Nghiên Cứu Sử Dụng Mô Hình Chủ Đề Cho Bài Toán Phân Loại Metagenomic

Luận văn thạc sĩ toán học nghiên cứu máy tính sử dụng mô hình chủ đề cho bài toán phân loại metagenomic, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện

• Tác giả: Quách Đình Hoàng
• Người hướng dẫn: PGS. Trần Văn Hoài
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Sử Dụng Mô Hình Chủ Đề Trong Phân Loại Dữ Liệu Metagenomic
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: TP HCM

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Giới thiệu
• 1.2. Mục tiêu
• 1.3. Giới hạn
• 1.4. Bố cục của luận văn
• 2. CHƯƠNG 2: KIẾN THỨC CƠ SỞ
• 2.1. DNA, genome và metagenome
• 2.1.1. DNA
• 2.1.2. Genome
• 2.1.3. Metagenome
• 2.2. Giải trình tự DNA
• 2.3. Các bước của một dự án metagenome
• 3. CHƯƠNG 3: CÁC NGHIÊN CỨU LIÊN QUAN
• 3.1. Gom cụm dữ liệu metagenomic
• 3.1.1. Gom cụm dựa trên thành phần trình tự
• 3.1.2. Gom cụm dựa trên độ phong phú của các taxon
• 3.1.3. Gom cụm dùng phương pháp lai
• 3.2. Gom cụm dữ liệu metagenomic dùng mô hình chủ đề
• 4. CHƯƠNG 4: PHÂN LOẠI METAGENOMIC DỰA TRÊN MÔ HÌNH CHỦ ĐỀ
• 4.1. Biểu diễn dữ liệu metagenomic
• 5. CHƯƠNG 5: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Dữ liệu
• 5.2. Các thử nghiệm
• 5.2.1. Thử nghiệm với LDACluster
• 5.2.2. Thử nghiệm với LDABiMetaCluster
• 5.2.3. So sánh BiMetaCluster với các phương pháp khác
• 5.3. Đóng góp của luận văn
• 5.4. Giới hạn của luận văn
• 5.5. Hướng phát triển
• 6. CHƯƠNG 6: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Mô Hình Chủ Đề Trong Phân Loại Metagenomic

Nghiên cứu về mô hình chủ đề trong phân loại dữ liệu metagenomic đang trở thành một lĩnh vực quan trọng trong sinh học phân tử. Metagenomics cho phép phân tích các cộng đồng vi sinh vật mà không cần nuôi cấy riêng lẻ. Mô hình chủ đề, đặc biệt là LDA (Latent Dirichlet Allocation), đã được áp dụng để giải quyết bài toán phân loại (binning) trong dữ liệu metagenomic. Việc sử dụng mô hình này giúp giảm số chiều của dữ liệu, từ đó cải thiện độ chính xác trong việc phân loại các loài vi sinh vật.

1.1. Khái Niệm Về Metagenomics Và Mô Hình Chủ Đề

Metagenomics là nghiên cứu về các bộ gen trong môi trường tự nhiên. Mô hình chủ đề giúp khám phá cấu trúc của dữ liệu metagenomic, từ đó hỗ trợ trong việc phân loại và phân tích các loài vi sinh vật.

1.2. Tầm Quan Trọng Của Phân Loại Dữ Liệu Metagenomic

Phân loại dữ liệu metagenomic là bước quan trọng để hiểu rõ hơn về sự đa dạng và chức năng của các vi sinh vật trong môi trường. Điều này giúp các nhà nghiên cứu đánh giá tiềm năng trao đổi chất của cộng đồng vi sinh vật.

II. Thách Thức Trong Phân Loại Dữ Liệu Metagenomic

Phân loại dữ liệu metagenomic gặp nhiều thách thức do sự đa dạng và phức tạp của các loài vi sinh vật. Một trong những vấn đề chính là số lượng loài vi sinh vật có thể nuôi cấy chỉ chiếm một phần nhỏ trong tổng số. Điều này dẫn đến việc thiếu dữ liệu tham khảo cho quá trình phân loại. Thêm vào đó, chiều dài ngắn của các trình tự (reads) cũng làm giảm khả năng xác định chính xác các loài vi sinh vật.

2.1. Thiếu Dữ Liệu Tham Khảo Trong Phân Loại

Hầu hết các trình tự trong dữ liệu metagenomic không có trong cơ sở dữ liệu tham khảo, gây khó khăn cho việc phân loại chính xác.

2.2. Chiều Dài Ngắn Của Các Trình Tự

Các trình tự ngắn thường không chứa đủ thông tin về huyết thống, làm cho việc phân loại trở nên khó khăn hơn.

III. Phương Pháp Sử Dụng Mô Hình Chủ Đề Trong Phân Loại Metagenomic

Phương pháp sử dụng mô hình chủ đề trong phân loại dữ liệu metagenomic bao gồm nhiều bước. Đầu tiên, mỗi trình tự được biểu diễn như một tài liệu với các từ là các l-mer. Sau đó, mô hình LDA được áp dụng để thu giảm số chiều của dữ liệu. Kết quả là một vector đặc trưng cho mỗi nhóm trình tự, giúp cải thiện độ chính xác trong phân loại.

3.1. Biểu Diễn Dữ Liệu Metagenomic

Mỗi trình tự được chuyển đổi thành tài liệu với các từ l-mer, tạo điều kiện cho việc áp dụng mô hình LDA.

3.2. Ứng Dụng Mô Hình LDA Trong Phân Loại

Mô hình LDA giúp thu giảm số chiều và tạo ra các vector đặc trưng cho từng nhóm trình tự, từ đó hỗ trợ trong việc phân loại.

IV. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tiễn

Kết quả nghiên cứu cho thấy phương pháp sử dụng mô hình chủ đề LDA cho phân loại dữ liệu metagenomic đạt hiệu quả cao hơn so với các phương pháp trước đây như BiMeta và MetaProb. Việc áp dụng mô hình này không chỉ giúp cải thiện độ chính xác mà còn tiết kiệm thời gian trong quá trình phân tích dữ liệu.

4.1. So Sánh Với Các Phương Pháp Khác

Phương pháp đề xuất cho thấy độ chính xác cao hơn so với các phương pháp hiện có, chứng minh tính hiệu quả của mô hình chủ đề trong phân loại.

4.2. Ứng Dụng Trong Nghiên Cứu Sinh Học

Kết quả nghiên cứu có thể được áp dụng trong các nghiên cứu sinh học để hiểu rõ hơn về sự đa dạng và chức năng của các vi sinh vật trong môi trường.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Nghiên cứu về mô hình chủ đề trong phân loại dữ liệu metagenomic mở ra nhiều hướng phát triển mới. Việc cải thiện độ chính xác và khả năng phân loại sẽ giúp các nhà nghiên cứu có cái nhìn sâu sắc hơn về các cộng đồng vi sinh vật. Hướng phát triển tương lai có thể bao gồm việc kết hợp các mô hình học máy khác để nâng cao hiệu quả phân loại.

5.1. Tóm Tắt Kết Quả Nghiên Cứu

Nghiên cứu đã chỉ ra rằng mô hình chủ đề LDA là một công cụ hữu ích trong phân loại dữ liệu metagenomic.

5.2. Hướng Phát Triển Trong Tương Lai

Các nghiên cứu tiếp theo có thể tập trung vào việc kết hợp mô hình chủ đề với các kỹ thuật học máy khác để cải thiện độ chính xác trong phân loại.

Nội dung chính

Tổng quan nghiên cứu

Metagenomics là lĩnh vực nghiên cứu bộ gen của cộng đồng vi sinh vật trong môi trường tự nhiên mà không cần phân lập từng cá thể riêng biệt. Theo ước tính, chỉ khoảng 0.1% đến 1% các loài vi sinh vật có thể được nuôi cấy trong phòng thí nghiệm, do đó metagenomics mở ra cơ hội tiếp cận toàn diện hơn với đa dạng sinh học vi sinh. Một thách thức lớn trong phân tích dữ liệu metagenomic là bài toán phân loại (binning) các đoạn trình tự DNA ngắn thu được từ nhiều loài khác nhau trong một mẫu môi trường. Việc phân loại chính xác giúp đánh giá tiềm năng trao đổi chất, sự tiến hóa và chức năng của cộng đồng vi sinh vật.

Luận văn tập trung nghiên cứu ứng dụng mô hình chủ đề Latent Dirichlet Allocation (LDA) để giải quyết bài toán phân loại metagenomic. Mục tiêu chính là sử dụng mô hình chủ đề như một kỹ thuật thu giảm số chiều, biểu diễn các trình tự metagenomic dưới dạng vector đặc trưng, từ đó cải thiện hiệu quả gom nhóm trình tự. Nghiên cứu được thực hiện trên các tập dữ liệu metagenomic thực tế, với phạm vi thời gian từ tháng 9 đến tháng 12 năm 2017 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc phát triển các phương pháp phân tích dữ liệu metagenomic không dựa vào cơ sở dữ liệu tham chiếu, góp phần nâng cao độ chính xác và hiệu quả phân loại trong lĩnh vực khoa học máy tính và sinh học tính toán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình chính:

1. Metagenomics và phân loại trình tự DNA: Metagenomics nghiên cứu bộ gen tổng hợp của cộng đồng vi sinh vật trong môi trường tự nhiên. Dữ liệu metagenomic bao gồm các đoạn trình tự DNA ngắn (reads) từ nhiều loài khác nhau. Bài toán phân loại (binning) nhằm gom nhóm các đoạn trình tự thuộc cùng một hệ gen, giúp hiểu rõ thành phần và chức năng của cộng đồng vi sinh vật.

2. Mô hình chủ đề Latent Dirichlet Allocation (LDA): LDA là mô hình xác suất dùng để phát hiện cấu trúc tiềm ẩn trong dữ liệu, thường áp dụng cho khai phá dữ liệu văn bản. Mỗi tài liệu được biểu diễn như một phân bố xác suất trên các chủ đề, mỗi chủ đề là phân bố xác suất trên các từ. Trong nghiên cứu này, mỗi đoạn trình tự DNA được xem như một tài liệu, các l-mer (đoạn con có độ dài l) là các từ, và LDA được dùng để thu giảm số chiều, tạo ra vector đặc trưng cho từng trình tự.

Các khái niệm chính bao gồm: l-mer (đoạn con DNA), phân bố Dirichlet, phép gán chủ đề (topic assignment), và thuật toán Gibbs sampling để ước lượng tham số mô hình LDA.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là các tập dữ liệu metagenomic thực tế, bao gồm cả trình tự ngắn và dài, thu thập từ các mẫu môi trường khác nhau. Cỡ mẫu cụ thể dao động trong khoảng hàng nghìn đến hàng chục nghìn đoạn trình tự.

Phương pháp nghiên cứu gồm các bước chính:

• Biểu diễn mỗi đoạn trình tự DNA dưới dạng tài liệu gồm các l-mer (với l thường từ 3 đến 7).
• Áp dụng mô hình LDA để thu giảm số chiều, tạo vector đặc trưng cho từng trình tự dựa trên phân bố chủ đề.
• Thực hiện gom nhóm sơ bộ các trình tự bằng phương pháp BiMeta, phân nhóm độc lập dựa trên tần số l-mer.
• Tính vector đặc trưng cho mỗi nhóm dựa trên centroid của nhóm.
• Áp dụng thuật toán k-means để gom cụm các vector đặc trưng nhóm.
• Kết hợp kết quả các bước để phân loại cuối cùng các đoạn trình tự.

Phân tích và đánh giá hiệu quả được thực hiện bằng các chỉ số Precision, Recall và F-measure trên các tập dữ liệu thử nghiệm. Timeline nghiên cứu kéo dài từ tháng 9 đến tháng 12 năm 2017, với sự hướng dẫn của PGS. Trần Văn Hoài tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả thu giảm số chiều bằng mô hình LDA: Việc sử dụng LDA giúp biểu diễn các đoạn trình tự metagenomic dưới dạng vector đặc trưng với số chiều giảm đáng kể, từ hàng trăm đến hàng nghìn chiều xuống còn khoảng 20-50 chủ đề. Điều này giúp giảm thiểu độ phức tạp tính toán mà vẫn giữ được thông tin đặc trưng quan trọng.

2. Độ chính xác phân loại vượt trội so với các phương pháp hiện có: Phương pháp LDABiMetaCluster đạt F-measure cao hơn từ 5% đến 10% so với các phương pháp BiMeta và MetaProb trên các tập dữ liệu trình tự ngắn và dài. Ví dụ, trên tập dữ liệu trình tự dài, LDABiMetaCluster đạt F-measure khoảng 85%, trong khi BiMeta và MetaProb lần lượt đạt khoảng 78% và 80%.

3. Khả năng gom nhóm các trình tự có độ phong phú thấp: Phương pháp đề xuất cho thấy khả năng phân loại tốt hơn các trình tự thuộc các loài có độ phong phú thấp, nhờ vào việc kết hợp đặc trưng chủ đề và centroid nhóm, giúp tăng độ nhạy trong việc phát hiện các nhóm nhỏ.

4. Tính ổn định và khả năng mở rộng: Thuật toán Gibbs sampling trong LDA và k-means cho phép mô hình hội tụ nhanh chóng trong khoảng 100-200 vòng lặp, phù hợp với các tập dữ liệu lớn. Thời gian xử lý giảm khoảng 20% so với các phương pháp truyền thống nhờ vào việc thu giảm số chiều hiệu quả.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu quả phân loại là do mô hình LDA khai thác được cấu trúc tiềm ẩn trong dữ liệu metagenomic, giúp biểu diễn các đoạn trình tự dưới dạng các chủ đề đặc trưng, từ đó tăng khả năng phân biệt giữa các nhóm trình tự khác nhau. So với các phương pháp chỉ dựa trên tần số l-mer hoặc đặc trưng phong phú, việc sử dụng mô hình chủ đề giúp giảm nhiễu và tăng tính tổng quát.

Kết quả này phù hợp với các nghiên cứu gần đây trong lĩnh vực metagenomic binning, đồng thời mở rộng ứng dụng mô hình chủ đề từ khai phá dữ liệu văn bản sang phân tích dữ liệu sinh học. Việc kết hợp các bước gom nhóm sơ bộ và phân cụm cuối cùng giúp tăng độ chính xác và ổn định của phương pháp.

Dữ liệu có thể được trình bày qua biểu đồ so sánh F-measure giữa các phương pháp trên các tập dữ liệu khác nhau, cũng như bảng thống kê Precision và Recall chi tiết cho từng phương pháp. Điều này minh họa rõ ràng ưu thế của phương pháp đề xuất trong việc phân loại metagenomic.

Đề xuất và khuyến nghị

1. Triển khai rộng rãi mô hình LDA trong phân tích metagenomic: Khuyến nghị các trung tâm nghiên cứu và phòng thí nghiệm sinh học tính toán áp dụng mô hình LDA để thu giảm số chiều và phân loại dữ liệu metagenomic, nhằm nâng cao độ chính xác và hiệu quả xử lý. Thời gian triển khai dự kiến trong 6-12 tháng.

2. Phát triển phần mềm tích hợp công cụ LDABiMetaCluster: Đề xuất xây dựng phần mềm mã nguồn mở tích hợp các bước xử lý từ biểu diễn l-mer đến phân cụm cuối cùng, giúp các nhà nghiên cứu dễ dàng áp dụng và mở rộng. Chủ thể thực hiện là nhóm nghiên cứu tại các trường đại học và viện nghiên cứu.

3. Mở rộng nghiên cứu với dữ liệu metagenomic đa mẫu và đa môi trường: Khuyến khích nghiên cứu tiếp theo áp dụng mô hình LDA trên các bộ dữ liệu metagenomic thu thập từ nhiều mẫu và môi trường khác nhau để đánh giá khả năng tổng quát và hiệu quả phân loại trong thực tế. Thời gian nghiên cứu dự kiến 12-18 tháng.

4. Kết hợp mô hình chủ đề với các kỹ thuật học sâu (deep learning): Đề xuất nghiên cứu kết hợp mô hình chủ đề với các mạng nơ-ron sâu để khai thác thêm các đặc trưng phức tạp trong dữ liệu metagenomic, nhằm cải thiện hơn nữa độ chính xác phân loại. Chủ thể thực hiện là các nhóm nghiên cứu về trí tuệ nhân tạo và sinh học tính toán.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành khoa học máy tính và sinh học tính toán: Luận văn cung cấp kiến thức nền tảng và phương pháp ứng dụng mô hình chủ đề trong phân tích dữ liệu metagenomic, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phân tích dữ liệu metagenomic: Các nhà khoa học làm việc với dữ liệu metagenomic có thể áp dụng phương pháp đề xuất để nâng cao hiệu quả phân loại và gom nhóm trình tự, đặc biệt trong các dự án không có cơ sở dữ liệu tham chiếu đầy đủ.

3. Phòng thí nghiệm và trung tâm nghiên cứu sinh học phân tử: Luận văn giúp các đơn vị này hiểu rõ hơn về các kỹ thuật phân tích dữ liệu metagenomic hiện đại, từ đó cải tiến quy trình phân tích và rút ngắn thời gian xử lý.

4. Nhà phát triển phần mềm và công cụ sinh học tính toán: Các lập trình viên và kỹ sư phần mềm có thể dựa trên luận văn để phát triển các công cụ hỗ trợ phân loại metagenomic tích hợp mô hình chủ đề, đáp ứng nhu cầu ngày càng tăng của cộng đồng nghiên cứu.

Câu hỏi thường gặp

1. Mô hình LDA có ưu điểm gì khi áp dụng cho dữ liệu metagenomic?
   LDA giúp thu giảm số chiều dữ liệu bằng cách phát hiện các chủ đề tiềm ẩn, từ đó biểu diễn các đoạn trình tự dưới dạng vector đặc trưng. Điều này giảm độ phức tạp tính toán và tăng khả năng phân biệt giữa các nhóm trình tự, cải thiện độ chính xác phân loại.

2. Phương pháp LDABiMetaCluster khác gì so với BiMeta và MetaProb?
   LDABiMetaCluster kết hợp mô hình LDA để tạo vector đặc trưng chủ đề, trong khi BiMeta và MetaProb chủ yếu dựa trên tần số l-mer và các đặc trưng xác suất. Kết quả thực nghiệm cho thấy LDABiMetaCluster có F-measure cao hơn từ 5-10%, thể hiện hiệu quả vượt trội.

3. Có thể áp dụng phương pháp này cho dữ liệu metagenomic có trình tự rất ngắn không?
   Phương pháp đã được thử nghiệm trên cả dữ liệu trình tự ngắn và dài, cho thấy khả năng phân loại tốt ngay cả với các đoạn trình tự ngắn khoảng 75 base pair, nhờ vào việc sử dụng mô hình chủ đề để khai thác thông tin tiềm ẩn.

4. Thời gian xử lý của phương pháp này như thế nào?
   Thuật toán Gibbs sampling và k-means cho phép mô hình hội tụ nhanh trong khoảng 100-200 vòng lặp. Thời gian xử lý giảm khoảng 20% so với các phương pháp truyền thống nhờ thu giảm số chiều hiệu quả, phù hợp với các tập dữ liệu lớn.

5. Phương pháp có thể mở rộng cho các mẫu metagenomic đa môi trường không?
   Có thể. Luận văn đề xuất mở rộng nghiên cứu để áp dụng mô hình LDA trên nhiều mẫu và môi trường khác nhau nhằm đánh giá khả năng tổng quát. Việc này sẽ giúp cải thiện độ chính xác phân loại và hiểu rõ hơn về đa dạng sinh học vi sinh trong các môi trường phức tạp.

Kết luận

• Nghiên cứu đã thành công trong việc áp dụng mô hình chủ đề LDA để thu giảm số chiều và phân loại dữ liệu metagenomic, nâng cao độ chính xác so với các phương pháp hiện có.
• Phương pháp LDABiMetaCluster cho thấy hiệu quả vượt trội trên cả dữ liệu trình tự ngắn và dài, đặc biệt trong việc phân loại các loài có độ phong phú thấp.
• Thuật toán Gibbs sampling và k-means giúp mô hình hội tụ nhanh, phù hợp với xử lý dữ liệu lớn trong thực tế.
• Luận văn góp phần mở rộng ứng dụng mô hình chủ đề trong lĩnh vực sinh học tính toán, đồng thời đề xuất các hướng phát triển tiếp theo như tích hợp học sâu và mở rộng đa mẫu.
• Khuyến nghị triển khai phương pháp trong các dự án nghiên cứu metagenomic và phát triển phần mềm hỗ trợ, nhằm nâng cao hiệu quả phân tích và hiểu biết về cộng đồng vi sinh vật.

Hành động tiếp theo là áp dụng phương pháp trên các bộ dữ liệu metagenomic đa dạng hơn và phát triển công cụ phần mềm mã nguồn mở để phục vụ cộng đồng nghiên cứu.

Trích đoạn nội dung tài liệu

Chương 1 »⁄ Mo đầu 1.1 Giới thiệu van dé Metagenomics, khoa hoc về gen ở một quy mô lớn (genomics on a huge scale), là một công cụ hữu hiệu có thé được sử dung dé phân tích các cộng đồng vi sinh vật mà không cần phân lập riêng từng cá thể để nuôi cấy trong phòng thí nghiệm như cách làm truyền thống. Thuật ngữ metagenome được đặt tên bởi Handelsman năm 1998 như là "các bộ gen của tất cả các vi sinh vật được tìm thấy trong tự nhiên" [1]. Mục tiêu cuối cùng của metagenomics là một sự hiểu biết toàn diện về hệ sinh thái của chúng ta. Các công cụ của gen học và vi sinh học cổ điển chủ yêu dựa vào tách các loài vi sinh vật trong các môi trường nuôi cấy thuần chủng, môi trường chỉ chứa các vi sinh vật của một loài cụ thể.

Điều này có nghĩa rằng phần lớn của thế giới vi sinh vật không thể được tiếp cận bởi khoa học vi chỉ một phan nhỏ - hầu hết các nhà khoa học ước tính ít hơn 1% loài vi sinh vật trên Trái đất - có thể được nuôi cấy. Bằng cách cho phép các nhà khoa học để truy cập vào hệ gen của một cộng đồng mà không dựa vào môi trường nuôi cây thuần chủng, metagenomics vượt qua những hạn chê của gen học và vi sinh vật học cổ điển [1]. Một mẫu đữ liệu metagenomic chứa các đoạn trình tự từ các vi sinh vật khác nhau. Vì vậy, một van dé quan trọng trong phân tích dữ liệu metagenomic là xác định và định lượng các loài hay bộ/hệ gen (genomes) trong một mẫu.

Việc xác định các nhóm trình tự liên quan về mặt huyết thống trong một tập dữ liệu metagenomic thường được gọi là phân loại (binning). Bài toán này được phát biểu khá đơn giản như sau: "Cho một tập dữ liệu metagenomic, làm sao có thể gom các trình tự (read) theo hệ gen?" Giải quyết bài toán này cho phép các nhà nghiên cứu metagenomic đánh giá tiểm năng trao đổi chất của cộng đồng vi sinh vật, từ đó có thể trả lời những câu hỏi sâu sắc hơn sự tiền hóa, sự đa dạng, và chức năng của các vi sinh vật. Tuy nhiên, việc phân loại dữ liệu metagenomic có một số thách thức đặc thù. Thứ nhát, số loài vi sinh vật có thể được phân lập để nuôi cấy trong phòng thí nghiệm chỉ chiếm khoảng 0.1% đến 1% trong tổng số vi khuẩn từ môi trường [6].

Do vậy, hầu hết các trình tự của dữ liệu metagenomic không có trong cơ sở đữ liệu tham khảo. Điều này làm cho việc phân loại gặp khó khăn hơn nhiều. Thit hai, chiều dài khá ngắn của các read cũng là một trở ngại cho việc phân loại. Các read ngắn có thể không chứa đủ thông tin về huyết thông (phylogenetic information).

Cudi cùng, khác với các loại dữ liệu như văn bản hay ảnh, dữ liệu trình tự sinh học như metagenomic không có các đặc trưng rõ ràng, điều nay cũng là một van dé cần phải giải quyết cho bài toán phân loại metagenomic.2 Muc tiêu Phân loại (binning) là một bai toán can ban trong phân tích dữ liệu metage- nomic bởi vì độ chính xác của quá trình phân loại có tác động trực tiếp vào các phân tích tiếp theo sau và các kết luận khác thường được rút ra từ chúng. Các mô hình chủ dé (topic models) thường được sử dụng để khám phá ra câu trúc chủ dé của tập dữ liệu. Các thử nghiệm gần đây [7, 8] cho rằng đây là một phương pháp hứa hẹn cho phân tích dữ liệu metagenomic. Do đó, trong đề tài này, chúng tôi tập trung nghiên cứu bài toán phân loại dữ liệu metagenomic sử dụng các mô hình chủ dé.

Cụ thể, chúng tôi sẽ nghiên cứu các vân dé sau: e Sử dụng mô hình chủ dé như một kỹ thuật thu giảm số chiều để biểu diễn trình tự metagenomic và sử dụng nó cho việc gom nhóm trình tự, e Nghiên cứu sự hữu ích của các đặc trưng của mô hình LDA tạo ra cho việc cho việc gom nhóm trình tự. 13 GiGi hạn Trong đề tài này, chúng tôi chủ yếu thực hiện việc phân các trình tự trong metagenomic vào các nhóm. Việc phân nhóm này chưa yêu cau phải đưa ra được kết luận nhóm đó thuộc giống loài nào trên cây phân loại. Tuy đầu ra của phương pháp chưa đưa ra được kết quả như mong muốn của các nhà nghiên cứu sinh học, đây là bước quan trọng trong việc phân loại trình tự metagenomic mà không sử dụng đến cơ sở dit liệu tham chiếu.4 Bo cục cua luận văn Cấu trúc của luận văn dự định được trình chia thành các chương như sau: e Chương 2: Kiến thức cơ sở: trình bày các kiến thức cơ sở về metagenomic và mô hình chủ dé.

e Chương 3: Các nghiên cứu liên quan: trình bày các nghiên cứu liên quan đến bài toán phân loại trình tự metagenomic. 4 e Chương 4: Phân loại metagenomic dựa trên mô hình chủ dé: trình bay cách sử dụng mô hình chủ đề cho bài toán phân loại metagenomic. e Chương 5: Thực nghiệm và đánh giá: trình bày kết quả thực nghiệm của phương pháp dé xuất và so sánh với các phương pháp đã có. e Chương 6: Kết luận: trình bay phan tổng kết của dé tài, các ưu khuyết điểm và các hướng phát triển.

Chương 2 Kiến thức co sở 2.1 DNA, gennome va metagenome 2.1 DNA DNA (deoxyribonucleic acid) là một phân tử mang các thông tin di truyền được sử dụng trong sự tăng trưởng, phát triển, hoạt động và sinh sản của tất cả các sinh vật sông. DNA va RNA (ribonucleic acid) là axit nucleic, cùng với các protein, lipid và các carbohydrate phức tạp (polysaccharides), là một trong bốn loại đại phân tử chính cần thiết cho tất cả các hình thức của sự sống. Hầu hết các phân tử DNA bao gồm hai chuỗi biopolymer cuộn quanh nhau tạo thành một chuỗi xoắn kép. Hai chuỗi biopolymer được gọi là các polynucleotides vì chúng bao gồm các đơn vị monomer đơn giản gọi là nucleotide [9].

Mỗi nucleotide bao gồm một trong bốn nucleobase chứa nitd - cytosine (C), guanine (G), adenine (A) hoặc thymine (T) - một loại đường được gọi là deoxyribose và một nhóm phosphate. Câu trúc của một phân tử DNA được mô tả bởi hình 2. Paired nucleotides Hình 2.1: Cau trúc của một phân tử DNA 2.2 Genome Trong sinh hoc phân tử hiện dai va di truyền học, một bộ gen hay hệ gene (genome) là vật chất di truyền của một sinh vật, được mã hóa trong DNA (ở một số virus có thể là RNA). Bộ gen bao gồm cả những vùng chứa gen (các vùng mang mã di truyén - coding regions) lẫn những đoạn không phiên mã (noncoding re- gions), cũng như các vật liệu di truyền của ty thé (mitochondria) và các luc lap (chloroplasts).

Genomics (gen học) là một ngành học trong lĩnh vực sinh hoc phan tử (molecular biology) nghiên cứu về các bộ gen. Genomics sử dụng các kỹ thuật giải trình tự DNA thông lượng cao (high throughput DNA sequencing) và tin sinh học (bioinformatics) để tập hợp (assemble) và phân tích chức năng cũng như cấu trúc của các bộ gen.3 Metagenome Metagenome là tất cả các vật chất di truyền có trong một mẫu môi trường (environmental sample), bao gồm các bộ gen của nhiều sinh vật riêng lẻ. Metage- nomics là khoa học về metagenome. Nó là ngành học nghiên cứu vật chất di truyền thu được trực tiếp từ các mẫu môi trường.

Lĩnh vực cũng có thể được gọi là environ- mental genomics, sinh thái học (ecogenomics) hoặc community genomics. Khi giá thành của việc giải tự DNA ngày càng giảm nhờ những tiến bộ trong công nghệ giải trình tự, metagenomics cho phép nghiên cứu sinh thái vi sinh ở quy mô và chỉ tiết lớn hơn trước rất nhiều. Metagenomics còn được gọi là khoa học về gen ở một quy mô lớn (genomics on a huge scale).2 mô ta sự khác nhau giữa genomics va metagenomics. Dữ liệu metagenomic chứa các đoạn trình tự từ các vi sinh vật khác nhau.

Cac nghiên cứu về metagenomics có thể cho phép các nhà khoa học hiểu rõ hơn cách thức các loài (species) và chủng (strains) đóng góp vào hoạt động của cộng đồng vi sinh vật trong một môi trường cụ thể [10]. Ngoài ra, các nghiên cứu này cũng có thể cho phép tái tạo lại bộ gen gần như day đủ của các thành viên chủ đạo của cộng đồng vi sinh vật từ DNA được trích xuất trực tiếp từ môi trường. Trình tự bộ gen từ các mẫu môi trường (environmental samples) thể hiện các đặc điểm tổng hợp của quan thể. So sánh các dữ liệu trình tự/chuỗi (sequence data) trong và giữa các quan thể tự nhiên có thể tiết lộ các quá trình tiễn hóa dẫn đến sư đa dạng và biệt hóa hệ gen (genome diversification and speciation).

Từ đó, nó có thể tiết lộ cách thức các loài và chủng đóng góp vào hoạt động của cộng đồng [10]. ——————————c- ——— metagenomics | '=—————* er isolation > DNA of DNA ~ fromthe» | Knowledge ~~~| application ——————% ——————& Metagenomics can in principle access 100% of the genetic [nowle 3s) — isolation | resources of an environment. application | of ONA Cine mere Sultivalable ‘ss. : pace __J~~ Traditional cultivation methods oe rs and traditional genomics can at.

ea | genomics ki“ best access 1%.2: Genomics va metagenomics [1] 2.2 Giải trình tự DNA Giải (lập) trình tự DNA (DNA sequencing) là quá trình xác định thứ tự chính xác của các nucleotide trong một phân tử DNA. Nó bao gồm bất kỳ phương pháp hay công nghệ được sử dung để xác định thứ tự của bốn bazơ (base): adenine (A), guanine (G), cytosine (C) và thymine (T) trong một trình tự DNA. Việc phát minh ra những công nghệ lập trình tự thé hệ mdi (next-generation sequencing - NGS) trong khoảng một thập niên trở lại đây đã thay đổi các nghiên cứu về metagenomics. Các công nghệ lập trình tự thé hệ mới (còn được gọi là các công nghệ lập trình tự thông lượng cao, high-throughput sequencing) thay vi lập trình tự một đoạn DNA đơn (a single DNA fragment), thực hiện quá trình này hàng triệu lần một cách song song với chi phí giảm đi đáng kể.

Quá trình giải trình tự shotgun từ môi trường (Environmental Shotgun Sequencing, ESS) được mô ta ở hình 2. Các bước của quá trình này gôm: (A) Thu mẫu từ môi trường: (B) sàng lọc mẫu theo kích cỡ; (C) phân tích va phân lập DNA; (D) nhân dong và lập thư viện; (E) giải trình tự các dòng (clones); (F) ghép nối trình tự (sequence assembly) để tạo thành các contig và scaffold.3: Quá trình giải trình tu shotgun từ môi trường [2] Trước khi có NGS, lập trình tự DNA chính là nút thắt cổ chai trong việc nghiên cứu về metagenomics. Sau khi các công nghệ NGS được phát minh, nút thắt cổ chai trở thành việc phân tích và diễn giải các kết quả đã lập trình tự được.