CHƯƠNG 1 GIỚI THIỆU 1. Metagenomics và bài toán phân loại trình tự Đóng vai trò là những sinh vật chiếm đa số trong sự đa dạng sinh học của sự sống, vi sinh vật (như vi khuẩn (bacteria), vi rút (virus), hay vi khuẩn cổ (archaea)) ảnh hưởng trực tiếp đến cuộc sống của con người [1]. Vì vậy, sự hiểu biết về cộng đồng vi sinh vật mang đến lợi ích trong nhiều lĩnh vực như: y học, nông nghiệp, công nghệ sinh học, nghiên cứu năng lượng thay thế, môi trường [2]. Một số nghiên cứu đầu tiên về vi sinh vật là vào khoảng những năm 1970, khi hệ gien của một số vi sinh vật được giải mã [3].
Trong phương pháp nghiên cứu vi sinh vật truyền thống, mẫu thực nghiệm sau khi được thu thập từ môi trường thực tế sẽ được nuôi cấy (culture) và phân tách (isolate) theo từng loài vi sinh vật trước được đưa vào giai đoạn giải mã trình tự DNA. Trình tự của từng loài vi sinh vật sau đó được đưa vào quá trình phân tích dữ liệu. Tuy nhiên, một trở ngại lớn đối với phương pháp này là hầu hết vi sinh vật (hơn 99%) không thể nuôi cấy và phân tách được trong phòng thí nghiệm [4]. Bởi vì những hạn chế của phương pháp truyền thống, một hướng tiếp cận khác trong nghiên cứu vi sinh vật ra đời và dần trở thành phương pháp được sử dụng phổ biến, được gọi là metagenomics.
Theo hướng này, mẫu thực nghiệm sau khi được thu thập từ môi trường, không cần trải qua giai đoạn nuôi cấy và phân tách trong phòng thí nghiệm, mà được đưa trực tiếp vào quá trình giải mã. Những vấn đề trong lĩnh vực metagenomics bắt đầu được tập trung nghiên cứu từ khoảng năm 2007 với sự ra đời của dự án nghiên cứu vi sinh vật trong 1 cơ thể con người [5]. Hàng trăm dự án nghiên cứu vi sinh vật khác tiếp sau đó ra đời nhằm nghiên cứu các môi trường khác nhau như: nước thải axit từ khu mỏ (acid mine drainage [6]), nước biển (seawater [7]), và đường ruột cơ thể người (human gut [8]). Đồng thời, nhiều bài toán được đặt ra cho những người nghiên cứu trong lĩnh vực tin sinh học nhằm hỗ trợ cho quá trình phân tích dữ liệu trình tự metagenomics.1: Quy trình xử lý của một dự án trong lĩnh vực metagenomics.
Trong một dự án metagenomics, mẫu thực nghiệm được đưa trực tiếp vào giai đoạn giải mã trình tự sau khi được thu thập từ môi trường thực tế (hình 1. Do đó, dữ liệu metage- nomics thường không chứa trình tự của từng sinh vật riêng biệt, mà bao gồm trình tự của nhiều loài khác nhau (có khi hơn 10.000 loài trong một mẫu [2]). Vì vậy, một trong những vấn đề quan trọng cần giải quyết là phân loại trình tự metagenomics (taxonomic binning). Bài toán này được phát biểu như sau (theo Thomas và cộng sự [9]): "Phân loại trình tự metagenomics là quá trình sắp xếp trình tự DNA vào các nhóm bao gồm các trình tự thuộc cùng hệ gien của một cá thể hoặc hệ gien của các vi sinh vật có quan hệ gần nhau".
2 Chẳng hạn, như minh họa ở hình 1. Tập dữ liệu bao gồm 16 trình tự DNA. Giải pháp phân loại giúp phân chia tập trình tự này vào 3 tập, mỗi tập chứa trình tự của một nhóm vi sinh vật. Định nghĩa này được sử dụng trong toàn bộ luận án.
Trong trường hợp tồn tại cơ sở dữ liệu tham khảo, trình tự có thể được gán nhãn (cho biết chúng thuộc về nhóm vi sinh vật nào đã biết).2: Minh họa mục tiêu của bài toán phân loại trình tự metageonmic. Bài toán này có ý nghĩa quan trọng đối với nhà nghiên cứu về sinh học nhằm xác định những nhóm vi sinh vật nào tồn tại trong mẫu thực nghiệm, tỉ lệ xuất hiện của chúng trong môi trường ra sao, và giúp họ có thể thực hiện nghiên cứu trên trình tự của từng nhóm riêng biệt. Ngoài ra, trong quy trình thông thường của một dự án metagenomics (hình 1.1), kết quả trả về của bài toán phân loại có thể được sử dụng cho bài toán chú giải hệ gien (annotation) nhằm xác định vị trí mang mã di truyền trên trình tự. Bên cạnh đó, bài toán phân loại có thể được sử dụng với vai trò là bước tiền xử lý cho bài toán ráp nối trình tự nhằm tăng độ chính xác và giảm chi phí tính toán cho quá trình tái xây dựng hệ gien [1].
Về mặt lý thuyết, nếu trình tự DNA được ráp nối thành chuỗi dài hơn (thành các scaffold hay hệ gien) thì giải pháp phân loại áp dụng cho trình tự dài có thể đạt chất lượng cao hơn. Tuy nhiên, bài toán ráp nối trình tự metagenomics (metagenome assembly) là một vấn đề khó và có nhiều thách thức lớn vẫn chưa được giải quyết một cách hiệu quả [9], và nó không nằm trong nội dung nghiên cứu của luận án này. Vấn đề tồn tại cần giải quyết 1. Độ chính xác Độ chính xác là một trong những khía cạnh quan trọng nhất cần được quan tâm của bài toán.
Một số các yếu tố chính ảnh hưởng đến độ chính xác của các giải pháp hiện tại, cần được quan tâm giải quyết như: + Độ dài trình tự: Độ dài trình tự càng ngắn đồng nghĩa với việc thông tin chứa đựng trong trình tự càng ít, dẫn đến độ chính xác khi phân loại giảm đi [10]. Mặc dù vậy, hầu hết các công nghệ giải mã trình tự hiện nay chỉ cho phép giải mã trình tự có độ dài ngắn hoặc rất ngắn (nhỏ hơn 700 bp). Từ kết quả thử nghiệm được công bố của những nghiên cứu trước đây, có thể thấy rõ sự ảnh hưởng này. Chẳng hạn, RAIphy và Phymm đạt độ chính xác khoảng 32% – 36% cho trình tự dài 100 bp, trong khi đối với trình tự dài 1000 bp là 65% – 80% [11].
+ Thiếu cơ sở dữ liệu tham khảo: Nhiều giải pháp phân loại hiện nay thực hiện tham khảo trên cơ sở dữ liệu chứa hệ gien hay trình tự của sinh vật đã biết. Tuy nhiên, phần lớn vi sinh vật trên trái đất vẫn chưa được phát hiện [12] dẫn đến sự thiếu hiệu quả của nhóm giải pháp này. Chi phí tính toán Chi phí tính toán là khía cạnh quan trọng khác cần được quan tâm bởi vì một dự án metagenomics thông thường cần phải phân tích một khối lượng dữ liệu rất lớn (có khi hàng trăm gigabase trình tự [8]), vốn đòi hỏi nhiều thời gian xử lý. Phần lớn giải pháp phân loại trình tự có giám sát hiện nay thực hiện so sánh tương đồng giữa trình tự cần phân tích với trình tự hay hệ gien đã biết.
Mặc dù hướng tiếp cận này có ưu điểm là có thể đạt độ chính xác cao hơn so với các nhóm giải pháp khác, nhưng đòi hỏi nhiều thời gian xử lý, đặc biệt khi cơ sở dữ liệu tham khảo lớn. Ví dụ, MEGAN, sử dụng ngân hàng dữ liệu NCBI-NR, cần 34 ngày để thực thi cho bộ dữ liệu khoảng 70.000 trình tự [13]. 4 Nhóm giải pháp không có giám sát thì gặp trở ngại vì số lượng nghiệm bùng nổ ngay cả khi dữ liệu không quá lớn. Bài toán này là một dạng của bài toán phân hoạch, đã được chứng minh không thể xét toàn bộ không gian nghiệm trong thời gian chấp nhận được bởi hệ thống máy tính hiện nay (theo Brian và cộng sự [14], tham khảo từ sách của Liu [15]).
Vì lý do này, hầu hết các giải pháp phân loại không giám sát hiện nay (được tìm thấy bởi đề tài nghiên cứu này) đều sử dụng phương pháp heuristic hay tìm kiếm cục bộ (local search) để tìm nghiệm của bài toán trong thời gian chấp nhận được. Việc mở rộng không gian tìm kiếm có thể giúp cải thiện chất lượng nghiệm nhưng thường làm chi phí tính toán tăng cao. Mục tiêu của luận án Mục tiêu của luận án là nhằm đề xuất giải pháp phân loại cho dữ liệu metagenomics, có khả năng xử lý tốt cho trình tự ngắn, và giải quyết hiệu quả cho trường hợp cơ sở dữ liệu tham khảo không đầy đủ. Cụ thể, ba hướng giải quyết chính được đặt ra trong luận án, bao gồm: Thứ nhất, thực hiện phân loại trình tự metagenomics dựa trên sự phong phú của hệ gien trong trường hợp không tồn tại cơ sở dữ liệu tham khảo.
Giải pháp phân loại cho phép phân chia trình tự vào các nhóm sao cho mỗi nhóm chứa trình tự thuộc hệ gien có độ phong phú tương tự nhau. Thứ hai, thực hiện phân loại trình tự metagenomics trường hợp không tồn tại cơ sở dữ liệu tham khảo sao cho trình tự trong mỗi nhóm thuộc cùng loài hoặc có quan hệ sinh loài gần nhau. Thứ ba, phân loại trình tự metagenomics trong trường hợp tồn tại cơ sở dữ liệu tham khảo. Giải pháp phân loại này vừa giúp phân chia trình tự vào các nhóm, vừa xác định trình tự thuộc về nhóm vi sinh vật nào đã biết.
Phương pháp và nội dung nghiên cứu Luận án này tập trung vào việc nghiên cứu sử dụng tính chất của dữ liệu (thông tin gối đầu trình tự, đặc trưng tần số xuất hiện l-mer, tính tương đồng của trình tự) nhằm đề xuất phương pháp phân loại mới. Đồng thời, luận án vận dụng các kỹ thuật nền tảng về phân lớp và gom cụm đã có (thuật toán Expectation Maximization, thuật toán k-means, thuật toán 5 Lowest Common Ancestor) để phát triển các giải pháp phân loại. Đóng góp của luận án Những đóng góp chính của luận án bao gồm: 1. Về mặt khoa học • Đề xuất mô hình thu giảm để tìm ước lượng khả năng cực đại của tham số cho mô hình thống kê về tần số xuất hiện l-mer, giúp giảm chi phí tính toán cho giải pháp phân loại dựa trên sự phong phú của hệ gien.
• Đề xuất phương pháp dự đoán số cụm trong tập dữ liệu sử dụng phương pháp lựa chọn mô hình cho vấn đề phân loại dựa trên sự phong phú của hệ gien. • Cũng nhằm làm tăng chất lượng của giải pháp phân loại trình tự dựa trên sự phong phú của hệ gien, luận án đề xuất một phương pháp đếm l-mer với độ dài thay đổi giúp ước lượng mức độ phong phú của hệ gien hiệu quả hơn. • Đề xuất ý tưởng chọn đại diện của tập trình tự thuộc cùng hệ gien dựa trên thông tin gối đầu trình tự. Tập này cho thấy có khả năng bảo toàn đặc trưng hợp thành và tương đồng chứa đựng trong tập dữ liệu gốc.
Ý tưởng này có khả năng làm tăng chất lượng phân loại hay giảm chi phí tính toán cho các bài toán phân loại trình tự metagenomics.