương đồng thấp với các chuỗi tham chiếu. Mạng neuron học được đặc trưng của sARN từ dữ liệu, giúp nhận diện các chuỗi mới chính xác hơn. Độ nhạy và độ đặc hiệu của mạng neuron được chứng minh cao hơn BLAST qua các bài kiểm tra.

4.2. Triển khai và tối ưu hoá tài nguyên

Mạng neuron được triển khai dưới dạng ứng dụng phần mềm, có thể chạy trên máy tính cục bộ hoặc máy chủ. Giảm thiểu tài nguyên bằng cách tối ưu hoá kiến trúc mạng, giảm số lượng tham số mà vẫn duy trì hiệu suất cao. Công nghệ này hứa hẹn ứng dụng trong phân tích dữ liệu gen lớn quy mô và **khám phá sARN mới trong các vi khuẩn chưa được nghiên cứu.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ ARN nhỏ ở vi khuẩn (sARN) đóng vai trò quan trọng trong việc điều tiết các quá trình sinh học và gây bệnh ở vi khuẩn, do đó việc phát hiện và xác định vai trò của các sARN ngày càng được quan tâm. Theo truyền thống, các sARN được xác định bằng các kỹ thuật trong phòng thí nghiệm [42, 23]. Tuy nhiên, các phương pháp này được cho là rất tốn kém và không thể xác định được số lượng các sARN. Thay vào đó, sự ra đời của các phương pháp tin sinh học đã thực hiện hiệu quả việc này.

Kể từ năm 2001, khi phương pháp so sánh gen được đề xuất [36], đã có nhiều phương pháp tin sinh học khác ra đời và được áp dụng trong việc phát hiện các sARN, trong đó không thể không kể đến các phương pháp ứng dụng mạng neuron máy tính. Mạng neuron là các mô hình toán học phức tạp có nguyên tắc hoạt động được lấy cảm hứng từ cách hoạt động của các tế bào thần kinh của sinh vật. Ưu điểm nổi bật của mạng neuron là khả năng tự học hỏi và điều chỉnh các tham số trong mô hình dựa trên dữ liệu được cung cấp để có thể giải quyết được các bài toán đề ra. Trong lĩnh vực Y Dược, đã có rất nhiều ứng dụng của mạng neuron như chẩn đoán bệnh và phát hiện sớm ung thư, xác định các tương tác thuốc – mục tiêu, dự đoán cấu trúc bậc hai của ARN,.

Các nghiên cứu sử dụng mạng neuron để phát hiện sARN thường khai thác nhiều đặc điểm khác nhau của sARN và kết hợp với nhiều phương pháp học máy khác như Rừng ngẫu nhiên (Ramdom forest), Máy vector hỗ trợ (Support vector machine) [3, 41, 10]. Nhận thấy sự quan trọng của việc nghiên cứu sARN và ưu điểm vượt trội của mạng neuron, chúng tôi đã thực hiện đề tài “Xây dựng mạng neuron máy tính có khả năng nhận diện trình tự sARN trên hệ gen của vi khuẩn” với mục tiêu xây dựng, luyện tập và lựa chọn được mạng neuron máy tính có khả năng nhận diện trình tự sARN có độ tin cậy cao. Giới thiệu về sARN ở vi khuẩn sARN được biết đến là các ARN do vi khuẩn tạo ra, thường có chiều dài 50 – 500 nucleotid, đóng vai trò quan trọng trong việc điều tiết nhiều quá trình sinh học. Kích thước sARN có kích thước không đồng nhất, nằm trong khoảng 50 – 500 nucleotid.

Hầu hết các sARN hoạt động trên cơ chế cặp với các mARN mục tiêu tại các trình tự tương đối ngắn và bảo thủ được gọi là vùng hạt nhân (vùng seed) [7]. Các vùng seed thường ít hơn 20 nucleotid, ngắn hơn nhiều so với một trình tự sARN hoàn chỉnh. Ví dụ, sARN RybB (81 nucleotid) sử dụng vùng R16 (16 nucleotid) ở đầu 5’ để bắt cặp base với mARN OmpN và ức chế nó [31]. Gần đây cũng đã phát hiện ra các sARN có kích thước nhỏ hơn 50 nucleotid.

Kang và cộng sự đã xác định được các sARN có kích thước trong khoảng 21 – 23 nucleotid ở Escherichia coli (E. coli), chúng được gọi là các microARN-size (msARN) [21]. Vị trí mã hoá sARN Hầu hết các sARN được mã hóa bởi các đoạn gen nằm trong vùng liên gen (IGR). Các sARN đầu tiên được phát hiện nằm trong vùng IGR ở E.

Sau đó hàng chục sARN khác cũng được phát hiện ở E. coli bằng phương pháp tìm kiếm các trình tự bảo thủ trong các vùng IGR [11]. Ngoài ra, trong những năm gần đây người ta còn phát hiện ra các sARN được mã hoá từ các vị trí nằm trong vùng 3’-UTR và 5’-UTR. Ví dụ, sARN SreA và SreB trong Listeria monocytogenes nằm trong 5’-UTR của mARN PrfA [25], sARN DapZ của Salmonella enterica Typhimurium được mã hoá từ một promoter nằm trong 3’-UTR của mARN DapB [8].

Vai trò sinh học Các vai trò sinh học của sARN gồm điều hoà quá trình trao đổi chất, thích ứng với stress. Ngoài ra, sARN còn đóng vai trò quan trọng trong quá trình sinh bệnh của vi khuẩn. Điều hoà quá trình trao đổi chất - Điều hoà chuyển hoá carbohydrate: Ở E. coli, sARN Spot42 (109 nucleotid) ngăn cản quá trình dịch mã của operon GalK – operon mã hóa cho enzym chuyển đổi galactose thành glucose 1-phosphate [4].

- Điều hoà chuyển hoá acid amin: Ở Bacillus subtilis, việc sử dụng arginin đòi hỏi operon RocABC và RocDEF mã hóa cho enzym dị hóa và vận chuyển. - Điều hoà sắt: Khi E. coli ở trong điều kiện thiếu sắt, sARN RyhB (90 nucleotid) làm giảm biểu hiện của các gen mã hóa cho protein chứa sắt không cần thiết [28]. Điều hoà sự hình thành màng sinh học và khả năng vận động Khi E.

coli ở cuối pha log, sARN McaS (95 nucleotid) tương tác với mARN FlhDC làm kích thích sự hình thành roi, đồng thời ức chế biểu hiện của mARN CsgD làm hạn chế hình thành màng sinh học. Ngược lại, khi E. coli bước vào pha cân bằng, sARN CsrB (369 nucleotid) và CsrC (242 nucleotid) cô lập và làm bất hoạt CsrA dẫn đến giảm biểu hiện của FlhDC và tăng biểu hiện của gen Pga, do đó làm tế bào chuyển từ sản xuất roi sang hình thành màng sinh học [29]. Phản ứng stress và thích nghi với điều kiện phát triển - Phản ứng stress acid: Một trong những cách bảo vệ chính của E.

coli khỏi pH acid quá cao là biến đổi glutamat thành acid γ-aminobutyric bởi enzym GadA và GadB, làm tiêu thụ các proton nội bào. Sự biểu hiện của GadA và GadB nằm dưới sự điều hòa gián tiếp của sARN GadY (113 nucleotid) [34]. - Phản ứng stress oxy hoá: Khi E. coli tiếp xúc với hydrogen peroxid, sARN OxyS (109 nucleotid) được phiên mã, sARN này điều hoà hoạt động của nhiều gen để giúp tế bào tránh được những tổn thương do oxy hoá.

Sự bất hoạt OxyS ở E. coli làm tăng đáng kể khả năng gây chết và đột biến trong hydrogen peroxid [1]. 6 - Phản ứng stress thẩm thấu: Ở E. coli, sARN RprA (105 nucleotid) kích thích tổng hợp RpoS để đáp ứng với stress thẩm thấu.

Chủng đột biến không có RprA bị ảnh hưởng bởi shock thẩm thấu khi phát triển trong môi trường tối thiểu [26]. - Thích nghi với điều kiện tăng trưởng hiếu khí hoặc kỵ khí: E. coli có khả năng phát triển trong cả môi trường hiếu khí và kỵ khí. sARN FnrS trong điều kiện kỵ khí sẽ điều chỉnh giảm các mARN mã hóa enzym chuyển hóa năng lượng như MaeA, GpmA, FolE, FolX, SodB,.

sARN ArcZ được tạo ra trong điều kiện hiếu khí, có tác dụng ức chế ArcA (kiểm soát hô hấp hiếu khí) bằng cách tương tác với ArcB [27]. Vai trò của sARN trong quá trình sinh bệnh của vi khuẩn Trong quá trình gây bệnh, vi khuẩn phải thích nghi nhanh chóng với các điều kiện môi trường thay đổi trong vật chủ để sống sót trong các hốc cơ thể và tránh tiếp xúc với hệ miễn dịch. Các sARN tham gia điều hòa các gen liên quan đến quá trình trao đổi chất, hình thành màng sinh học, phản ứng stress, qua đó tác động đến khả năng tồn tại vi khuẩn trong quá trình lây nhiễm. Ngoài ra, một số sARN đã được chứng minh là có thể điều chỉnh sự tổng hợp các yếu tố độc lực và các đặc điểm gây bệnh khác.

Ở Pseudomonas aeruginosa, sARN RsmY và RsmZ liên quan đến tổng hợp pyocyanin, hydrogen cyanid, PA-IL lectin, lipase, rhamnolipids,.hầu hết các chất này có thể hoạt động như các yếu tố độc lực [16]. Mã hoá cho protein sARN thường được biết đến là các đoạn ARN không mã hóa do không có khung đọc mở (ORF). Tuy nhiên vẫn có những sARN mã hoá cho các peptid ngắn, được gọi là sARN chức năng kép [35]. Ví dụ ARNIII ở Staphylococcus aureus điều chỉnh sự biểu hiện của mARN mã hóa cho các yếu tố độc lực, sARN này cũng mã hóa peptit tan máu δ-hemolysin (26 acid amin) [6], hay SgrS ở E.

coli có thể kiểm soát biểu hiện gen sau phiên mã thông qua bắt cặp với mARN và mã hóa protein SgrT (43 acid amin) để phản ứng với stress glucose-phosphat [24]. Các họ sARN 7 Các sARN được phân loại thành các họ dựa vào sự tiến hoá, các sARN trong cùng họ có những điểm tương đồng trong trình tự sơ cấp, cấu trúc thứ cấp, vai trò sinh học và cơ chế điều hoà [20]. Ví dụ họ CsrB gồm các sARN chứa nhiều vị trí liên kết CsrA và hoạt động như chất đối kháng CsrA bằng cách cô lập protein này, các sARN này tham gia vào hệ thống điều hoà quá trình chuyển hóa carbon, sản xuất các sản phẩm ngoại bào, sự hình thành màng sinh học, quorum sensing và cơ chế gây bệnh [2]. Các phương pháp tin sinh học trong nghiên cứu sARN Hiện nay có nhiều phương pháp tin sinh học để dự đoán sARN.

Có phương pháp dựa trên sự bắt cặp trình tự như BLAST, FASTA, CLUSTALW,. Có phương pháp dựa trên phân tích cấu trúc thứ cấp như RNAMotif. Hoặc dựa trên cả trình tự sơ cấp và cấu trúc thứ cấp như thuật toán Stochastic Context Free Grammar (SCFG), Easy RNA Profile IdentificatioN (ERPIN), chương trình MSARI, công cụ INFERNAL,. BLAST Basic Local Alignment Search Tool (BLAST) là một công cụ cơ bản của tin sinh học để so sánh các chuỗi sinh học, gồm cả chuỗi amino acid và chuỗi nucleotid.

BLAST giúp tìm kiếm các trình tự giống với trình tự mà ta quan tâm (được gọi là trình tự truy vấn) trong cơ sở dữ liệu các trình tự. Thuật toán của BLAST có 2 phần: phần tìm kiếm và phần đánh giá thống kê các kết quả tìm được. Thuật toán tìm kiếm của BLAST bao gồm 3 bước: - Bước 1: BLAST xoá các vùng có độ phức tạp thấp khỏi trình tự truy vấn để giảm các kết quả không có ý nghĩa về mặt sinh học. Sau đó tạo một danh sách tất cả các trình tự con có độ dài 11 nucleotid từ trình tự truy vấn.

BLAST sử dụng ma trận cho điểm PAM hoặc BLOSUM để chọn ra các chuỗi con có điểm cao hơn một ngưỡng nhất định (ngưỡng T). - Bước 2: BLAST tìm kiếm trong cơ sở dữ liệu các kết quả khớp chính xác với các trình tự con đã chọn. Nếu tìm thấy 1 kết quả phù hợp, nó sẽ được sử dụng để khởi đầu sự bắt cặp giữa trình tự truy vấn và trình tự của cơ sở dữ liệu. 8 - Bước 3: BLAST mở rộng sự bắt cặp từ các kết quả phù hợp theo cả hai hướng, đồng thời tính điểm.

Quá trình mở rộng kết thúc khi điểm không thể tăng được nữa. Những bắt cặp sau khi được mở rộng có điểm cao hơn một ngưỡng nhất định (ngưỡng S) thì được gọi là High-scoring pair (HSP).