Luận án tiến sĩ nghiên cứu phát triển mô hình động lực cạnh tranh trong mạng thông tin phức hợp và ứng dụng dự đoán gen điều trị ung thư

Luận án tiến sĩ nghiên cứu nghiên cứu phát triển mô hình động lực cạnh tranh trong mạng thông tin phức hợp và ứng dụng dự đoán, phân tích chuyên sâu, xây dựng mô hình lý thuyết,

• Tác giả: Phạm Đắc Tình
• Người hướng dẫn: TS. Trần Tiến Dũng
• Trường học: Học Viện Khoa Học Và Công Nghệ Việt Nam
• Chuyên ngành: Khoa Học Và Công Nghệ
• Đề tài: Mô Hình Động Lực Cạnh Tranh Trong Mạng Thông Tin Phức Hợp Và Ứng Dụng Dự Đoán Gen Điều Trị Ung Thư
• Loại tài liệu: luận án
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VÀ XẾP HẠNG ĐÁ ĐOÁN GEN MỤC TIÊU ĐIỀU TRỊ UNG THƯ
• 1.1. Bài toán xếp hạng để dự đoán gen bệnh
• 1.2. Biểu diễn đã thể trên máy tính
• 1.3. Dữ liệu và mô hình hóa dữ liệu mạng sinh học
• 1.4. Các phương pháp và nghiên cứu liên quan dự đoán gen điều trị bệnh dựa trên mạng phức hợp
• 1.5. Thuộc tính gần gũi của mắt đỉnh
• 1.6. Thuộc tính gần gũi theo thầy bác của đỉnh
• 1.7. Thuộc tính trung tâm giữa của mắt đỉnh
• 1.8. Thuật toán bậc nhảy ngẫu nhiên có quay lui
• 1.9. Thuật toán ORIENT
• 1.10. Thuật toán sử dụng xác suất tiên nhiễm PRINCE
• 1.11. Tổng quan và mạng quy mô lớn
• 1.12. Khái niệm mạng quy mô lớn
• 1.13. Mật sá hàng nghiên cứu trên mạng quy mô lớn
• 1.14. Mô hình động lắc mạng
• 2. CHƯƠNG 2: MÔ HÌNH ĐỘNG LẮC CẠNH TRANH TRÊN MẠNG PHỨC HỢP ẲNG ĐANG TRONG DỰ ĐOÁN GEN ĐIỀU TRỊ UNG THƯ
• 2.1. Mô hình động lắc cạnh tranh trên mạng phức hợp
• 2.2. Đề xuất mô hình động lắc cạnh tranh ngoài trên mạng phức hợp
• 2.3. Xây dựng thuật toán của mô hình động lắc cạnh tranh ngoài
• 2.4. Ý tưởng của thuật toán
• 2.5. Chức năng, đầu vào, đầu ra của thuật toán
• 2.6. Số đã lượng và mã giá của thuật toán
• 2.7. Đánh giá đa phức tạp của thuật toán
• 2.8. Xây dựng hệ thống dự đoán gen điều trị ung thư sử dụng mô hình động lắc học cạnh tranh ngoài
• 2.9. Bài toán dự đoán gen mục tiêu điều trị ung thư
• 2.10. Dữ liệu thí nghiệm
• 2.11. Sơ tổng quan giữa các phép đo
• 2.12. Mô hình tăng tốc hệ thống chẩn đoán gen ung thư dựa trên mạng phức hợp
• 2.13. Kết quả dự đoán gen mục tiêu điều trị ung thư
• 2.14. So sánh kết quả dự đoán
• 3. CHƯƠNG 3: TƯƠNG TÁC GIÁN TIẾP TRONG MÔ HÌNH ĐỘNG LẮC CẠNH TRANH NGOÀI VÀ ẲNG ĐANG DÃ ĐOÁN GEN ĐIỀU TRỊ UNG THƯ
• 3.1. Đề xuất mô hình tính toán tương tác gián tiếp động lắc cạnh tranh ngoài
• 3.2. Mô hình tính toán tương tác trực tiếp động lắc cạnh tranh ngoài
• 3.3. Đề xuất mô hình tính toán gián tiếp động lắc cạnh tranh ngoài
• 3.4. Xây dựng thuật toán tính toán tương tác gián tiếp động lắc cạnh tranh ngoài
• 3.5. Thuật toán tính toán ma trận khoảng cách
• 3.6. Thuật toán tính toán ma trận ảnh hưởng
• 3.7. Thuật toán tính tăng số ảnh hưởng trên mỗi đỉnh mạng
• 3.8. Tính toán hiệu năng cao cho mô hình động lắc cạnh tranh ngoài
• 3.9. Xây dựng thuật toán tính toán hiệu năng cao cho mô hình
• 3.10. Thiết kế công cụ phần mềm tính toán hiệu năng cao
• 3.11. Đánh giá tác động tính toán của thuật toán
• 3.12. Dữ liệu thí nghiệm
• 3.13. Kiến trúc của mô hình dự đoán
• 3.14. Kết quả dự đoán gen mục tiêu điều trị ung thư
• 3.15. So sánh kết quả dự đoán với các nghiên cứu khác
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Danh mục các công trình đã công bố
• 4.2. Tài liệu tham khảo
• PHỤ LỤC

Tóm tắt

I. Tổng quan về mô hình động lực cạnh tranh

Mô hình động lực cạnh tranh trong mạng thông tin phức hợp là một khái niệm quan trọng trong nghiên cứu hiện nay. Mô hình này giúp phân tích các tương tác giữa các tác nhân trong mạng, từ đó xác định được các yếu tố ảnh hưởng đến sự phát triển và cạnh tranh trong hệ thống. Việc áp dụng mô hình này vào dự đoán gen điều trị ung thư mở ra nhiều cơ hội mới trong lĩnh vực y học chính xác. Theo nghiên cứu, các mô hình động lực cạnh tranh có thể giúp tối ưu hóa quá trình điều trị bằng cách xác định các gen mục tiêu có liên quan đến bệnh lý. Điều này không chỉ giúp nâng cao hiệu quả điều trị mà còn giảm thiểu tác dụng phụ cho bệnh nhân.

1.1. Khái niệm và ứng dụng

Khái niệm mô hình động lực cạnh tranh được xây dựng dựa trên lý thuyết mạng và các thuật toán phân tích dữ liệu. Mô hình này cho phép nghiên cứu các mối quan hệ phức tạp giữa các gen và các yếu tố môi trường. Ứng dụng của mô hình này trong dự đoán gen điều trị ung thư đã cho thấy sự hiệu quả trong việc xác định các gen có khả năng gây bệnh. Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng mô hình này có thể giúp phát hiện sớm các gen đột biến, từ đó đưa ra các phương pháp điều trị kịp thời và hiệu quả hơn.

II. Phân tích dữ liệu và mô hình hóa

Phân tích dữ liệu là một bước quan trọng trong việc xây dựng mô hình động lực cạnh tranh. Dữ liệu lớn từ các nghiên cứu sinh học và y học cần được thu thập và xử lý một cách chính xác. Việc sử dụng các thuật toán học máy trong phân tích dữ liệu giúp phát hiện ra các mẫu và xu hướng trong dữ liệu gen. Mô hình hóa dữ liệu sinh học cho phép các nhà nghiên cứu hiểu rõ hơn về cách thức hoạt động của các gen trong cơ thể. Theo một nghiên cứu gần đây, việc áp dụng các phương pháp phân tích gen hiện đại đã giúp phát hiện ra nhiều gen mới có liên quan đến ung thư, từ đó mở ra hướng đi mới trong điều trị.

2.1. Các phương pháp phân tích gen

Các phương pháp phân tích gen hiện nay rất đa dạng, bao gồm phân tích thống kê, học máy và các kỹ thuật sinh học phân tử. Mỗi phương pháp đều có những ưu điểm và hạn chế riêng. Việc lựa chọn phương pháp phù hợp sẽ phụ thuộc vào loại dữ liệu và mục tiêu nghiên cứu. Nghiên cứu cho thấy rằng việc kết hợp nhiều phương pháp khác nhau có thể mang lại kết quả tốt hơn trong việc xác định các gen mục tiêu. Điều này đặc biệt quan trọng trong bối cảnh điều trị ung thư, nơi mà sự chính xác trong việc xác định gen có thể quyết định đến sự thành công của liệu pháp điều trị.

III. Ứng dụng trong điều trị ung thư

Ứng dụng mô hình động lực cạnh tranh trong dự đoán gen điều trị ung thư đã cho thấy nhiều tiềm năng. Các nghiên cứu đã chỉ ra rằng việc xác định chính xác các gen mục tiêu có thể giúp cải thiện hiệu quả điều trị và giảm thiểu tác dụng phụ. Mô hình này không chỉ giúp phát hiện các gen có liên quan đến ung thư mà còn cung cấp thông tin về cách thức tương tác giữa các gen và các yếu tố môi trường. Điều này mở ra cơ hội cho việc phát triển các liệu pháp điều trị cá nhân hóa, giúp nâng cao chất lượng cuộc sống cho bệnh nhân.

3.1. Tương lai của điều trị ung thư

Tương lai của điều trị ung thư sẽ phụ thuộc nhiều vào sự phát triển của các mô hình phân tích gen và công nghệ sinh học. Việc áp dụng các mô hình động lực cạnh tranh sẽ giúp các nhà nghiên cứu hiểu rõ hơn về cơ chế gây bệnh và phát triển các phương pháp điều trị hiệu quả hơn. Nghiên cứu hiện tại đang hướng tới việc phát triển các liệu pháp điều trị dựa trên gen, giúp cá nhân hóa quá trình điều trị cho từng bệnh nhân. Điều này không chỉ giúp nâng cao hiệu quả điều trị mà còn giảm thiểu chi phí và thời gian điều trị.

Nội dung chính

Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Ung thư là tên gọi chung cho hơn 200 loại bệnh lý có tỷ lệ tử vong cao, chỉ đứng sau nhóm bệnh lý tim mạch. Việc chẩn đoán và điều trị ung thư gặp nhiều trở ngại do độ phức tạp sinh học cao, chi phí tốn kém, tiên lượng sống sau 5 năm thấp và bệnh thường được phát hiện ở giai đoạn muộn. Về mặt căn nguyên, bệnh phát sinh từ các đột biến gen, tuy nhiên chỉ một nhóm nhỏ các gen đột biến giữ vai trò quyết định, được gọi là gen điều khiển (driver genes) hay gen mục tiêu điều trị ung thư.

Trong thực tiễn y tế, việc xác định các gen bệnh phẩm chủ yếu dựa vào các xét nghiệm sinh học lâm sàng thủ công trong phòng thí nghiệm trên hàng nghìn gen ứng viên nằm tại vùng nhiễm sắc thể khả nghi. Phương pháp này có độ chính xác cao nhưng tiêu tốn nhiều thời gian và kinh phí. Để giảm số lượng mẫu cần thử nghiệm lâm sàng, các phương pháp tiếp cận tính toán đã được phát triển:

• Phương pháp thống kê dựa trên sự tương đồng đột biến (như DrGaP, OncodriveCLUST, OncoVar): Gặp hạn chế khi các gen bệnh đã biết và chưa biết có mối quan hệ gián tiếp hoặc chức năng tương đồng, dẫn đến việc gán nhầm chức năng và làm sai lệch kết quả dự đoán.
• Phương pháp học máy và học sâu (như DriverML, PCDG-Pred): Phụ thuộc lớn vào việc xây dựng tập mẫu nhãn lớn và đầy đủ, trong khi việc định danh chính xác tập gen đột biến liên quan đến bệnh để làm tập dữ liệu huấn luyện vẫn là thách thức.
• Phương pháp tiếp cận dựa trên mạng phức hợp: Dữ liệu sinh học người chứa khoảng 22.000 gen tồn tại trong trạng thái tương tác động (kích hoạt, ức chế, trao đổi chất, truyền tín hiệu). Việc mô hình hóa dữ liệu sinh học thành mạng phức hợp cho phép xếp hạng các gen dựa trên cấu trúc liên kết mạng. Tuy nhiên, hiệu suất dự đoán của các mô hình tĩnh và tuần tự hiện có vẫn còn khiêm tốn, chưa mô tả trọn vẹn trạng thái động và gặp trở ngại lớn về thời gian tính toán khi áp dụng trên các mạng sinh học quy mô lớn.

Từ thực tế trên, luận án lựa chọn đề tài "Nghiên cứu phát triển mô hình động lực cạnh tranh trong mạng thông tin phức hợp và ứng dụng dự đoán gen điều trị ung thư" nhằm giải quyết khoảng trống về mô hình hóa động lực mạng và tối ưu hóa hiệu năng tính toán trong dự đoán gen mục tiêu.

Mục tiêu và nội dung nghiên cứu

Mục tiêu nghiên cứu: Nghiên cứu và phát triển các mô hình động lực cạnh tranh trên các mạng thông tin phức hợp, xác định thành phần điều khiển mạng, ứng dụng trên các mạng sinh học để dự đoán gen mục tiêu điều trị ung thư.

Nội dung nghiên cứu:

1. Tìm hiểu bài toán xếp hạng để dự đoán gen bệnh.
2. Khảo cứu các phương pháp xếp hạng gen liên quan.
3. Hệ thống hóa các kiến thức cơ bản về lý thuyết đồ thị và mạng phức hợp.
4. Thu thập và mô hình hóa dữ liệu mạng sinh học.
5. Nghiên cứu các mô hình tính toán và thuật toán xếp hạng đỉnh.
6. Nghiên cứu và phát triển mô hình động lực cạnh tranh mạng, ứng dụng dự đoán gen mục tiêu điều trị ung thư.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Mô hình động lực cạnh tranh trên mạng thông tin phức hợp; gen mục tiêu điều trị ung thư trên mạng sinh học.
• Phạm vi nghiên cứu thực nghiệm:
  • 17 mạng tín hiệu ung thư được thu thập từ cơ sở dữ liệu KEGG (Kyoto Encyclopedia of Genes and Genomes).
  • 03 bộ dữ liệu mạng sinh học quy mô lớn.

---

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước

Luận án đã điểm lại các công trình nghiên cứu trong và ngoài nước thuộc các nhóm phương pháp chính:

Hướng tiếp cận	Tác giả / Công cụ	Đặc điểm và phương pháp
Thống kê sinh học	DrGaP (2013)	Xác định gen mục tiêu và kiểm soát con đường tín hiệu từ giải trình tự gen.
	OncodriveCLUST (2013)	Đánh giá các đột biến không mã hóa từ các đột biến soma.
	OncoVar (2021)	Đánh giá tiềm năng gây ung thư của đột biến soma dựa trên các thuật toán tin sinh học.
Học máy / Học sâu	DriverML (2019)	Định lượng tác động chức năng của đột biến lên protein để xác định gen mục tiêu.
	PCDG-Pred (2020)	Phân biệt đặc tính của gen mục tiêu và gen hành khách (passenger) qua giải trình tự.
Đo lường trung tâm mạng	Freeman (1978), Opsahl et al. (2010)	Độ gần gũi ($C_{\text{clo}}$) và độ trung tâm giữa ($C_{\text{bet}}$) trên mạng vô hướng và có hướng.
	Trần Tiến Dũng và cộng sự (2019, 2021)	Đề xuất độ gần gũi theo thứ bậc ($C_{\text{hc}}$) kết hợp giữa mức độ gần gũi và số đỉnh tiếp cận được ($N_R(v)$).
Bước nhảy ngẫu nhiên	Köhler et al. (2008)	Thuật toán bước nhảy ngẫu nhiên có quay lại (RWR) trên mạng tương tác protein.
	Lê Đức Hậu và cộng sự (2014, 2020)	Thuật toán ORIENT cải tiến RWR bằng cách tăng cường trọng số lân cận; mô hình Boolean Network dự đoán 27 gen liên quan đến ung thư vú.
	Vanunu et al. (2010)	Thuật toán PRINCE kết hợp kiểu hình bệnh và mạng tương tác protein dựa trên xác suất tiền nhiệm.
	Trần Đăng Hưng, Nguyễn Văn Tỉnh (2023)	Ứng dụng RWR tích hợp điểm tương đồng và lọc cộng tác trên đồ thị ba bên miRNA-bệnh-lncRNA.
	Chen et al. (2016)	Ứng dụng các thuật toán HITS with priors, PageRank with priors và K-step Markov trên mạng PPI.
Động lực học mạng	Wang & Chen (2002), Jinhu Lü & Guanrong Chen (2005)	Mô hình động lực học mạng đồng nhất và mạng biến đổi theo thời gian.
	Zhao et al. (2014)	Mô hình động lực cạnh tranh nội bộ giữa hai đỉnh trong mạng phức hợp dựa trên giao thức đồng thuận DeGroot.

Khoảng trống luận án lựa chọn giải quyết

Mô hình động lực cạnh tranh của Zhao và cộng sự (2014) chỉ xem xét sự cạnh tranh giữa hai tác nhân đều nằm bên trong mạng. Tuy nhiên, trong hệ thống sinh học, tác nhân gây nhiễu hoặc tác nhân can thiệp (như thuốc điều trị, phóng xạ, hóa chất, virus) thực chất là các đối thủ cạnh tranh tác động từ bên ngoài mạng vào các đỉnh điều khiển bên trong. Luận án lựa chọn giải quyết khoảng trống này bằng cách:

1. Thiết lập mô hình động lực cạnh tranh ngoài, mô phỏng sự tương tác giữa tác nhân điều khiển nội tại và tác nhân tác động ngoại lai.
2. Xử lý bài toán tương tác gián tiếp đa bước trên mạng quy mô lớn và xây dựng giải pháp tính toán hiệu năng cao.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khái niệm sử dụng

• Lý thuyết đồ thị: Sử dụng đồ thị $G = (V, E)$ gồm tập đỉnh $V$ ($|V| = n$) và tập cạnh $E$ ($|E| = m$), ma trận kề $A = (a_{uv})$, ma trận trọng số $W = (w_{uv})$, các khái niệm bậc đỉnh ($\text{deg}(v)$), bán bậc vào ($\text{deg}^{-}(v)$), bán bậc ra ($\text{deg}^{+}(v)$), khoảng cách ngắn nhất $d(u, v)$ và đường đi.
• Đặc trưng mạng phức hợp:
  • Mô hình Small-World (Watts-Strogatz): Đặc trưng đường đi ngắn và hệ số phân cụm cao.
  • Mô hình Scale-Free (Barabási-Albert): Phân bố bậc tuân theo luật lũy thừa $P(k) \sim k^{-\gamma}$, mạng có các đỉnh kết nối lớn (hub).
  • Độ bền mạng (Robustness) và mật độ mạng: Mật độ $D = \frac{|E|}{|V|(|V|-1)}$.
  • Phân rã cấu trúc lõi: Thuật toán $K\text{-core}$ (dựa trên bậc đỉnh trên mạng vô hướng) và thuật toán $R\text{-core}$ của Trần Tiến Dũng (dựa trên bậc tiếp cận có hướng $R(v)$).
  • Tối ưu hóa phân cụm mạng (Modularity Optimization): Thuật toán của M. Newman dựa trên ma trận mô-đun và véc-tơ riêng để tối đa hóa hàm $Q$: $$Q = \frac{1}{2m} \sum_{v, w} \left( A_{vw} - \frac{k_v k_w}{2m} \right) \delta(c_v, c_w)$$
• Mô hình động lực học mạng biến đổi theo thời gian: Dựa trên phương trình vi phân trạng thái của Jinhu Lü và Guanrong Chen: $$\dot{x}i = f(x_i) + c \sum{j=1}^{n} c_{ij}(t) A(t) x_j$$
• Mô hình động lực cạnh tranh ngoài:
  • Thiết lập trạng thái cố định cho đỉnh điều khiển nội bộ $\alpha \in V$ ($x_{\alpha} = +1$) và tác nhân ngoại lai $\beta \notin V$ ($x_{\beta} = -1$).
  • Giao thức đồng thuận phân tán cập nhật trạng thái của các đỉnh bình thường $u \in V \setminus {\alpha, \beta}$: $$x_u(t+1) = x_u(t) + \epsilon \sum_{v \in V(u)} w(u, v) (x_v(t) - x_u(t))$$
  • Trong đó $0 < \epsilon < \text{Deg}{\max}^{-1}$ với $\text{Deg}{\max}$ là bậc ngoài lớn nhất.
  • Vector trạng thái hội tụ $X_{\text{norm}} \in \mathbb{R}^{n-2}$ được xác định qua ma trận nghịch đảo: $$X_{\text{norm}} = (D - \epsilon W)^{-1} [\epsilon w_{\cdot \alpha} - \epsilon w_{\cdot \beta}]$$
  • Tổng ảnh hưởng của đỉnh điều khiển $\alpha$ được tính qua hàm dấu: $$\Phi(\alpha) = \sum_{u \in V \setminus {\alpha, \beta}} \text{sign}(\bar{x}_u) |\bar{x}_u|$$

Phương pháp nghiên cứu thực tế

• Phương pháp định lượng và mô hình hóa:
  • Chuyển đổi dữ liệu mạng sinh học dạng bảng và XML (KGML) thành đồ thị có hướng và vô hướng có trọng số.
  • Xây dựng thuật toán tính toán ma trận khoảng cách, ma trận ảnh hưởng và tổng ảnh hưởng của các đỉnh.
• Phương pháp tính toán hiệu năng cao:
  • Thiết kế thuật toán song song trên kiến trúc CPU đa lõi (Multi-core CPUs) để phân tán khối lượng tính toán ma trận quy mô lớn, hiện thực hóa qua công cụ phần mềm Drivergene.

Nguồn tư liệu và dữ liệu

• Cơ sở dữ liệu KEGG (Kyoto Encyclopedia of Genes and Genomes): Trích xuất 17 mạng truyền tín hiệu ung thư ở người thông qua định dạng KGML.
• Cơ sở dữ liệu tương tác sinh học: Tham chiếu dữ liệu từ STRING, HAPPY, NCBI (GenBank, PubMed).
• Dữ liệu mạng sinh học quy mô lớn: 03 tập dữ liệu mạng sinh học kích thước lớn phục vụ đánh giá thuật toán tính toán hiệu năng cao.

---

Nội dung chính theo từng chương

Chương 1. Tổng quan về xếp hạng để dự đoán gen bệnh

Chương này tập trung hệ thống hóa cơ sở lý luận và các kỹ thuật toán học nền tảng phục vụ cho bài toán dự đoán gen mục tiêu điều trị ung thư:

• Phát biểu bài toán: Cho mạng sinh học $G = (V, E)$, trong đó đỉnh biểu diễn gen/protein, cạnh biểu diễn tương tác sinh học. Cần xây dựng ánh xạ quan hệ đầu ra $S(V, F)$ với $F \in \mathbb{R}$ đại diện cho mức độ ưu tiên/khả năng gen $v$ là gen điều khiển gây ung thư và là mục tiêu can thiệp của thuốc.
• Mô hình hóa dữ liệu mạng sinh học: Phân loại 4 mạng sinh học chính:
  1. Mạng trao đổi chất tế bào (Metabolic network): Mạng có hướng, đồng nhất; đỉnh là chất chuyển hóa, cạnh là phản ứng sinh hóa.
  2. Mạng tương tác protein (PPI network): Mạng vô hướng, đồng nhất; biểu diễn liên kết vật lý giữa các protein.
  3. Mạng điều hòa gen (GRN): Mạng có hướng, đồng nhất; biểu diễn cơ chế kiểm soát phiên mã giữa các gen.
  4. Mạng tín hiệu tế bào (Cellular signaling network): Mạng hỗn hợp không đồng nhất chứa cả liên kết có hướng và vô hướng; phản ánh quá trình truyền tin sinh học và là nguồn dữ liệu chính cho nghiên cứu ung thư.
• Tổng hợp các thước đo trung tâm mạng: Trình bày chi tiết công thức toán học và nguyên lý của độ gần gũi ($C_{\text{clo}}$), độ gần gũi theo thứ bậc ($C_{\text{hc}}$), độ trung tâm giữa ($C_{\text{bet}}$), các thuật toán bước ngẫu nhiên RWR, ORIENT, PRINCE và thuật toán phân tách cấu trúc lõi $K\text{-core}$, $R\text{-core}$.

Chương 2. Mô hình động lực cạnh tranh trên mạng phức hợp ứng dụng trong dự đoán gen điều trị ung thư

Chương này đề xuất mô hình toán học và giải thuật động lực cạnh tranh ngoài:

• Thiết lập mô hình động lực cạnh tranh ngoài: Mở rộng lý thuyết cạnh tranh nội bộ của Zhao và cộng sự (2014) sang bối cảnh tương tác ngoại mạng. Mô hình thiết lập trạng thái đối kháng giữa đỉnh điều khiển nội bộ $\alpha$ ($x_\alpha = +1$) và tác nhân môi trường/thuốc $\beta$ ($x_\beta = -1$).
• Giải thuật mô hình động lực cạnh tranh ngoài (Thuật toán 2.1):
  • Khởi tạo ma trận trọng số $W$, tham số ảnh hưởng lân cận $\epsilon$ thỏa mãn $0 < \epsilon < \text{Deg}_{\max}^{-1}$.
  • Thiết lập phương trình trạng thái đồng thuận phân tán dạng ma trận: $X_{\text{norm}}(t+1) = X_{\text{norm}}(t) + \epsilon (W X(t) - D X_{\text{norm}}(t))$.
  • Tính trạng thái hội tụ $\bar{X}_{\text{norm}}$ và tổng giá trị ảnh hưởng $\Phi(\alpha)$ cho từng đỉnh.
• Thực nghiệm trên 17 mạng tín hiệu ung thư KEGG:
  • Đánh giá sự tương quan giữa phép đo tổng mức độ ảnh hưởng của mô hình đề xuất với các phép đo truyền thống (như độ gần gũi theo thứ bậc).
  • Xếp hạng và trích xuất danh sách gen mục tiêu điều trị ung thư dự đoán (Bảng 2.1, Bảng 2.2, Bảng 2.3 trong văn bản).

Chương 3. Tương tác gián tiếp trong mô hình động lực cạnh tranh ngoài và ứng dụng dự đoán gen điều trị ung thư

Chương này phát triển mô hình cải tiến có khả năng xử lý tương tác gián tiếp đa bước và tích hợp giải pháp tính toán hiệu năng cao:

• Mô hình tính toán tương tác gián tiếp:
  • Thay vì chỉ xem xét tương tác trực tiếp giữa các nút lân cận, mô hình mở rộng tính toán ảnh hưởng lan truyền qua các đường đi có độ dài lớn hơn 1 trong đồ thị.
  • Xây dựng hệ thống các thuật toán thành phần:
    • Thuật toán 3.1: Tính toán ma trận khoảng cách giữa mọi cặp đỉnh.
    • Thuật toán 3.2: Tính toán ma trận ảnh hưởng dựa trên suy giảm khoảng cách.
    • Thuật toán 3.3: Tính toán tổng số ảnh hưởng của các đỉnh đến mỗi đỉnh mạng trong mô hình cải tiến.
• Tính toán hiệu năng cao với phần mềm Drivergene:
  • Xây dựng giải thuật tính toán song song (Thuật toán 3.4) phân chia khối lượng xử lý ma trận trên nhiều luồng CPU.
  • Thiết kế công cụ phần mềm Drivergene hỗ trợ thực thi trên các mạng sinh học quy mô lớn.
• Kết quả thực nghiệm trên 03 mạng sinh học quy mô lớn:
  • Đánh giá tốc độ và năng lực tính toán song song của Drivergene (Bảng 3.3, Hình 3.1).
  • Xác định gen mục tiêu thuốc ung thư trên 3 mạng lớn (Bảng 3.4).
  • Phân tích cấu trúc lõi thông qua xác định $k\text{-core}$ và $r\text{-core}$ (Bảng 3.5).
  • So sánh kết quả dự đoán giữa mô hình cạnh tranh ngoài trực tiếp và mô hình cải tiến có tương tác gián tiếp (Bảng 3.6).
  • So sánh đối sánh kết quả dự đoán với các nghiên cứu độc lập trước đó (Bảng 3.7, Hình 3.3).

Kết luận và hướng phát triển

Tóm lược các kết quả đạt được về mặt lý thuyết mô hình và công cụ thực thi; định hướng mở rộng nghiên cứu sang các lớp mạng sinh học động có cấu trúc thay đổi liên tục theo thời gian.

---

Kết quả và những đóng góp mới

Các đóng góp mới của luận án

Theo văn bản luận án tự công bố, công trình có 2 đóng góp khoa học chính:

1. Đề xuất mô hình và thuật toán động lực cạnh tranh ngoài: Xác định đỉnh điều khiển mục tiêu trong mạng phức hợp thông qua mô phỏng tương tác cạnh tranh giữa đỉnh điều khiển nội bộ và tác nhân môi trường ngoại lai, ứng dụng dự đoán gen mục tiêu điều trị ung thư trên 17 mạng truyền tín hiệu bệnh lý từ KEGG.
2. Đề xuất mô hình động lực cạnh tranh ngoài cải tiến kết hợp tương tác gián tiếp và tính toán hiệu năng cao: Mở rộng không gian tính toán sang tương tác nhiều bước giữa các đỉnh trong mạng phức hợp, đồng thời xây dựng công cụ tính toán song song Drivergene, nâng cao năng lực và độ chính xác trong việc dự đoán gen mục tiêu trên các mạng sinh học quy mô lớn.

Kiến nghị và giải pháp đề xuất

• Ứng dụng quy trình xếp hạng gen bằng mô hình động lực cạnh tranh ngoài để sàng lọc sơ bộ các gen ứng viên trước khi đưa vào xét nghiệm sinh học lâm sàng, giúp giảm bớt thời gian và kinh phí nghiên cứu phát triển thuốc.
• Triển khai công cụ Drivergene và giải thuật tính toán song song trên hệ thống đa lõi nhằm giải quyết bài toán phân tích mạng dữ liệu lớn trong tin sinh học và khoa học dữ liệu.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Dữ liệu mạng sinh học thực tế có tính chất động và biến đổi liên tục, trong khi các mô hình mạng hiện tại phần lớn vẫn xử lý trên các cấu trúc liên kết tĩnh tại từng thời điểm.
• Nguồn dữ liệu đầu vào chủ yếu dựa vào topo mạng truyền tín hiệu và mạng tương tác, chưa tích hợp đồng thời đầy đủ các nguồn dữ liệu sinh học đa chiều khác như dữ liệu biểu hiện gen (microarray, RNA-seq) theo chuỗi thời gian.

Hướng nghiên cứu tiếp

• Nghiên cứu phát triển mô hình động lực cạnh tranh áp dụng cho mạng phức hợp biến đổi theo thời gian (Time-varying complex networks).
• Tích hợp thêm các dữ liệu biểu hiện gen và dữ liệu lâm sàng đa tầng vào mô hình để tăng cường độ tin cậy của danh sách gen dự đoán.
• Tối ưu hóa sâu hơn thuật toán tính toán hiệu năng cao để đáp ứng các bộ dữ liệu đồ thị có hàng triệu đỉnh và cạnh.

---

Giá trị tham khảo

Đối tượng thụ hưởng

• Nghiên cứu sinh và học viên sau đại học: Chuyên ngành Hệ thống thông tin (mã số 9480104), Khoa học máy tính, Tin sinh học và Toán ứng dụng có thể sử dụng làm tài liệu tham khảo về lý thuyết mạng phức hợp và động lực học cạnh tranh.
• Giảng viên và nhà nghiên cứu: Thuộc các viện nghiên cứu và trường đại học hoạt động trong lĩnh vực phân tích dữ liệu sinh học, khai phá dữ liệu mạng và tính toán hiệu năng cao.
• Nhà phát triển phần mềm và công nghệ sinh dược: Các đơn vị phát triển công cụ tin sinh học và các nhóm nghiên cứu tiền lâm sàng cần phương pháp định lượng để sàng lọc mục tiêu thuốc.

Phần nội dung có giá trị tham khảo cao

• Khung toán học thiết lập giao thức đồng thuận phân tán cho mô hình cạnh tranh ngoài tại Chương 2.
• Phương pháp tính toán tương tác gián tiếp qua ma trận khoảng cách và ma trận ảnh hưởng tại Chương 3.
• Cấu trúc giải thuật tính toán song song trên CPU đa lõi của công cụ Drivergene.
• Tổng quan lý thuyết về các phép đo trung tâm mạng ($C_{\text{clo}}$, $C_{\text{hc}}$, $C_{\text{bet}}$, $K\text{-core}$, $R\text{-core}$) tại Chương 1.

---

Câu hỏi thường gặp

1. Mô hình động lực cạnh tranh ngoài khác với mô hình động lực cạnh tranh truyền thống của Zhao và cộng sự (2014) ở điểm nào?

Mô hình của Zhao và cộng sự (2014) chỉ khảo sát sự cạnh tranh giữa hai tác nhân đều nằm bên trong mạng ($i, j \in V$). Mô hình động lực cạnh tranh ngoài của luận án mô hình hóa sự đối kháng giữa một tác nhân điều khiển nội tại $\alpha \in V$ ($x_\alpha = +1$) và một tác nhân ngoại lai $\beta \notin V$ ($x_\beta = -1$), đại diện cho các yếu tố môi trường hoặc thuốc can thiệp từ bên ngoài vào hệ thống mạng sinh học.

2. Khái niệm $R\text{-core}$ được định nghĩa như thế nào và giải quyết hạn chế gì của $K\text{-core}$?

Thuật toán $K\text{-core}$ phân rã mạng dựa trên bậc của đỉnh và chỉ áp dụng cho mạng vô hướng, không tận dụng được thông tin hướng của cạnh. Thuật toán $R\text{-core}$ (do Trần Tiến Dũng và cộng sự đề xuất) áp dụng cho mạng có hướng dựa trên khả năng tiếp cận $R(v)$ của đỉnh $v$ đến các đỉnh khác. Quy trình cắt tỉa sẽ loại bỏ các đỉnh có $R(v) < r$ cùng các tương tác liên quan ở mỗi bước.

3. Dữ liệu thực nghiệm của luận án gồm những gì?

Thực nghiệm của luận án sử dụng 17 mạng truyền tín hiệu ung thư ở người được trích xuất từ cơ sở dữ liệu KEGG (thông qua định dạng bản đồ KGML) và 03 bộ dữ liệu mạng sinh học quy mô lớn độc lập.

4. Công cụ Drivergene được thiết kế nhằm giải quyết bài toán gì?

Công cụ Drivergene hiện thực hóa giải thuật tính toán song song (Thuật toán 3.4) trên các bộ vi xử lý đa lõi (Multi-core CPUs), giúp tối ưu hóa tốc độ xử lý ma trận và tính toán tổng mức độ ảnh hưởng của các đỉnh trong mô hình động lực cạnh tranh ngoài cải tiến trên các mạng sinh học quy mô lớn.

5. Biểu thức giao thức đồng thuận phân tán trong mô hình cạnh tranh ngoài hoạt động ra sao?

Mỗi đỉnh bình thường $u \in V \setminus {\alpha, \beta}$ cập nhật trạng thái tại thời điểm $t+1$ theo công thức: $$x_u(t+1) = x_u(t) + \epsilon \sum_{v \in V(u)} w(u, v)(x_v(t) - x_u(t))$$ Khi $t \to \infty$, trạng thái của các đỉnh hội tụ về giá trị ổn định $\bar{x}_u$. Dấu dương ($\bar{x}_u > 0$) thể hiện đỉnh $u$ chịu ảnh hưởng bởi đỉnh điều khiển $\alpha$, dấu âm ($\bar{x}_u < 0$) thể hiện đỉnh chịu ảnh hưởng bởi tác nhân ngoại lai $\beta$, và độ lớn $|\bar{x}_u|$ thể hiện mức độ ảnh hưởng tương ứng.

---

Kết luận

Luận án "Nghiên cứu phát triển mô hình động lực cạnh tranh trong mạng thông tin phức hợp và ứng dụng dự đoán gen điều trị ung thư" của tác giả Phạm Đức Tính thuộc chuyên ngành Hệ thống thông tin đã xây dựng thành công mô hình động lực cạnh tranh ngoài và mô hình mở rộng tương tác gián tiếp trên mạng phức hợp. Công trình cung cấp giải pháp tính toán song song thông qua phần mềm Drivergene, cho phép xếp hạng và dự đoán chính xác các gen mục tiêu điều trị ung thư trên 17 mạng tín hiệu KEGG và 03 mạng sinh học quy mô lớn. Kết quả nghiên cứu đóng góp cơ sở lý thuyết về động lực học mạng và cung cấp công cụ tính toán hỗ trợ giảm thiểu chi phí và thời gian trong sàng lọc tiền lâm sàng.

Trích đoạn nội dung tài liệu

Bà GIÁO DĂC VIàN HÀN LÂM KHOA HâC VÀ ĐÀO T¾O VÀ CÔNG NGHà VIàT NAM HàC VIàN KHOA HàC VÀ CÔNG NGHà PH¾M ĐĀC T)NH Ph¿m Đāc T*nh Hà THÞNG THÔNG TIN NGHIÊN CĀU PHÁT TRIÄN MÔ HÌNH ĐÞNG LĀC C¾NH TRANH TRONG M¾NG THÔNG TIN PHĀC HþP VÀ ĀNG DĀNG DĀ ĐOÁN GEN ĐIÂU TRÞ UNG TH¯ LUÀN ÁN TIÀN S) Hà THÞNG THÔNG TIN Hà Nội - 2024 Bà GIÁO DĂC VIàN HÀN LÂM KHOA HâC VÀ ĐÀO T¾O VÀ CÔNG NGHà VIàT NAM HàC VIàN KHOA HàC VÀ CÔNG NGHà Ph¿m Đāc T*nh NGHIÊN CĀU PHÁT TRIÄN MÔ HÌNH ĐÞNG LĀC C¾NH TRANH TRONG M¾NG THÔNG TIN PHĀC HþP VÀ ĀNG DĀNG DĀ ĐOÁN GEN ĐIÂU TRÞ UNG TH¯ LUÀN ÁN TIÀN S) Hà THÞNG THÔNG TIN Mã sß: 9480104 Xác nhÁn cÿa Hác vián Ng°ãi h°áng d¿n 1 Ng°ãi h°áng d¿n 2 Khoa hác và Công nghá (Ký, ghi rõ họ tên) (Ký, ghi rõ họ tên) Hà Nội - 2024 LâI CAM ĐOAN Tôi xin cam đoan luÁn án "Nghiên cāu phát triÇn mô hình đáng lāc c¿nh tranh trong m¿ng thông tin phāc hāp và āng dăng dā đoán gen điÅu trá ung th°" là công trình nghiên cāu cÿa chính tôi, d°ãi sā h°ãng d¿n khoa hãc cÿa tÁp thÇ h°ãng d¿n. LuÁn án sử dăng thông tin trích d¿n tă nhiÅu nguãn tham khÁo khác nhau và các thông tin trích d¿n đ°āc ghi rõ nguãn gác. Các kÃt quÁ nghiên cāu cÿa tôi đ°āc công bá chung vãi các tác giÁ khác đã đ°āc sā đãng ý cÿa đãng tác giÁ khi đ°a vào luÁn án. Các sá liáu, kÃt quÁ đ°āc trình bày trong luÁn án là hoàn toàn trung thāc và ch°a tăng đ°āc công bá trong b¿t kỳ mát công trình nào khác ngoài các công trình công bá cÿa tác giÁ.

LuÁn án đ°āc hoàn thành trong thßi gian tôi làm nghiên cāu sinh t¿i Hãc vián Khoa hãc và Công nghá, Vián Hàn lâm Khoa hãc và Công nghá Viát Nam. Hà Nội, ngày 27 tháng 6 năm 2024 Tác giÁ luÁn án Ph¿m Đāc T*nh LâI CÀM ¡N LuÁn án TiÃn sĩ <Nghiên cāu phát triÇn mô hình đáng lāc c¿nh tranh trong m¿ng thông tin phāc hāp và āng dăng dā đoán gen điÅu trá ung th°= đ°āc hoàn thián bằng sā cá gÃng cÿa bÁn thân và sā giúp đÿ cÿa tÁp thÇ h°ãng d¿n khoa hãc, Vián Công nghá Thông tin, Hãc vián Khoa hãc và Công nghá, Vián Hàn lâm Khoa hãc và Công nghá Viát Nam, Tr°ßng Đ¿i hãc Công nghiáp Hà Nái, và các Chuyên gia, các Nhà khoa hãc, đãng nghiáp, b¿n bè, cũng nh° ng°ßi thân trong gia đình. Tr°ãc tiên, NCS xin đ°āc bày tß lòng biÃt ¢n chân thành đÃn tÁp thÇ h°ãng d¿n khoa hãc là TS. TrÁn TiÃn Dũng và TS.

Hoàng Đß Thanh Tùng. Trong suát thßi gian làm nghiên cāu, NCS đã luôn nhÁn đ°āc nhÿng đánh h°ãng khoa hãc, sā h°ãng d¿n tÁn tình và kinh nghiám nghiên cāu khoa hãc cÿa tÁp thÇ h°ãng d¿n. Tôi xin chân thành cÁm ¢n Vián Công nghá Thông tin, Hãc vián Khoa hãc và Công nghá, Vián Hàn lâm Khoa hãc và Công nghá Viát Nam, đã t¿o điÅu kián thuÁn lāi cho tôi trong suát quá trình làm nghiên cāu và thāc hián luÁn án. Tôi cũng xin chân thành cÁm ¢n Ban Lãnh đ¿o Tr°ßng Đ¿i hãc Công nghiáp Hà Nái, Trung tâm Công nghá Thông tin - Tr°ßng Đ¿i hãc Công nghiáp Hà Nái, đã quan tâm giúp đÿ t¿o mãi điÅu kián tát nh¿t đÇ tôi hoàn thành quá trình hãc tÁp và nghiên cāu cÿa mình.

Tôi xin chân thành cÁm ¢n sā quan tâm, đáng viên và nhÿng đóng góp quý báu cÿa quý đãng nghiáp và các Nhà khoa hãc. Cuái cùng, tôi xin cÁm ¢n sā đáng viên hÃt mình cÿa mãi thành viên trong gia đình tôi, sā khuyÃn khích đáng viên cÿa gia đình là đáng lāc hãc đÇ tôi hoàn thành luÁn án này. Hà Nội, ngày 27 tháng 6 năm 2024 Tác giÁ luÁn án Ph¿m Đāc T*nh 1 MĀC LĀC MĂC LĂC. 4 DANH MĂC CÁC TĂ VIÂT TÂT.

7 DANH MĂC CÁC HÌNH VÀ, Đâ THà. 8 DANH MĂC THUÀT TOÁN. TäNG QUAN VÄ XÂP H¾NG ĐÆ DĀ ĐOÁN GEN MĂC TIÊU ĐIÄU TRà UNG TH¯. Bài toán xÃp h¿ng đÇ dā đoán gen bánh.

BiÇu dißn đã thá trên máy tính. Dÿ liáu và mô hình hoá dÿ liáu m¿ng sinh hãc. Các ph°¢ng pháp và nghiên cāu liên quan dā đoán gen điÅu trá bánh dāa trên m¿ng phāc hāp. Thuác tính gÁn gũi cÿa mát đßnh.

Thuác tính gÁn gũi theo thā bÁc cÿa đßnh. Thuác tính trung tâm giÿa cÿa mát đßnh. ThuÁt toán b°ãc nhÁy ng¿u nhiên có quay l¿i. ThuÁt toán ORIENT.

ThuÁt toán sử dăng xác xu¿t tiÅn nhiám PRINCE. Tång quan vÅ m¿ng quy mô lãn. Khái niám m¿ng quy mô lãn. Mát sá h°ãng nghiên cāu trên m¿ng quy mô lãn.

Mô hình đáng lāc m¿ng. MÔ HÌNH ĐàNG LĀC C¾NH TRANH TRÊN M¾NG PHĀC HĀP ĀNG DĂNG TRONG DĀ ĐOÁN GEN ĐIÄU TRà UNG TH¯. Mô hình đáng lāc c¿nh tranh trên m¿ng phāc hāp. ĐÅ xu¿t mô hình đáng lāc c¿nh tranh ngoài trên m¿ng phāc hāp.

Xây dāng thuÁt toán cÿa mô hình đáng lāc c¿nh tranh ngoài. Ý t°áng cÿa thuÁt toán. Chāc năng, đÁu vào, đÁu ra cÿa thuÁt toán. S¢ đã luãng và mã giÁ cÿa thuÁt toán.

Đánh giá đá phāc t¿p cÿa thuÁt toán. Xây dāng há tháng dā đoán gen điÅu trá ung th° sử dăng mô hình đáng lāc hãc c¿nh tranh ngoài. Bài toán dā đoán gen măc tiêu điÅu trá ung th°. Dÿ liáu thāc nghiám.

Sā t°¢ng quan giÿa các phép đo. Mô hình tång thÇ há tháng chẩn đoán gen ung th° dāa trên m¿ng phāc hāp. KÃt quÁ dā đoán gen măc tiêu điÅu trá ung th°. So sánh kÃt quÁ dā đoán.

T¯¡NG TÁC GIÁN TIÂP TRONG MÔ HÌNH ĐàNG LĀC C¾NH TRANH NGOÀI VÀ ĀNG DĂNG DĀ ĐOÁN GEN ĐIÄU TRà UNG TH¯. ĐÅ xu¿t mô hình tính toán t°¢ng tác gián tiÃp đáng lāc c¿nh tranh ngoài. Mô hình tính toán t°¢ng tác trāc tiÃp đáng lāc c¿nh tranh ngoài. ĐÅ xu¿t mô hình tính toán gián tiÃp đáng lāc c¿nh tranh ngoài.

Xây dāng thuÁt toán tính toán t°¢ng tác gián tiÃp đáng lāc c¿nh tranh ngoài. ThuÁt toán tính toán ma trÁn khoÁng cách. ThuÁt toán tính toán ma trÁn Ánh h°áng. ThuÁt toán tính tång sā Ánh h°áng trên mßi đßnh m¿ng.

Tính toán hiáu năng cao cho mô hình đáng lāc c¿nh tranh ngoài. Xây dāng thuÁt toán tính toán hiáu năng cao cho mô hình .2 ThiÃt kà công că phÁn mÅm tính toán hiáu năng cao. Đánh giá tác đá tính toán cÿa thuÁt toán. Dÿ liáu thāc nghiám.

KiÃn trúc cÿa mô hình dā đoán. KÃt quÁ dā đoán gen măc tiêu điÅu trá ung th°. So sánh kÃt quÁ dā đoán vãi các nghiên cāu khác. 90 KÂT LUÀN VÀ H¯âNG PHÁT TRIÆN.

91 DANH MĂC CÁC CÔNG TRÌNH Đà CÔNG Bà. 93 TÀI LIàU THAM KHÀO. 107 4 DANH MĀC CÁC KÝ HIàU Ký hiáu Dißn giÁi Đã thá biÇu dißn m¿ng phāc hāp, gãm tÁp đßnh V, tÁp c¿nh G (V , E ) E n, m Sá đßnh và sá c¿nh cÿa đã thá G (V , E ) (k ) Trung bình bÁc cÿa m¿ng  (G ) Đá bÅn vÿng cÿa m¿ng G Ma trÁn kÅ kÃt nái biÃn thiên theo thßi gian giÿa các đßnh A(t ) t¿i thßi điÇm t deg(v ) BÁc cÿa đßnh v degin (v);deg out (v) BÁc trong và bÁc ngoài cÿa đßnh v d (v, w) KhoÁng cách cÿa đ°ßng đi ngÃn nh¿t tă đßnh v đÃn đßnh w Cclo (v) Māc đá gÁn gũi cÿa đßnh v vãi các đßnh khác trong m¿ng N R (v ) Thā bÁc cÿa mát đßnh v trong m¿ng Māc đá gÁn gũi theo thā bÁc cÿa đßnh v vãi các đßnh khác Chc (v) trong m¿ng Māc đá trung tâm giÿa cÿa mát đßnh so vãi các đßnh khác Cbet (v) trong m¿ng  st Tång sá đ°ßng đi ngÃn nh¿t giÿa hai đßnh s và t  st (v) Sá đ°ßng đi ngÃn nh¿t đi qua v mà tă s đÃn t Ḡ = (V, Ē ) Đã thá phÁn bù cÿa đã thá G(V,E) N(v); Nv TÁp các đßnh lân cÁn cÿa đßnh v trong G xu (t ) Tr¿ng thái cÿa đßnh u á thßi điÇm t C (t ) Ma trÁn đánh l°āng liên kÃt cÿa m¿ng t¿i thßi điÇm t A; auv Ma trÁn kÅ cÿa m¿ng; trãng sá kÅ giÿa đßnh u và v; Deg max BÁc ngoài lãn nh¿t cÿa đßnh trong m¿ng Tr¿ng thái cÿa các đßnh bình th°ßng trong mô hình đáng XnormþRN-2 lāc c¿nh tranh m¿ng G(V, E) xi Tr¿ng thái hái tă cÿa đßnh i 5 DANH MĀC CÁC TĂ VIÀT TÂT Tă viÁt TiÁng Anh Dißn giÁi tÃt Thuác tính trung tâm cÿa mát đßnh trong BC Betweenness m¿ng Thuác tính gÁn gũi cÿa mát đßnh trong CC Closeness m¿ng Thuác tính bÁc cÿa mát đßnh trong m¿ng DC Degree (gãi tÃt là bÁc cÿa đßnh) Hierarchical Thuác tính gÁn gũi theo thā bÁc cÿa mát HC closeness đßnh trong m¿ng Là phân tử mang thông tin di truyÅn cho sā Deoxyribonucleic phát triÇn và ho¿t đáng cÿa mát sinh vÁt. DNA Acid https://www.gov/genetics- glossary/Deoxyribonucleic-Acid Application Giao dián lÁp trình āng dăng (API) là cách API Programming đÇ hai hoặc nhiÅu ch°¢ng trình máy Interface tính giao tiÃp vãi nhau.

Kyoto Encyclopedia KEGG là nguãn c¢ sá dÿ liáu tin sinh hãc KEGG of Gens and quy mô lãn, đ°āc t¿o ra bái trình tā bá gen Genomes và thông l°āng cao. Ngôn ngÿ đánh d¿u KEGG (KGML) là đánh d¿ng t°¢ng tác cÿa bÁn đã lá trình Kyoto Encyclopedia KEGG. KGML cho phép vÁ các con of Gens and KGML đ°ßng KEGG và cung c¿p các ph°¢ng tián Genomes Markup đÇ phân tích tính toán và mô hình hóa Language m¿ng l°ãi gen/protein và m¿ng trao đåi ch¿t. Trung tâm Thông tin Công nghá sinh hãc Quác gia Hoa Kỳ (NLM).

NCBI chāa mát National Center for lo¿t c¢ sá dÿ liáu liên quan đÃn công nghá NCBI Biotechnology sinh hãc và là nguãn tài nguyên quan trãng Information cho các công că và dách vă tin sinh hãc. C¢ sá dÿ liáu chính bao gãm GenBank cho trình tā DNA và PubMed. 6 T°¢ng tác protein-protein (PPI) là các tiÃp xúc vÁt lý đ°āc thiÃt lÁp giÿa hai hoặc nhiÅu phân tử protein do các sā kián sinh Protein-protein hóa đ°āc thúc đẩy bái các t°¢ng PPI interaction tác. Protein hiÃm khi ho¿t đáng mát mình vì chāc năng cÿa chúng có xu h°ãng đ°āc điÅu chßnh.

PPI b¿t th°ßng có thÇ là nÅn tÁng cÿa nhiÅu bánh liên quan. Là mát chußi đ¢n gãm nhÿng Ribonucleotide. RNA có chāc năng mang RNA Ribonucleic Acid thông điáp di truyÅn tă DNA đÃn vá trí tång hāp protein và giúp c¢ thÇ tång hāp protein. Central Processing Bá vi xử lý đ¢n lõi CPU Unit CPUs Bá vi xử lý đa lõi 7 DANH MĀC CÁC BÀNG Tên và nßi dung bÁng Trang BÁng 2.