Xây dựng mô hình chẩn đoán bệnh dựa trên phương pháp rừng ngẫu nhiên luận văn thạc sỹ ngành công nghệ thông tin

Chuyên khảo kỹ thuật phân tích Xây dựng mô hình chẩn đoán bệnh dựa trên phương pháp rừng ngẫu nhiên luận văn thạc sỹ ngành công, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Phan Tại Thiện
• Người hướng dẫn: TS. Bùi Ngọc Dũng
• Trường học: Trường Đại Học Giao Thông Vận Tải
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xây Dựng Mô Hình Chẩn Đoán Bệnh Bằng Rừng Ngẫu Nhiên
• Loại tài liệu: luận văn thạc sỹ
• Năm xuất bản: 2018
• Địa điểm: TP Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CÁC HỆ HỖ TRỢ RA QUYẾT ĐỊNH
• 1.1. Giới thiệu về học máy trong y tế
• 1.2. Một số hệ thống hỗ trợ ra quyết định trong chẩn đoán bệnh
• 1.2.1. Ứng dụng phương pháp SVM trong dự đoán hoạt tính kháng sốt rét
• 2. CHƯƠNG 2: CHẨN ĐOÁN BỆNH SỬ DỤNG RỪNG NGẪU NHIÊN
• 2.1. Mô hình cây quyết định
• 2.2. Biểu diễn cây quyết định
• 2.3. Các bước chính xây dựng cây quyết định
• 2.4. Cây quyết định so với kỹ thuật khai phá khác
• 2.5. Khai phá dữ liệu và trích chọn thuộc tính
• 2.6. Giới thiệu sơ lược thuật toán về rừng ngẫu nhiên
• 2.7. Giải thuật rừng ngẫu nhiên
• 2.8. Một số đặc điểm giải thuật Random Forest
• 2.9. Thuật toán di truyền
• 2.10. Phương pháp huấn luyện
• 3. CHƯƠNG 3: ỨNG DỤNG PHÂN LOẠI CHẨN ĐOÁN BỆNH
• 3.1. Dữ liệu ung thư phổi
• 3.2. Chẩn đoán ung thư phổi bằng phương pháp Rừng ngẫu nhiên
• 3.3. Kết luận và hướng phát triển
• 4. PHƯƠNG PHÁP NGHIÊN CỨU
• 5. Ý NGHĨA KHOA HỌC CỦA ĐỀ TÀI
• 6. DỰ KIẾN KẾ HOẠCH THỰC HIỆN ĐỀ TÀI
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về học máy trong y tế

Học máy trong y tế đã trở thành một lĩnh vực quan trọng, giúp cải thiện quy trình chẩn đoán và điều trị bệnh. Hệ chuyên gia như MYCIN và DENDRAL đã mở đường cho việc ứng dụng trí tuệ nhân tạo trong y học. Các hệ thống này không chỉ hỗ trợ chẩn đoán mà còn cung cấp cơ chế giải thích các bước suy luận, giúp bác sĩ đưa ra quyết định chính xác hơn. Học máy trong y tế hiện nay tập trung vào việc xử lý dữ liệu lớn, phân tích triệu chứng và dự đoán bệnh sớm. Các kỹ thuật như SVM, Logistic Regression, và Random Forest đang được nghiên cứu và ứng dụng rộng rãi.

1.1 Ứng dụng phương pháp SVM trong dự đoán hoạt tính kháng sốt rét

Phương pháp SVM (Support Vector Machine) đã được sử dụng để dự đoán hoạt tính kháng sốt rét của các dẫn chất chalcon. Nghiên cứu này tập trung vào việc xây dựng mô hình dự đoán dựa trên cấu trúc hóa học của các dẫn chất. SVM được chọn vì khả năng xử lý dữ liệu phi tuyến tính và độ chính xác cao. Kết quả nghiên cứu cho thấy mô hình này có thể giúp định hướng nghiên cứu tổng hợp các hoạt chất mới, góp phần vào cuộc chiến chống lại bệnh sốt rét.

II. Chẩn đoán bệnh sử dụng rừng ngẫu nhiên

Rừng ngẫu nhiên (Random Forest) là một phương pháp phân lớp và hồi quy dựa trên việc kết hợp nhiều cây quyết định. Phương pháp này được sử dụng để chẩn đoán bệnh dựa trên các triệu chứng lâm sàng. Random Forest có ưu điểm là khả năng xử lý dữ liệu lớn, giảm thiểu hiện tượng overfitting và cải thiện độ chính xác của mô hình. Trong luận văn này, Random Forest được áp dụng để phân loại các bệnh dựa trên dữ liệu y tế, giúp hỗ trợ quyết định chẩn đoán một cách hiệu quả.

2.1 Mô hình cây quyết định

Cây quyết định là một công cụ quan trọng trong Random Forest. Mỗi cây quyết định được xây dựng dựa trên các thuộc tính của dữ liệu, giúp phân loại các đối tượng thành các lớp khác nhau. Cây quyết định được sử dụng để duyệt từ nút gốc đến nút lá, từ đó đưa ra kết luận về giá trị mục tiêu. Trong Random Forest, nhiều cây quyết định được kết hợp để cải thiện độ chính xác của mô hình.

2.2 Phương pháp bootstrap

Phương pháp bootstrap được sử dụng để tạo ra các tập dữ liệu con từ tập dữ liệu gốc. Mỗi tập dữ liệu con được sử dụng để xây dựng một cây quyết định. Bootstrap giúp tăng tính đa dạng của các cây quyết định, từ đó cải thiện hiệu suất của Random Forest. Phương pháp này cũng giúp giảm thiểu hiện tượng overfitting, đảm bảo mô hình có khả năng tổng quát hóa cao.

III. Ứng dụng phân loại chẩn đoán bệnh

Random Forest được ứng dụng trong việc phân loại và chẩn đoán các bệnh như ung thư phổi. Dữ liệu y tế được thu thập và xử lý để xây dựng mô hình chẩn đoán. Random Forest giúp xác định các biến quan trọng, loại bỏ các biến không cần thiết, từ đó cải thiện tốc độ và độ chính xác của hệ thống. Kết quả nghiên cứu cho thấy Random Forest là một công cụ hiệu quả trong việc hỗ trợ chẩn đoán bệnh sớm.

3.1 Dữ liệu ung thư phổi

Dữ liệu về ung thư phổi được sử dụng để xây dựng mô hình chẩn đoán. Random Forest được áp dụng để phân loại các trường hợp lành tính và ác tính dựa trên các đặc trưng của dữ liệu. Kết quả cho thấy mô hình này có độ chính xác cao, giúp hỗ trợ bác sĩ trong việc đưa ra quyết định chẩn đoán.

3.2 Chẩn đoán ung thư phổi bằng phương pháp Rừng ngẫu nhiên

Phương pháp Random Forest được sử dụng để chẩn đoán ung thư phổi dựa trên các triệu chứng lâm sàng. Mô hình này giúp xác định các yếu tố nguy cơ và đưa ra cảnh báo sớm cho bệnh nhân. Random Forest cũng giúp loại bỏ các biến không quan trọng, từ đó cải thiện hiệu suất của hệ thống chẩn đoán.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh ứng dụng công nghệ thông tin ngày càng phát triển mạnh mẽ trong lĩnh vực y tế, việc xây dựng các hệ thống hỗ trợ chẩn đoán bệnh dựa trên dữ liệu lâm sàng trở thành một xu hướng tất yếu. Theo báo cáo của ngành, các kỹ thuật học máy như Support Vector Machine (SVM), Logistic Regression, và Random Forest đã được áp dụng rộng rãi nhằm nâng cao độ chính xác trong chẩn đoán sớm các bệnh lý. Tuy nhiên, một trong những thách thức lớn là dữ liệu y tế thường không cân bằng và có nhiều biến không quan trọng, ảnh hưởng đến hiệu quả của mô hình. Mục tiêu của luận văn là xây dựng mô hình chẩn đoán bệnh dựa trên phương pháp rừng ngẫu nhiên (Random Forest) nhằm phân loại chính xác các bệnh dựa trên triệu chứng lâm sàng, đồng thời xác định các biến quan trọng ảnh hưởng đến kết quả chẩn đoán. Nghiên cứu được thực hiện trên dữ liệu triệu chứng lâm sàng thu thập tại một số địa phương trong khoảng thời gian gần đây, với trọng tâm là ứng dụng trong lĩnh vực công nghệ thông tin y tế. Kết quả nghiên cứu không chỉ góp phần nâng cao hiệu quả chẩn đoán mà còn hỗ trợ các công ty bảo hiểm trong quản lý rủi ro và các bác sĩ trong việc ra quyết định điều trị kịp thời.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: học máy trong y tế và mô hình cây quyết định (Decision Tree). Học máy là lĩnh vực nghiên cứu các thuật toán cho phép máy tính học từ dữ liệu để phân loại hoặc dự đoán các hiện tượng y tế. Trong đó, cây quyết định là mô hình phân lớp trực quan, dễ hiểu, sử dụng các luật rẽ nhánh dựa trên thuộc tính dữ liệu để phân loại đối tượng. Rừng ngẫu nhiên (Random Forest) là một kỹ thuật học máy nâng cao, kết hợp nhiều cây quyết định được xây dựng trên các mẫu bootstrap khác nhau và lựa chọn ngẫu nhiên các thuộc tính tại mỗi nút phân chia. Các khái niệm chính bao gồm:

• Bootstrap: kỹ thuật lấy mẫu có thay thế để tạo ra các tập con dữ liệu huấn luyện.
• Bagging: tổng hợp kết quả dự đoán từ nhiều mô hình để giảm phương sai.
• Out-of-Bag (OOB): dữ liệu không xuất hiện trong mẫu bootstrap dùng để đánh giá lỗi mô hình.
• Tỷ lệ lỗi OOB: ước lượng độ chính xác của mô hình trên dữ liệu chưa từng thấy.
• Chọn thuộc tính ngẫu nhiên: tại mỗi nút cây, chỉ một tập con thuộc tính được xem xét để phân chia, giúp giảm tương quan giữa các cây.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các triệu chứng lâm sàng thu thập từ bệnh nhân tại một số cơ sở y tế trong khoảng thời gian gần đây. Cỡ mẫu nghiên cứu khoảng vài trăm bản ghi, được chọn ngẫu nhiên nhằm đảm bảo tính đại diện. Phương pháp phân tích sử dụng thuật toán rừng ngẫu nhiên trong môi trường R, với gói thư viện chuyên dụng. Quá trình nghiên cứu gồm các bước:

• Tiền xử lý dữ liệu, bao gồm loại bỏ dữ liệu nhiễu và chuẩn hóa.
• Lựa chọn thuộc tính quan trọng bằng phương pháp FSelector với thuật toán Random Forest Importance.
• Xây dựng mô hình rừng ngẫu nhiên với số lượng cây được tối ưu hóa để đạt độ chính xác cao nhất.
• Đánh giá mô hình bằng kỹ thuật đánh giá chéo k-lần và sử dụng dữ liệu OOB để ước lượng sai số.
• So sánh kết quả với các mô hình học máy khác như SVM và Logistic Regression để khẳng định hiệu quả.
  Timeline nghiên cứu kéo dài khoảng 12 tháng, bao gồm thu thập dữ liệu, xây dựng mô hình, đánh giá và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình rừng ngẫu nhiên trong chẩn đoán bệnh: Mô hình đạt độ chính xác trung bình khoảng 85% trên tập kiểm tra, với tỷ lệ lỗi OOB chỉ khoảng 15%, cho thấy khả năng phân loại chính xác các trường hợp bệnh dựa trên triệu chứng lâm sàng.
2. Xác định các biến quan trọng: Qua phân tích tầm quan trọng biến, có khoảng 7 biến triệu chứng được xác định là có ảnh hưởng lớn nhất đến kết quả chẩn đoán, giúp giảm chiều dữ liệu và tăng tốc độ xử lý.
3. So sánh với các phương pháp khác: Mô hình rừng ngẫu nhiên vượt trội hơn SVM và Logistic Regression với mức tăng độ chính xác từ 5-7%, đồng thời giảm thiểu hiện tượng overfitting nhờ kỹ thuật bagging và chọn thuộc tính ngẫu nhiên.
4. Ứng dụng thực tế: Mô hình đã được thử nghiệm trên dữ liệu thực tế tại một số cơ sở y tế, cho kết quả dự đoán phù hợp với chẩn đoán của bác sĩ, góp phần hỗ trợ ra quyết định nhanh chóng và chính xác hơn.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình rừng ngẫu nhiên đạt hiệu quả cao là do khả năng kết hợp nhiều cây quyết định độc lập, giảm thiểu sai số phương sai và tăng tính ổn định. Việc lựa chọn ngẫu nhiên các thuộc tính tại mỗi nút giúp giảm tương quan giữa các cây, từ đó nâng cao khả năng tổng quát hóa của mô hình. So với các nghiên cứu trước đây, kết quả này phù hợp với xu hướng ứng dụng rừng ngẫu nhiên trong y tế, đồng thời khắc phục được nhược điểm dữ liệu không cân bằng và biến nhiễu. Biểu đồ phân bố tầm quan trọng các biến và bảng so sánh độ chính xác các mô hình minh họa rõ nét sự vượt trội của phương pháp này. Ý nghĩa của nghiên cứu nằm ở việc cung cấp một công cụ hỗ trợ chẩn đoán bệnh hiệu quả, có thể áp dụng rộng rãi trong các hệ thống y tế hiện đại.

Đề xuất và khuyến nghị

1. Triển khai hệ thống chẩn đoán tự động dựa trên rừng ngẫu nhiên: Đề xuất các cơ sở y tế áp dụng mô hình này để hỗ trợ bác sĩ trong việc phân loại và chẩn đoán bệnh, nhằm nâng cao hiệu quả khám chữa bệnh trong vòng 12 tháng tới.
2. Tối ưu hóa dữ liệu đầu vào: Khuyến nghị thu thập dữ liệu triệu chứng đầy đủ, chuẩn hóa và loại bỏ các biến không quan trọng để tăng tốc độ xử lý và độ chính xác của mô hình, thực hiện liên tục trong quá trình vận hành.
3. Đào tạo nhân viên y tế và kỹ thuật viên: Tổ chức các khóa đào tạo về ứng dụng công nghệ học máy và sử dụng phần mềm chẩn đoán dựa trên rừng ngẫu nhiên cho đội ngũ y bác sĩ và kỹ thuật viên trong 6 tháng đầu năm.
4. Nâng cấp và bảo trì hệ thống định kỳ: Thiết lập quy trình bảo trì, cập nhật mô hình và dữ liệu định kỳ 6 tháng/lần để đảm bảo mô hình luôn phù hợp với thực tế và cải thiện hiệu suất.
5. Mở rộng nghiên cứu ứng dụng: Khuyến khích nghiên cứu mở rộng mô hình cho các bệnh lý khác và tích hợp với các kỹ thuật học máy khác nhằm nâng cao khả năng dự đoán trong vòng 2 năm tới.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành công nghệ thông tin y tế: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng học máy trong chẩn đoán bệnh, giúp phát triển các đề tài nghiên cứu liên quan.
2. Bác sĩ và chuyên gia y tế: Hỗ trợ hiểu rõ hơn về các công cụ hỗ trợ ra quyết định dựa trên dữ liệu, từ đó nâng cao hiệu quả chẩn đoán và điều trị.
3. Các công ty bảo hiểm nhân thọ và y tế: Giúp cải thiện quy trình đánh giá rủi ro và quản lý khách hàng dựa trên phân tích dữ liệu sức khỏe chính xác hơn.
4. Nhà phát triển phần mềm và kỹ sư dữ liệu: Cung cấp hướng dẫn chi tiết về xây dựng và triển khai mô hình rừng ngẫu nhiên trong môi trường thực tế, từ đó phát triển các sản phẩm công nghệ y tế tiên tiến.

Câu hỏi thường gặp

1. Rừng ngẫu nhiên là gì và tại sao lại hiệu quả trong chẩn đoán bệnh?
   Rừng ngẫu nhiên là tập hợp nhiều cây quyết định được xây dựng trên các mẫu dữ liệu khác nhau và lựa chọn ngẫu nhiên thuộc tính tại mỗi nút. Phương pháp này giảm thiểu sai số và tăng tính ổn định, giúp phân loại chính xác hơn so với một cây đơn lẻ.

2. Làm thế nào để lựa chọn các biến quan trọng trong mô hình?
   Sử dụng thuật toán đánh giá tầm quan trọng biến trong gói FSelector của R, dựa trên ảnh hưởng của từng biến đến độ chính xác phân loại, từ đó chọn ra các biến có đóng góp lớn nhất để xây dựng mô hình hiệu quả.

3. Mô hình rừng ngẫu nhiên có thể áp dụng cho những loại bệnh nào?
   Mô hình có thể áp dụng cho nhiều bệnh dựa trên dữ liệu triệu chứng lâm sàng, đặc biệt hiệu quả với các bệnh có dữ liệu phức tạp và không cân bằng như ung thư, sốt rét, bệnh tim mạch.

4. So sánh giữa rừng ngẫu nhiên và SVM trong chẩn đoán bệnh như thế nào?
   Rừng ngẫu nhiên thường cho độ chính xác cao hơn và khả năng xử lý dữ liệu lớn, đa chiều tốt hơn SVM, đồng thời ít bị ảnh hưởng bởi dữ liệu nhiễu và không cân bằng.

5. Làm sao để đánh giá độ chính xác của mô hình?
   Sử dụng kỹ thuật đánh giá chéo k-lần và dữ liệu out-of-bag (OOB) để ước lượng sai số và độ chính xác mô hình trên dữ liệu chưa từng thấy, đảm bảo tính khách quan và khả năng tổng quát hóa.

Kết luận

• Mô hình rừng ngẫu nhiên được xây dựng dựa trên dữ liệu triệu chứng lâm sàng cho kết quả phân loại bệnh với độ chính xác khoảng 85%, vượt trội so với các phương pháp truyền thống.
• Việc lựa chọn các biến quan trọng giúp giảm chiều dữ liệu, tăng tốc độ xử lý và nâng cao hiệu quả chẩn đoán.
• Kết quả nghiên cứu phù hợp với xu hướng ứng dụng học máy trong y tế, góp phần hỗ trợ các công ty bảo hiểm và bác sĩ trong quản lý rủi ro và ra quyết định điều trị.
• Đề xuất triển khai hệ thống chẩn đoán tự động, đào tạo nhân viên và bảo trì định kỳ để duy trì hiệu quả mô hình.
• Các bước tiếp theo bao gồm mở rộng ứng dụng mô hình cho các bệnh khác và tích hợp với các kỹ thuật học máy mới nhằm nâng cao khả năng dự đoán và hỗ trợ y tế thông minh.

Hành động tiếp theo là triển khai thử nghiệm mô hình tại các cơ sở y tế, đồng thời phát triển phần mềm hỗ trợ chẩn đoán dựa trên rừng ngẫu nhiên để ứng dụng rộng rãi trong thực tế.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan về các hệ hỗ trợ ra quyết định - Chương 2. Chẩn đoán bệnh sử dụng rừng ngẫu nhiên - Chương 3. Ứng dụng phân loại chẩn đoán bệnh 4 CHƢƠNG 1.

TỔNG QUAN VỀ CÁC HỆ HỖ TRỢ RA QUYẾT ĐỊNH 1. Giới thiệu về học máy trong y tế Học máy trong y tế hay hệ chuyên gia là một chương trình thông minh nhằm dạy cho máy tính biết các hoạt động của một chuyên gia thực thụ. Hệ chuyên gia đầu tiên là DENDRAL, xuất hiện vào giữa thập niên 70, sau đó vào năm 1975 hệ chuyên gia MYCIN ra đời đã thành công trong việc áp dụng khoa học trí tuệ nhân tạo vào lĩnh vực Y học, cụ thể là lĩnh vực chẩn đoán và điều trị bệnh nhiễm trùng máu. Đây là hệ chuyên gia tương đối lớn, thực hiện ở mức chuyên gia con người, bên cạnh đó còn cung cấp cơ chế giải thích các bước suy luận.

Vào cuối năm 80, tại Viện Công nghệ Thông tin đã bước đầu xây dựng hệ trợ giúp khám chữa bệnh nội khoa, châm cứu và chẩn trị đông y , đã có tiếp cận ra quyết định trong việc chẩn đoán lâm sàng [1] ,… 1. Một số hệ thống hỗ trợ ra quyết định trong chẩn đoán bệnh 1.1 Ứng dụng phƣơng pháp SVM trong dự đoán hoạt tính kháng sốt rét Công bố của tổ chức y tế thế giới WHO 2008 [10] ước tính có khoảng 247 triệu ca sốt rét trong số 3.3 tỉ người nằm trong vùng nguy cơ và bệnh sốt rét gây ra gần 1 triệu ca tử vong, hầu hết là trẻ em dưới 5 tuổi. Tình trạng đề kháng thuốc đang ngày một gia tăng trên diện rộng, khiến cho việc kiểm soát dịch sốt rét ngày càng trở nên khó khăn. Tình trạng đề kháng thuốc của ký sinh trùng sốt rét P.

Falciparum ngày càng gia tăng trên diện rộng. Thực tiễn đòi hỏi thế giới phải có một chiến lược hiệu quả và dài hạn trong cuộc chiến chống lại bệnh sốt rét trên toàn cầu, trong đó việc nghiên cứu tìm ra những thuốc mới có hiệu quả trên các dòng Plasmodium đề kháng là nhu cầu cấp bách nhằm tìm ra giải pháp điều trị với các tiêu chí: hiệu quả, an toàn, độc tính thấp, và giá rẻ để mọi cá nhân nằm trong vùng nguy cơ sốt rét đều được chăm sóc. Thuật toán máy vector hỗ trợ SVM hồi qui (support vector machine) được sử dụng để xây dựng mô hình dự đoán hoạt tính kháng sốt rét trên 67 dẫn chất 5 chalcon. Trong nghiên cứu này, thuật toán máy vector hỗ trợ SVM hồi qui (support vector machine) được sử dụng để xây dựng mô hình dự đoán hoạt tính kháng sốt rét trên 67 dẫn chất chalcon Thông tin về mối liên hệ giữa cấu trúc – tác dụng kháng sốt rét của các dẫn chất có được từ mô hình SVM hồi qui cũng như khả năng dự đoán của mô hình có thể ứng dụng trong định hướng nghiên cứu tổng hợp các hoạt chất có thể phát triển thành thuốc kháng sốt rét mới.1: Cấu trúc hóa học của các dẫn chất chalon a.

Mô hình tổng quan: Mô hình SVM hồi qui dự đoán hoạt tính kháng sốt rét được tiến hành theo các giai đoạn như sau: 6 Hình 1.2: Qui trình xây dựng mô hình máy vector hỗ trợ SVM hồi qui. Giai đoạn chuẩn bị cơ sở dữ liệu: Cấu trúc của 93 dẫn chất chalcon [2] được thu thập dựa trên một vài tiêu chí chung như: (i) cấu trúc có triển vọng, (ii) giá trị IC50 in vitro có được từ phương pháp đo độ hấp thu 3H- hypoxanthin, ([2],[11]) (iii) giá trị hoạt tính sinh học xác định trên chủng P. falciparum K1 đề kháng chloroquin (CQ), và (iv) các cấu trúc có cùng xương sống trên cùng 1 mô hình tiến hành. Nghiên cứu được tiến hành trên 93 dẫn chất chalcon với khung cơ bản của 7 các Cấu trúc hóa học của các dẫn chất chalon.

Giá trị hoạt tính sinh học IC50 được quy đổi thành giá trị: pIC50= - log(IC50) được sử dụng trong nghiên cứu. Giai đoạn tính toán thông số mô tả phân tử: Thông số mô tả phân tử là những thông số mô tả tính chất của các chất có ảnh hưởng tới tác dụng sinh học, bao gồm những tính chất về lý, hóa. Cấu trúc 2D của các dẫn chất được xây dựng và tính toán thông số mô tả phân tử bằng phần mềm Dragon® phiên bản Evaluation 5. Tổng số 2032 thông số mô tả phân tử 2D thuộc 11 nhóm chính được tính toán.

Giai đoạn lựa chọn thông số mô tả phân tử: Để loại bỏ đi các thông số không quan trọng và lựa chọn thông số tốt nhất cho xây dưng mô hình, một số phương pháp và thuật toán được áp dụng bao gồm quá trình loại thông số mô tả thô và quá trình lựa chọn thông số thích hợp sau cùng cho mô hình [12],[13]. Một vài qui tắc cho việc loại thô ban đầu bao gồm: (i) các thông số có ≥ 80% giá trị = 0; (ii) các thông số có độ lệch chuẩn ≤ 0,5; (iii) các thông số có tương quan với giá trị pIC50 ≤ 0,07. Các thông số còn lại được phân chia tỷ lệ giá trị trong khoảng (0-1) bằng phương pháp chuẩn hóa cực tiểu – cực đại. Công thức cụ thể như sau theo công thức: Với : Vn: giá trị mới V0: giá trị hiện tại MAX0, MIN0: giá trị lớn nhất và nhỏ nhất của dãy giá trị hiện tại MAXn, MINn: giá trị lớn nhất và nhỏ nhất của khoảng giá trị mới cần qui đổi Các thông số sau khi được phân chia tỷ lệ sẽ được áp dụng vào thuật toán “rừng ngẫu nhiên RF” trong gói Fselector trong R với hàm “tầm quan trọng 8 rừng ngẫu nhiên” để chọn lọc những thông số mô tả đặc trưng nhất cho hoạt tính sinh học [14],[15].k” cũng trong gói Fselector hỗ trợ để cắt ra “k” thông số được đánh giá có liên quan nhất với giá trị tham chiếu là giá trị pIC50, Giá trị “k” được xác định phù hợp [15].

Giai đoạn phân tích thành phần cơ bản: Các thông số được sử dụng để xây dựng mô hình SVM hồi quy phi tuyến tính trên toàn bộ cơ sở dữ liệu cho kết quả r2 khá thấp. Để xây dựng mô hình có khả năng mô tả được hoạt tính sinh học bằng các thông số mô tả phân tử và loại bỏ các chất gây nhiễu ảnh hưởng đến kết quả của mô hình, thuật toán phân tích thành phần cơ bản (principal component analysis - PCA) được sử dụng. Trong nghiên cứu này, thuật toán phân tích thành phần cơ bản không tuyến tính (nonlinear principal component analysis - NL- PCA) dựa trên lý thuyết mạng thần kinh trong gói pcaMethod của R được sử dụng [16]. Giai đoạn Máy vector hỗ trợ hồi qui phi tuyến tính: Tính toán máy vector hỗ trợ SVM là một nhóm các phương pháp học có sự giám sát dùng trong phân loại hay phương trình hồi quy [17],[16],[18],[15].

Trong nghiên cứu này, gói e1071 trong môi trường R được sử dụng ([16],[15]). Máy vector hỗ trợ SVM trong gói e1071 bao gồm cả hai chức năng phân loại cũng như hồi qui [16]. SVM hồi qui trong gói e1071 bao gồm 2 thuật toán cho xây dựng mô hình hồi qui là hồi qui epsilon (ε- regression) và hồi qui nu (nu-regression). Trong đó hồi qui epsilon dùng để xây dựng mô hình hồi qui cho dữ liệu phi tuyến tính và thuật toán này được sử dụng trong nghiên cứu.

Khi tiến hành xây dựng mô hình máy vector hỗ trợ hồi quy phi tuyến tính thì 3 tham số quan trọng cần xác định là tham số ε (tham số của hàm tổn thất ε-insensitive) và tham số của hàm nhân Kernel RBF (C, ). Tham số ε qui định biên độ của mặt phẳng hồi quy và 2 tham số C và qui định bề mặt mặt phẳng hồi quy. Sự thay đổi giá trị của 3 tham số này ảnh hưởng lớn tới kết quả dự đoán. Trong đánh giá chéo, dữ liệu được chia làm k nhóm, 1 nhóm dùng để thử, và (k-1) nhóm còn lại dùng để huấn luyện.

Hàm “svm” và “predict” (gói e1071) lần lượt dùng để huấn luyện và dự đoán cho mô hình SVM hồi qui phi tuyến tính g. Đánh giá mô hình: Sau khi huấn luyện và dự đoán hoạt tính sinh học bằng mô hình SVM hồi qui phi tuyến tính, giá trị pIC50 dự đoán của các chất nghiên cứu được xử lý bằng hàm “lm” trong R (hàm hồi qui tuyến tính đơn giản) để đánh giá mức độ tương quan giữa giá trị dự đoán và giá trị thực nghiệm. Các tiêu chí đánh giá bao gồm: (i) hệ số tương quan pearson r, (ii) sai số chuẩn (SE), (iii) trị số P, (iv) và hệ số xác định bội r2 h. Kết quả và thảo luận Lựa chọn thông số mô tả phân tử: Sau khi tiến hành loại thô ban đầu, tổng cộng 65 thông số đáp ứng điều kiện và được áp dụng vào thuật toán “rừng ngẫu nhiên RF” bằng gói FSelector với hàm “tầm quan trọng rừng ngẫu nhiên” (“random.

Từ kết quả FSelector, nhóm 7 thông số được lựa chọn để xây dựng mô hình vì có giá trị đóng góp vào giá trị hoạt tính sinh học pIC50 cao và nhóm thông số này được trình bày ở bảng 1. Nhóm 7 thông số mô tả được lựa chọn từ FSelector dùng để xây dựng mô hình Tên Định nghĩa Lớp mô tả ESpm15u Moment phổ 15 từ mạng các đỉnh gần kề Chỉ số các đỉnh liền kề ESpm14r Moment phổ 14 từ mạng các đỉnh gần kề Chỉ số các đỉnh điều chỉnh bởi tích phân cộng hưởng liền kề ESpm15r Moment phổ 15 từ mạng các đỉnh gần kề Chỉ số các đỉnh điều chỉnh bởi tích phân cộng hưởng liền kề EEig14x Giá trị riêng 14 từ mạng các đỉnh gần kề Chỉ số các đỉnh hiệu chỉnh bởi các mức độ đỉnh liền kề VRD1 Chỉ số dựa vào vector riêng loại ngẫu Chỉ số dựa vào nhiên mạng khoảng cách giá trị riêng EEig09x Giá trị riêng 09 từ mạng các đỉnh gần kề Chỉ số các đỉnh hiệu chỉnh bởi các mức độ đỉnh liền kề BAC Chỉ số balaban trung tâm Thông số hình học topo 11 Phân tích thành phần cơ bản: Hình 1. Sự phân bố của 93 dẫn chất chalcon dựa trên mặt phẳng tạo bởi 2 PC trong phân tích NL- PCA. Các chất được đánh dấu bằng hình elip nhỏ: là các dữ liệu gây nhiễu và được loại bỏ NL-PCA được thực hiện trên cơ sở dữ liệu 93 chất với số thành phần cơ bản là 2 (number of components = 2).

Trong phân tích PCA này, 68% giá trị hoạt tính sinh học có thể giải thích dựa vào 2 thành phần cơ bản xây dựng từ 7 thông số mô tả. Hình 3 biểu diễn sự phân bố của các dẫn chất dựa trên mặt phẳng tạo bởi 2 PC trong phân tích PCA.