Tổng quan về luận án

Luận án này tập trung vào phát triển các phương pháp tính toán đột phá để xây dựng Đồ thị Tái tổ hợp Di truyền (Ancestral Recombination Graph - ARG) cho dữ liệu hệ gen quy mô lớn, một vấn đề trọng tâm trong tin sinh học và di truyền quần thể. Bối cảnh khoa học của nghiên cứu được đặt trong kỷ nguyên của công nghệ giải trình tự gen thế hệ mới (Next Generation Sequencing - NGS), đã tạo ra một lượng dữ liệu DNA khổng lồ và đặt ra thách thức về mặt tính toán để phân tích hiệu quả sự đa dạng di truyền trong quần thể người. Các phương pháp hiện có để xây dựng đồ thị ARG, một công cụ then chốt để mô tả lịch sử di truyền phức tạp của các chuỗi nhiễm sắc thể, vẫn còn hạn chế đáng kể, đặc biệt là về khả năng mở rộng.

Research gap cụ thể được xác định là: "Đa số các phương pháp xây dựng đồ thị ARG mới chỉ giới hạn với những tập dữ liệu nhỏ và vừa hàng trăm trình tự [52,58,62]". Thêm vào đó, "Các phương pháp xây dựng đồ thị ARG với hàm mục tiêu có chính xác số sự kiện tái tổ hợp ít nhất hiện thời còn tốn rất nhiều thời gian và chỉ khả thi với những tập dữ liệu rất nhỏ chứa vài chục trình tự [62,71]". Điều này tạo ra một rào cản lớn trong việc ứng dụng ARG vào các nghiên cứu toàn hệ gen ở người, nơi dữ liệu có thể lên đến hàng nghìn hệ gen.

Để giải quyết khoảng trống này, nghiên cứu đặt ra hai mục tiêu chính:

  1. Đề xuất thuật toán gần đúng xây dựng đồ thị ARG cho hàng nghìn trình tự, thậm chí hàng nghìn hệ gen nhằm ứng dụng hiệu quả vào các bài toán thực tế trên các tập dữ liệu lớn.
  2. Đề xuất thuật toán xây dựng đồ thị ARG với hàm mục tiêu tối thiểu hóa số sự kiện tái tổ hợp trong quá trình xây dựng đồ thị ARG bằng việc kết hợp thuật toán đề xuất trong (1) với một số đặc trưng của dữ liệu và kỹ thuật tối ưu được sử dụng trong các phương pháp tìm cận dưới tái tổ hợp và các phương pháp xây dựng đồ thị ARG tối thiểu đã có.

Khung lý thuyết của luận án được xây dựng dựa trên lý thuyết kết hợp (coalescent theory) của Kingman (1982) [39], mở rộng để bao gồm các sự kiện tái tổ hợp, đột biến và kết hợp, từ đó hình thành khái niệm ARG. Luận án đặc biệt tập trung vào mô hình các vị trí vô hạn (infinite-sites model), giả định rằng chỉ có nhiều nhất một sự kiện đột biến xảy ra tại mỗi vị trí trong toàn bộ lịch sử tiến hóa, phản ánh quan sát về tỉ lệ đột biến thấp ở người (khoảng 1.2 x 10^-8 mỗi thế hệ [60]).

Đóng góp đột phá của nghiên cứu nằm ở việc phát triển các thuật toán ARG4WG, REARG và GAMARG, cho phép xây dựng đồ thị ARG hiệu quả trên các tập dữ liệu lớn, vượt qua giới hạn của các phương pháp trước đây. Ví dụ, thuật toán ARG4WG đã được ứng dụng thành công vào bài toán tìm vùng gen liên quan đến bệnh sốt rét ở Châu Phi trên tập dữ liệu lớn gồm 5560 trình tự trên toàn nhiễm sắc thể 11, chứng minh khả năng mở rộng đáng kể. Phạm vi nghiên cứu bao gồm việc xử lý dữ liệu SNP haplotype nhị phân với hàng nghìn trình tự và độ dài hệ gen, đồng thời cung cấp các giải pháp tối ưu hóa số sự kiện tái tổ hợp, là yếu tố cốt lõi ảnh hưởng đến độ chính xác của đồ thị ARG.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án cung cấp một phân tích toàn diện về các phương pháp xây dựng đồ thị ARG hiện có, chia thành hai luồng chính: xây dựng đồ thị ARG tối thiểu (minimal ARG) và xây dựng đồ thị ARG hợp lý (plausible ARG). Nghiên cứu tổng hợp các phương pháp chính như phương pháp tìm kiếm vét cạn của Song và cộng sự [62,63], phương pháp nhánh cận (branch and bound) của Lyngsø và cộng sự [47], và thuật toán xây dựng cây có nốt sùi (galled-tree) của Gusfield và cộng sự [27]. Các phương pháp này, mặc dù cung cấp ARG với số sự kiện tái tổ hợp nhỏ nhất, nhưng thường bị giới hạn nghiêm ngặt về quy mô dữ liệu, chỉ khả thi với tối đa 9-10 trình tự [47,63].

Các phương pháp xây dựng đồ thị ARG hợp lý, vốn được thiết kế để xử lý dữ liệu lớn hơn, cũng được khảo sát. Luận án đặc biệt đề cập đến thuật toán Margarita của Minichiello và Durbin [52], một phương pháp dựa trên heuristic khả thi cho một nghìn trình tự với độ dài hàng trăm SNP. Các cách tiếp cận thống kê, như mô hình kết hợp và tái tổ hợp (coalescent-with-recombination - CwR) và các thuật toán dựa trên Sequentially Markov Coalescent (SMC) của Li và Durbin [45], Rasmussen và cộng sự (ARGweaver) [58], và bộ lấy mẫu MCMC bắc cầu cây (tree-bridging MCMC sampler) của Heine và cộng sự [29] cũng được xem xét. Tuy nhiên, các phương pháp thống kê này thường phức tạp về mặt tính toán, không suy luận được ARG đầy đủ, và đòi hỏi chi phí lớn cùng với việc thiết lập tham số khó khăn.

Luận án xác định các mâu thuẫn và tranh luận chính trong tài liệu hiện có. Một mặt, có một nhu cầu cấp thiết về các thuật toán có thể mở rộng để xử lý dữ liệu hệ gen quy mô lớn do sự bùng nổ của NGS. Mặt khác, các thuật toán hiện có hoặc quá chậm và không thể mở rộng (minimal ARG), hoặc không tối ưu hóa hiệu quả số sự kiện tái tổ hợp (plausible ARG heuristic), hoặc quá phức tạp và không suy luận ARG đầy đủ (statistical approaches). Chẳng hạn, Minichiello và Durbin [52] đề xuất Margarita dựa trên việc tìm đoạn chung dài nhất, nhưng luận án chỉ ra hạn chế của nó: "Vấn đề trong việc thực hiện sự kiện tái tổ hợp của Margarita... thuật toán phải thực hiện 2 sự kiện tái tổ hợp trên một trình tự và từ 2 trình tự ban đầu (S1 và S2) sẽ thành 3 trình tự ở thế hệ tiếp theo (S11, S12 và S' (S' = S2))" (Hình 2.2). Điều này dẫn đến hiệu suất không tối ưu khi xử lý dữ liệu lớn.

Luận án định vị nghiên cứu của mình trong bối cảnh này bằng cách đề xuất các thuật toán lai, kết hợp chiến lược heuristic hiệu quả về mặt tính toán với các kỹ thuật tối ưu hóa nhằm cực tiểu hóa số sự kiện tái tổ hợp. Cụ thể, thuật toán ARG4WG được phát triển để khắc phục những nhược điểm của Margarita, đảm bảo "ARG4WG luôn thực hiện 1 tái tổ hợp trên 1 trình tự và từ 2 trình tự ban đầu (S1, S2) sẽ thành 2 trình tự ở thế hệ tiếp theo (S11, S’)", giúp kiểm soát kích thước đồ thị và thời gian chạy hiệu quả hơn (Hình 2.5).

So sánh với các nghiên cứu quốc tế, phương pháp của luận án tiên tiến hơn so với các phương pháp dựa trên vét cạn như Galledtree [27] hay SHRUB [64] vì có khả năng xử lý dữ liệu lớn hơn nhiều lần. So với Margarita [52], ARG4WG cho thấy hiệu quả vượt trội về thời gian chạy và số sự kiện tái tổ hợp trên dữ liệu lớn (Hình 2.6, 2.7). Hơn nữa, việc tích hợp các kỹ thuật tối ưu hóa trong REARG và GAMARG nhằm giảm thiểu số sự kiện tái tổ hợp là một bước tiến đáng kể so với các phương pháp hợp lý thuần túy, đưa nghiên cứu tiến gần hơn đến mục tiêu xây dựng ARG vừa khả thi về mặt tính toán vừa sát với thực tế sinh học.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lĩnh vực lý thuyết di truyền quần thể và tin sinh học bằng cách mở rộng và thách thức các lý thuyết hiện có về xây dựng đồ thị ARG. Cụ thể, nghiên cứu mở rộng lý thuyết kết hợp (coalescent theory) của Kingman (1982) [39] bằng cách tích hợp các sự kiện tái tổ hợp một cách hiệu quả hơn trên dữ liệu lớn, điều mà các mô hình kết hợp truyền thống thường gặp khó khăn hoặc đòi hỏi các xấp xỉ phức tạp (ví dụ: Sequentially Markov Coalescent của Li và Durbin [45]). Nghiên cứu còn thách thức các giả định về khả năng mở rộng của các thuật toán ARG hợp lý dựa trên heuristic như Margarita của Minichiello và Durbin [52] bằng cách chỉ ra các hạn chế trong việc quản lý số lượng trình tự con sinh ra sau sự kiện tái tổ hợp (Hình 2.2) và đề xuất các giải pháp cải thiện.

Khung phân tích khái niệm được phát triển trong luận án bao gồm các thành phần chính: dữ liệu SNP haplotype nhị phân làm đầu vào, các sự kiện đột biến, tái tổ hợp và kết hợp làm nền tảng cho tiến hóa, và đồ thị ARG như một biểu diễn cuối cùng của lịch sử di truyền. Các mối quan hệ giữa các thành phần này được định nghĩa rõ ràng: sự kiện đột biến làm thay đổi trạng thái nucleotit tại một vị trí, sự kiện tái tổ hợp xáo trộn các đoạn DNA giữa hai trình tự cha để tạo ra trình tự con mới, và sự kiện kết hợp mô tả việc các trình tự hội tụ về một tổ tiên chung khi xét ngược chiều thời gian.

Mô hình lý thuyết của luận án đưa ra các mệnh đề và giả thuyết quan trọng:

  1. Mệnh đề 1: Một thuật toán ARG dựa trên heuristic có thể đạt được khả năng mở rộng cho hàng nghìn hệ gen nếu nó kiểm soát hiệu quả số lượng trình tự trung gian và tối ưu hóa việc thực hiện các sự kiện tái tổ hợp (ví dụ, chỉ tạo ra một trình tự con tái tổ hợp mới thay vì hai hoặc ba như trong Margarita).
  2. Mệnh đề 2: Việc tích hợp các đặc trưng dữ liệu (ví dụ: các cặp vị trí không tương thích) với các kỹ thuật tối ưu hóa từ các phương pháp tìm cận dưới tái tổ hợp có thể dẫn đến việc giảm đáng kể số sự kiện tái tổ hợp trong các thuật toán ARG hợp lý, đưa kết quả gần hơn với ARG tối thiểu.

Luận án không trực tiếp tuyên bố một "paradigm shift" hoàn toàn, nhưng nó cung cấp bằng chứng từ các phát hiện rằng một phương pháp kết hợp heuristic và tối ưu hóa có thể tạo ra các đồ thị ARG đầy đủ cho các tập dữ liệu cực lớn, điều mà trước đây chỉ có thể đạt được bằng các phương pháp thống kê phức tạp hoặc không tạo ra đồ thị đầy đủ. Điều này mở ra một hướng mới trong việc cân bằng giữa khả năng mở rộng và độ chính xác trong xây dựng ARG.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo các yếu tố từ ba lĩnh vực lý thuyết chính: lý thuyết đồ thị (graph theory) để mô hình hóa cấu trúc của ARG như một DAG có hướng không chu trình, lý thuyết tiến hóa phân tử (molecular evolution theory) để định nghĩa các sự kiện đột biến, tái tổ hợp và kết hợp, và lý thuyết tối ưu hóa tổ hợp (combinatorial optimization theory) để phát triển các heuristic nhằm giảm thiểu số sự kiện tái tổ hợp.

Phương pháp phân tích độc đáo nằm ở việc phát triển một cách tiếp cận lai. Thay vì chỉ dựa vào các phương pháp heuristic thuần túy (như Margarita [52]) hoặc các mô hình thống kê phức tạp (như ARGweaver [58]), luận án đề xuất một chiến lược mới:

  1. ARG4WG: Sử dụng "chiến lược tìm đoạn đầu chung dài nhất" nhưng cải tiến cơ chế thực hiện sự kiện tái tổ hợp để tạo ra ít trình tự con hơn, từ đó tăng hiệu quả tính toán. Cụ thể, "ARG4WG luôn thực hiện 1 tái tổ hợp trên 1 trình tự và từ 2 trình tự ban đầu (S1, S2) sẽ thành 2 trình tự ở thế hệ tiếp theo (S11, S’)" (Hình 2.5), khác với Margarita tạo ra 3 trình tự (Hình 2.2).
  2. REARG và GAMARG: Tích hợp "một số đặc trưng của dữ liệu và kĩ thuật tối ưu được sử dụng trong các phương pháp tìm cận dưới tái tổ hợp" vào quá trình xây dựng ARG hợp lý (Mục tiêu 2, trang 14). Điều này bao gồm việc phân tích các "cặp vị trí không tương thích" để xác định vị trí tái tổ hợp tiềm năng và tối ưu hóa điểm cắt tái tổ hợp, như đã được đề cập trong các nghiên cứu về ARG tối thiểu [62,63].

Các đóng góp khái niệm bao gồm định nghĩa rõ ràng về "đoạn chung dài nhất" (longest common segment) trong bối cảnh của ARG, cơ chế "phân tách trình tự" để thực hiện tái tổ hợp, và khái niệm "tối ưu hóa số sự kiện tái tổ hợp" trên dữ liệu lớn thông qua các heuristic thông minh. Luận án cũng tường minh các điều kiện biên: nghiên cứu này tập trung vào sự kiện trao đổi chéo (crossing over) làm dạng tái tổ hợp chính, mặc dù thừa nhận chuyển đổi gen (gene conversion) cũng tồn tại và có thể được mô hình hóa bằng hai sự kiện trao đổi chéo liên tiếp [26]. Dữ liệu đầu vào được giả định là SNP haplotype nhị phân dưới mô hình các vị trí vô hạn, không cho phép đột biến lặp lại hoặc đột biến ngược.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Triết lý nghiên cứu của luận án có nền tảng vững chắc trong chủ nghĩa thực chứng (positivism) và thực chứng hậu kỳ (post-positivism). Điều này được thể hiện qua việc tập trung vào việc phát triển các thuật toán có thể kiểm chứng được, thu thập dữ liệu định lượng quy mô lớn, thực hiện các thí nghiệm có kiểm soát và đánh giá kết quả một cách khách quan dựa trên các chỉ số hiệu suất đo lường được (thời gian chạy, số sự kiện tái tổ hợp, khoảng cách RF). Mục tiêu cuối cùng là xây dựng các mô hình và phương pháp có thể tổng quát hóa, áp dụng hiệu quả cho các bài toán thực tế trên dữ liệu hệ gen người.

Thiết kế nghiên cứu kết hợp các phương pháp tính toán mạnh mẽ (computational methods) với các thử nghiệm thực nghiệm rộng rãi. Mặc dù không sử dụng "mixed methods" theo nghĩa truyền thống của khoa học xã hội, luận án tích hợp sâu sắc giữa thiết kế thuật toán lý thuyết và kiểm định thực nghiệm trên các bộ dữ liệu sinh học thực tế và mô phỏng.

Thiết kế đa cấp (multi-level design) được thể hiện qua việc xử lý dữ liệu ở nhiều cấp độ: từ các trình tự SNP haplotype riêng lẻ, đến lịch sử tiến hóa của chúng được biểu diễn trong đồ thị ARG tổng thể, và sau đó phân tích các cây thành phần (marginal trees) ở từng vị trí SNP để tìm kiếm các mối liên hệ bệnh lý (Hình 1.13, Hình 1.16).

Kích thước mẫu (sample size) và tiêu chí lựa chọn là rất cụ thể và là một điểm nhấn của luận án. Các thuật toán được thiết kế để xử lý "hàng nghìn trình tự, thậm chí hàng nghìn hệ gen" (trang 14). Ví dụ, các thử nghiệm thực nghiệm trên dữ liệu thật sử dụng "tập dữ liệu lớn gồm 5560 trình tự trên toàn nhiễm sắc thể 11" (trang 15) cho bài toán tìm vùng gen liên quan đến bệnh sốt rét ở Châu Phi. Các tập dữ liệu mô phỏng cũng được sử dụng với 100 và 200 trình tự với 2000, 5000, và 10000 SNP của tập DS1, DS2, và DS3 (Hình 3.6), cho phép đánh giá hiệu suất của thuật toán dưới các điều kiện biến đổi về quy mô và độ phức tạp.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) cho dữ liệu thực nghiệm bao gồm việc trích xuất dữ liệu từ các dự án hệ gen công khai như dự án 1000 hệ gen (1kGP) (Bảng 1.2, 3.1). Các tiêu chí bao gồm việc lựa chọn các trình tự SNP haplotype đã được xác định, thường được chuyển đổi thành dạng nhị phân (0/1) với alen tham chiếu là 0 và alen biến thể là 1 (Hình 1.9). Các tiêu chí loại trừ có thể bao gồm các vị trí SNP đa alen (multiallelic SNP) nếu thuật toán chỉ xử lý SNP 2 alen, hoặc các trình tự có quá nhiều dữ liệu bị khuyết.

Giao thức thu thập dữ liệu bao gồm việc tải xuống và xử lý các tập dữ liệu hệ gen từ các cơ sở dữ liệu công cộng, đảm bảo tính nhất quán và định dạng phù hợp cho các thuật toán. Các công cụ (instruments) được sử dụng là các thuật toán tự phát triển (ARG4WG, REARG, GAMARG) và các phần mềm ARG hiện có để so sánh (Margarita [52], Galledtree [27], SHRUB [64], ARGweaver [58]).

Tam giác hóa (Triangulation) được áp dụng ở nhiều cấp độ.

  • Tam giác hóa dữ liệu: Sử dụng cả dữ liệu thực (từ 1kGP, ví dụ: 5560 trình tự trên NST 11) và dữ liệu mô phỏng để kiểm tra tính vững chắc của các phát hiện.
  • Tam giác hóa phương pháp: So sánh các thuật toán đề xuất với nhiều phương pháp hiện có khác nhau (Margarita, Margarita1.0) cũng như các loại phương pháp (minimal ARG vs. plausible ARG heuristic).
  • Tam giác hóa lý thuyết: Các thuật toán được phát triển dựa trên việc tích hợp các nguyên lý từ lý thuyết kết hợp, lý thuyết đồ thị và tối ưu hóa tổ hợp.

Giá trị (Validity) và độ tin cậy (reliability) của nghiên cứu được đảm bảo thông qua:

  • Giá trị cấu trúc (Construct validity): Các khái niệm như "số sự kiện tái tổ hợp" và "thời gian chạy" được đo lường bằng các chỉ số chuẩn hóa trong tin sinh học.
  • Giá trị nội bộ (Internal validity): Các thí nghiệm được thiết kế để kiểm soát các biến ngoại lai, so sánh hiệu suất thuật toán trên cùng một tập dữ liệu và dưới các điều kiện nhất quán. Việc sử dụng các tập dữ liệu mô phỏng cho phép kiểm soát hoàn toàn các thông số sinh học.
  • Giá trị bên ngoài (External validity): Khả năng tổng quát hóa được đánh giá bằng cách thử nghiệm trên các tập dữ liệu lớn và đa dạng (ví dụ, dữ liệu bệnh sốt rét ở Châu Phi, dữ liệu từ 1kGP), và so sánh với các nghiên cứu quốc tế khác.
  • Độ tin cậy (Reliability): Các kết quả thực nghiệm được báo cáo với trung bình thời gian chạy và số sự kiện tái tổ hợp trên nhiều lần chạy (ví dụ: "Trung bình thời gian chạy (giây) của 5 thuật toán cho 100 trình tự của các tập dữ liệu...", Bảng 3.5), cho phép người khác tái tạo kết quả. Mặc dù không có giá trị alpha (α values) được báo cáo trực tiếp trong đoạn trích, việc sử dụng các phép đo lường định lượng và so sánh thống kê ngụ ý một mức độ tin cậy cao.

Data và phân tích

Đặc điểm mẫu (sample characteristics) của dữ liệu được sử dụng bao gồm:

  • Dữ liệu thực: Trích xuất từ dự án 1kGP, ví dụ, 5560 trình tự trên toàn nhiễm sắc thể 11 để nghiên cứu bệnh sốt rét. Dữ liệu này bao gồm các SNP haplotype đã được pha (phased), thường được biểu diễn dưới dạng nhị phân.
  • Dữ liệu mô phỏng: Tập hợp các tập dữ liệu nhỏ đến vừa, bao gồm 100 và 200 trình tự với độ dài 2000, 5000 và 10000 SNP (Bảng 3.3-3.6), được sử dụng để đánh giá hiệu suất chi tiết của thuật toán trong các điều kiện có kiểm soát. Các dữ liệu này được tạo ra với các tỉ lệ đột biến và tái tổ hợp khác nhau (Hình 2.8).

Các kỹ thuật phân tích tiên tiến được sử dụng bao gồm:

  • Phân tích hiệu suất thuật toán: So sánh "Trung bình thời gian chạy (giây)" (Bảng 3.5, 3.6, Hình 2.6) và "Số sự kiện tái tổ hợp ít nhất được tìm thấy" (Bảng 3.3, 3.4, Hình 2.7) của các thuật toán đề xuất (ARG4WG, REARG, GAMARG) với các thuật toán hiện có (Margarita, Margarita1.0).
  • Đánh giá chất lượng ARG: Sử dụng "Khoảng cách Robinson-Fould (RF)" (Hình 2.8) để đánh giá sự tương đồng giữa các cây được tạo ra bởi thuật toán với các cây đúng tương ứng trên dữ liệu mô phỏng, đặc biệt là trên các khoảng tỉ lệ đột biến và tái tổ hợp khác nhau. Khoảng cách RF là một metric tiêu chuẩn để so sánh cấu trúc của cây phát sinh loài.
  • Phân tích tương quan gen: Ứng dụng thuật toán đề xuất vào "bài toán tìm vùng gen liên quan đến bệnh sốt rét ở Châu Phi" (trang 15), sử dụng 106 kiểm định hoán vị trên 10 ARG được xây dựng trên toàn bộ NST 11, và 30 ARG trên vùng 5000 SNP quanh gen HBB (Hình 2.9). Điều này liên quan đến việc xác định "các nhánh phân biệt rõ nhất giữa người bệnh và người không bệnh" (Hình 1.16).

Các kiểm tra tính vững chắc (robustness checks) được thực hiện bằng cách thử nghiệm thuật toán trên nhiều tập dữ liệu khác nhau (DS1, DS2, DS3), với các kích thước và đặc điểm khác nhau (100 trình tự, 200 trình tự, 2000 SNP, 5000 SNP, 10000 SNP). Mặc dù các "alternative specifications" không được mô tả chi tiết, việc đánh giá trên các cấu hình dữ liệu đa dạng giúp xác nhận tính ổn định của thuật toán. Các "effect sizes" và "confidence intervals" được ngụ ý thông qua các biểu đồ so sánh trung bình và độ lệch chuẩn của các phép đo, đặc biệt là trong các kết quả ứng dụng (Hình 2.9), nơi sự tương quan đến bệnh từ 106 kiểm định hoán vị được báo cáo, cho thấy tính ý nghĩa thống kê.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt chứng minh khả năng giải quyết các thách thức quy mô lớn trong xây dựng ARG:

  1. ARG4WG vượt trội về hiệu suất và khả năng mở rộng: Các thực nghiệm chỉ ra rằng thuật toán ARG4WG có thời gian chạy nhanh hơn đáng kể so với Margarita và Margarita1.0 trên dữ liệu lớn. Ví dụ, trên 2000 haplotype, ARG4WG duy trì hiệu suất khả thi, trong khi các thuật toán khác trở nên quá chậm (Hình 2.6c). Điều này là do ARG4WG "luôn thực hiện 1 tái tổ hợp trên 1 trình tự và từ 2 trình tự ban đầu (S1, S2) sẽ thành 2 trình tự ở thế hệ tiếp theo (S11, S’)", tối ưu hóa số lượng trình tự con sinh ra so với Margarita (Hình 2.5 so với Hình 2.2).
  2. Tối ưu hóa số sự kiện tái tổ hợp: Các thuật toán REARG và GAMARG đã chứng minh khả năng giảm thiểu số sự kiện tái tổ hợp. Trên các tập dữ liệu nhỏ, REARG và GAMARG có thể tìm thấy số sự kiện tái tổ hợp ít hơn đáng kể so với ARG4WG và gần với số tối thiểu hơn (Bảng 3.3, 3.4). Ví dụ, trên 100 trình tự của DS1, REARG tìm thấy trung bình 18.25 sự kiện tái tổ hợp so với 24.32 của ARG4WG (Bảng 3.3a).
  3. Ứng dụng thực tế trong GWAS: Thuật toán ARG4WG đã được ứng dụng thành công trong việc xác định vùng gen liên quan đến bệnh sốt rét ở Châu Phi. Cụ thể, trên tập dữ liệu 5560 trình tự trên toàn nhiễm sắc thể 11, các ARG xây dựng bởi ARG4WG cho thấy sự tương quan đáng kể đến bệnh từ 106 kiểm định hoán vị, đặc biệt quanh vùng gen HBB (Hình 2.9A, 2.9B, 2.9C). Điều này so sánh thuận lợi với các phương pháp trước đây như Margarita, vốn cũng được sử dụng trong nghiên cứu GWAS nhưng không được tối ưu cho dữ liệu quy mô này (Hình 2.10 cho thấy sự tương quan của Margarita trên vùng 4M-6M quanh gen HBB).
  4. Chất lượng ARG được duy trì: Mặc dù là thuật toán gần đúng, ARG4WG vẫn tạo ra các ARG có chất lượng tương đương hoặc tốt hơn các phương pháp hiện có khi đánh giá bằng khoảng cách Robinson-Fould (RF distance) so với cây đúng trên dữ liệu mô phỏng, đặc biệt là ở các tỉ lệ đột biến và tái tổ hợp khác nhau (Hình 2.8).
  5. Hiện tượng mới: Phát hiện về "điểm cắt tái tổ hợp" và "chu trình tái tổ hợp" được mô hình hóa rõ ràng hơn trong các thuật toán đề xuất, cho phép suy luận chi tiết hơn về các sự kiện tái tổ hợp thực tế trong lịch sử tiến hóa (Hình 1.11).

Implications đa chiều

Các phát hiện này mang lại những hàm ý quan trọng trên nhiều khía cạnh:

  • Những tiến bộ lý thuyết: Luận án đóng góp vào lý thuyết kết hợp có tái tổ hợp (coalescent-with-recombination - CwR) bằng cách cung cấp một khuôn khổ tính toán hiệu quả hơn để suy luận các ARG đầy đủ, đặc biệt khi xử lý dữ liệu lớn. Nó mở rộng lý thuyết đồ thị ứng dụng vào tin sinh học bằng cách phát triển các mô hình đồ thị và thuật toán mới cho phép biểu diễn chính xác hơn lịch sử di truyền phức tạp.
  • Đổi mới về phương pháp luận: Các thuật toán ARG4WG, REARG, và GAMARG cung cấp những đổi mới về phương pháp luận trong việc xây dựng ARG. Chiến lược "luôn thực hiện 1 tái tổ hợp trên 1 trình tự" của ARG4WG có thể áp dụng cho các bài toán tin sinh khác liên quan đến việc hợp nhất chuỗi và quản lý đồ thị tiến hóa. Việc tích hợp các đặc trưng dữ liệu với kỹ thuật tối ưu hóa trong REARG và GAMARG mở ra hướng nghiên cứu mới để cải thiện độ chính xác của các thuật toán heuristic.
  • Ứng dụng thực tiễn: Khả năng xử lý hàng nghìn hệ gen và ứng dụng thành công trong GWAS cho thấy tiềm năng to lớn của các thuật toán trong y học chính xác. Chúng có thể được sử dụng để "tìm vùng gen liên quan đến bệnh, đột biến gây bệnh, đặc trưng của quần thể quan sát" (trang 13), hỗ trợ chẩn đoán sớm và phát triển phương pháp điều trị cá nhân hóa.
  • Khuyến nghị chính sách: Các công cụ này cung cấp một nền tảng mạnh mẽ để các nhà hoạch định chính sách y tế và nghiên cứu sinh học hiểu rõ hơn về cơ sở di truyền của bệnh tật, từ đó đưa ra các chương trình sàng lọc dân số hoặc định hướng nghiên cứu y học dựa trên bằng chứng. Ví dụ, việc xác định các vùng gen liên quan đến bệnh sốt rét có thể hỗ trợ các chiến lược y tế công cộng ở các khu vực bị ảnh hưởng.
  • Điều kiện tổng quát hóa: Các thuật toán được thiết kế để hoạt động hiệu quả trên dữ liệu SNP haplotype nhị phân dưới mô hình các vị trí vô hạn. Khả năng tổng quát hóa được chứng minh trên dữ liệu hệ gen người quy mô lớn (ví dụ: nhiễm sắc thể 11). Tuy nhiên, các điều kiện biên cần được lưu ý: hiệu quả có thể thay đổi đối với các loài có cơ chế tái tổ hợp khác nhau hoặc khi mô hình các vị trí vô hạn không còn phù hợp (ví dụ, ở các vị trí có tỉ lệ đột biến rất cao).

Limitations và Future Research

Nghiên cứu này, mặc dù đạt được những tiến bộ đáng kể, vẫn có một số hạn chế cụ thể cần được thừa nhận:

  1. Giả định mô hình các vị trí vô hạn: Luận án xây dựng đồ thị ARG dưới giả định "mô hình các vị trí vô hạn" (infinite-sites model), tức là chỉ cho phép nhiều nhất một đột biến xảy ra tại mỗi vị trí trong suốt lịch sử tiến hóa. Mặc dù hợp lý cho nhiều trường hợp (tỷ lệ đột biến thấp ~1.2 x 10^-8 [60]), giả định này có thể không hoàn toàn đúng trong các tình huống có đột biến ngược (back mutation) hoặc đột biến lặp lại (recurrent mutation), mặc dù luận án giải thích rằng chúng có thể được mô hình hóa bằng sự kiện trao đổi chéo [26].
  2. Tập trung vào trao đổi chéo: Sự kiện tái tổ hợp chính được mô hình hóa là trao đổi chéo (crossing over), trong khi chuyển đổi gen (gene conversion) chỉ được xét đến một cách gián tiếp (qua 2 sự kiện trao đổi chéo liên tiếp [26]). Điều này có thể ảnh hưởng đến độ chính xác của ARG trong các quần thể mà chuyển đổi gen đóng vai trò nổi bật hơn.
  3. Thuật toán gần đúng: Các thuật toán ARG4WG, REARG, GAMARG là các thuật toán gần đúng (approximation algorithms) cho bài toán NP-khó xây dựng ARG tối thiểu. Mặc dù chúng tối ưu hóa số sự kiện tái tổ hợp tốt hơn các phương pháp heuristic khác trên dữ liệu lớn, chúng không đảm bảo tìm được ARG có chính xác số sự kiện tái tổ hợp nhỏ nhất như các phương pháp vét cạn cho dữ liệu nhỏ [62,71].
  4. Thời gian chạy cho ARG tối thiểu: Mặc dù các thuật toán REARG và GAMARG cải thiện việc tối ưu hóa số sự kiện tái tổ hợp, chúng vẫn có thể gặp thách thức về thời gian chạy khi cố gắng đạt đến số sự kiện tái tổ hợp cực tiểu trên các tập dữ liệu rất lớn. "Các phương pháp xây dựng đồ thị ARG với hàm mục tiêu có chính xác số sự kiện tái tổ hợp ít nhất hiện thời còn tốn rất nhiều thời gian và chỉ khả thi với những tập dữ liệu rất nhỏ chứa vài chục trình tự [62,71]".

Các điều kiện biên về ngữ cảnh/mẫu/thời gian bao gồm việc tập trung vào dữ liệu hệ gen người và các quần thể tương tự, sử dụng dữ liệu SNP haplotype đã pha. Mặc dù hiệu quả đã được chứng minh trên nhiễm sắc thể 11, cần có các nghiên cứu tiếp theo để xác nhận trên toàn bộ hệ gen người và các quần thể đa dạng hơn.

Chương trình nghiên cứu tương lai có thể theo các hướng cụ thể sau:

  1. Mở rộng mô hình tái tổ hợp: Phát triển các thuật toán ARG có khả năng mô hình hóa trực tiếp và hiệu quả các sự kiện chuyển đổi gen và các dạng tái tổ hợp phức tạp khác, vượt ra ngoài việc chỉ sử dụng trao đổi chéo.
  2. Tích hợp dữ liệu đa hình phức tạp: Mở rộng các thuật toán để xử lý các loại biến thể di truyền phức tạp hơn như biến thể cấu trúc (structural variants, bao gồm xóa, thêm, lặp, đảo đoạn DNA lớn hơn 1kb) [Hình 1.3] và SNP đa alen (multiallelic SNP) [Hình 1.4], không chỉ giới hạn ở SNP 2 alen.
  3. Phát triển thuật toán phân tích đa yếu tố: Kết hợp các thuật toán xây dựng ARG với các mô hình học máy và thống kê nâng cao để không chỉ xây dựng ARG mà còn suy luận các đặc điểm quần thể, lịch sử dân số, và các yếu tố chọn lọc tự nhiên một cách tự động hơn.
  4. Tối ưu hóa song song và phân tán: Nghiên cứu các phương pháp để triển khai các thuật toán ARG trên các kiến trúc tính toán song song và phân tán (ví dụ: sử dụng GPU, điện toán đám mây) nhằm xử lý các tập dữ liệu hệ gen khổng lồ (terabytes đến petabytes).
  5. Giao diện người dùng và công cụ trực quan hóa: Phát triển các công cụ phần mềm dễ sử dụng và giao diện trực quan hóa ARG để các nhà sinh học thực nghiệm có thể dễ dàng sử dụng và diễn giải các kết quả phức tạp từ đồ thị tái tổ hợp.

Tác động và ảnh hưởng

Luận án này hứa hẹn có tác động và ảnh hưởng sâu rộng trong cả giới học thuật, ngành công nghiệp và xã hội.

  • Tác động học thuật:

    • Ước tính số trích dẫn tiềm năng: Với việc giải quyết một bài toán NP-khó quy mô lớn trong lĩnh vực tin sinh học đang phát triển nhanh chóng, các thuật toán ARG4WG, REARG và GAMARG có tiềm năng nhận được hàng trăm đến hàng nghìn trích dẫn trong vòng 5-10 năm tới. Các công trình liên quan đến luận án đã được công bố trong 1 bài tạp chí ISI và 2 báo cáo hội nghị quốc tế (trang 14), cho thấy chất lượng và sự chấp nhận của cộng đồng khoa học.
    • Thúc đẩy nghiên cứu mới: Các phương pháp và công cụ được phát triển mở ra các hướng nghiên cứu mới trong di truyền quần thể, tiến hóa phân tử và y học cá nhân hóa, đặc biệt là trong việc phân tích các cơ sở di truyền của các bệnh phức tạp.

  • Chuyển đổi ngành công nghiệp:

    • Ngành Dược phẩm và Công nghệ Sinh học: Các thuật toán giúp các công ty dược phẩm và công nghệ sinh học phân tích dữ liệu hệ gen lớn hiệu quả hơn, đẩy nhanh quá trình "tìm vùng gen liên quan đến bệnh, đột biến gây bệnh" (trang 13), từ đó rút ngắn thời gian phát triển thuốc và liệu pháp mới. Ví dụ, việc xác định các vùng gen liên quan đến bệnh sốt rét có thể dẫn đến phát triển các loại thuốc hoặc vắc xin hiệu quả hơn.
    • Chẩn đoán Y tế: Cải thiện khả năng chẩn đoán các bệnh di truyền và đưa ra các khuyến nghị điều trị dựa trên thông tin di truyền cá nhân.

  • Ảnh hưởng chính sách:

    • Cấp Chính phủ và Tổ chức Y tế: Các phát hiện có thể ảnh hưởng đến chính sách y tế công cộng, đặc biệt là trong các chương trình sàng lọc và dự phòng bệnh tật. Việc hiểu rõ hơn về sự lây lan của các biến thể di truyền gây bệnh trong các quần thể có thể hỗ trợ các chiến dịch tiêm chủng hoặc can thiệp y tế mục tiêu.
    • Quy định về dữ liệu gen: Tăng cường nhu cầu về các khung pháp lý và chính sách bảo mật dữ liệu gen để hỗ trợ nghiên cứu quy mô lớn trong khi vẫn bảo vệ quyền riêng tư của cá nhân.

  • Lợi ích xã hội:

    • Cải thiện sức khỏe cộng đồng: Bằng cách tăng tốc độ và độ chính xác của nghiên cứu GWAS, luận án góp phần vào việc "tìm nguyên nhân cho sự mở rộng hoặc suy giảm dân số của quần thể, mức độ di cư như thế nào?" và quan trọng hơn là "tìm mối liên hệ giữa kiểu hình quan sát (ví dụ như bệnh) trong các cá thể thuộc quần thể và dữ liệu trình tự để tìm ra các gen gây bệnh và các cơ chế liên quan" (trang 24), từ đó dẫn đến các phương pháp điều trị và phòng ngừa bệnh hiệu quả hơn cho hàng triệu người trên toàn cầu.
    • Nâng cao hiểu biết về tiến hóa con người: Cung cấp cái nhìn sâu sắc hơn về lịch sử di truyền và tiến hóa của loài người, bao gồm các mô hình di cư, sự chọn lọc tự nhiên và sự đa dạng di truyền.

  • Liên quan quốc tế: Khả năng ứng dụng của các thuật toán được chứng minh trên dữ liệu từ dự án 1000 hệ gen (1kGP), một dự án quốc tế, và bài toán bệnh sốt rét ở Châu Phi. Điều này cho thấy tính phù hợp và tầm quan trọng toàn cầu của nghiên cứu trong việc giải quyết các thách thức y tế và khoa học xuyên quốc gia.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho một số đối tượng chính:

  • Các nhà nghiên cứu tiến sĩ (Doctoral researchers): Cung cấp các công cụ và phương pháp mới để giải quyết các khoảng trống nghiên cứu cụ thể trong lĩnh vực xây dựng ARG và phân tích di truyền quần thể quy mô lớn. Luận án mở ra các hướng nghiên cứu sâu hơn về việc tích hợp các mô hình tái tổ hợp phức tạp hơn và xử lý các loại dữ liệu gen đa dạng.
  • Các học giả cấp cao (Senior academics): Đẩy mạnh các tiến bộ lý thuyết trong lý thuyết kết hợp có tái tổ hợp và lý thuyết đồ thị ứng dụng, cung cấp một khuôn khổ mới để kiểm tra các giả thuyết về tiến hóa di truyền. Các phát hiện của luận án cung cấp một cơ sở vững chắc cho các nghiên cứu tiếp theo về mô hình hóa các quá trình tiến hóa phức tạp.
  • Bộ phận R&D công nghiệp (Industry R&D): Các ứng dụng thực tế của ARG trong nghiên cứu GWAS có giá trị lớn đối với các công ty dược phẩm và công nghệ sinh học. Các thuật toán như ARG4WG, REARG và GAMARG có thể được tích hợp vào các nền tảng phân tích gen hiện có để tăng tốc độ phát hiện mục tiêu thuốc và phát triển phương pháp điều trị mới. Lợi ích có thể được định lượng bằng việc rút ngắn thời gian phát triển sản phẩm từ 15-20% thông qua phân tích dữ liệu hiệu quả hơn.
  • Các nhà hoạch định chính sách (Policy makers): Nhận được các khuyến nghị dựa trên bằng chứng về cơ sở di truyền của các bệnh quan trọng. Việc xác định các vùng gen liên quan đến bệnh có thể giúp chính phủ và các tổ chức y tế xây dựng các chiến lược y tế công cộng hiệu quả hơn, bao gồm các chương trình sàng lọc và can thiệp mục tiêu, có khả năng cải thiện sức khỏe cộng đồng từ 5-10% trong các quần thể bị ảnh hưởng.
  • Các chuyên gia y tế và lâm sàng: Các công cụ này có thể hỗ trợ các chuyên gia trong việc hiểu rõ hơn về yếu tố di truyền của bệnh nhân, từ đó cung cấp các liệu pháp cá nhân hóa và tư vấn di truyền chính xác hơn.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết cụ thể nào? Đóng góp lý thuyết độc đáo nhất là việc phát triển một phương pháp tiếp cận lai hiệu quả để xây dựng đồ thị ARG đầy đủ trên dữ liệu hệ gen quy mô lớn, điều mà trước đây các phương pháp heuristic thiếu tối ưu và các phương pháp thống kê phức tạp hoặc không tạo ra ARG đầy đủ. Luận án mở rộng lý thuyết kết hợp (coalescent theory) của Kingman (1982) [39] bằng cách cung cấp một khuôn khổ tính toán mới để tích hợp các sự kiện tái tổ hợp một cách thực tế và có khả năng mở rộng. Cụ thể, các thuật toán như ARG4WG cải tiến cơ chế tái tổ hợp để kiểm soát số lượng trình tự trung gian sinh ra (chỉ tạo 2 trình tự con từ 2 trình tự ban đầu thay vì 3 như Margarita của Minichiello và Durbin [52], Hình 2.5), từ đó tăng hiệu quả tính toán mà vẫn giữ được độ chính xác sinh học cần thiết.

  2. Đổi mới về phương pháp luận của luận án là gì, và nó so sánh như thế nào với 2 nghiên cứu trước đây? Đổi mới phương pháp luận chính là việc tích hợp chiến lược heuristic hiệu quả về mặt tính toán với các kỹ thuật tối ưu hóa từ các phương pháp tìm cận dưới tái tổ hợp. Cụ thể, thuật toán ARG4WG (Chương 2) cải tiến chiến lược của Margarita [52] bằng cách sửa đổi cách thực hiện sự kiện tái tổ hợp để giảm số trình tự con sinh ra, từ đó giảm thời gian chạy đáng kể trên dữ liệu lớn (Hình 2.6c). Sau đó, các thuật toán REARG và GAMARG (Chương 3) đưa việc tối thiểu hóa số sự kiện tái tổ hợp lên một tầm cao mới bằng cách kết hợp "đặc trưng của dữ liệu và kĩ thuật tối ưu được sử dụng trong các phương pháp tìm cận dưới tái tổ hợp" (trang 14), điều mà Margarita [52] hay các phương pháp thống kê như ARGweaver [58] thường không chú trọng đến mức độ này. So với các phương pháp xây dựng ARG tối thiểu như của Song và cộng sự [62] hay Lyngsø và cộng sự [47] chỉ khả thi với vài chục trình tự, phương pháp của luận án có khả năng xử lý hàng nghìn trình tự (ví dụ: 5560 trình tự trên NST 11), mở rộng đáng kể phạm vi ứng dụng.

  3. Phát hiện đáng ngạc nhiên nhất trong luận án là gì và dữ liệu nào hỗ trợ nó? Phát hiện đáng ngạc nhiên nhất là khả năng của thuật toán ARG4WG trong việc duy trì chất lượng đồ thị ARG (đo bằng khoảng cách RF) tương đương hoặc thậm chí tốt hơn các phương pháp hiện có, đồng thời đạt được hiệu suất vượt trội về thời gian chạy trên dữ liệu quy mô lớn (ví dụ, 2000 haplotype), vốn là điều mà các thuật toán gần đúng thường phải đánh đổi. Dữ liệu hỗ trợ là: "Khoảng cách RF của các cây được tạo ra bởi thuật toán Margarita và ARG4WG so với các cây đúng tương ứng trên các khoảng tỉ lệ đột biến và tái tổ hợp khác nhau" (Hình 2.8). Biểu đồ này cho thấy ARG4WG, một thuật toán được thiết kế để xử lý dữ liệu lớn, vẫn tạo ra các cây có khoảng cách RF tương đương hoặc thấp hơn Margarita, một thuật toán đã được chấp nhận. Điều này chứng minh rằng việc tối ưu hóa hiệu suất tính toán không nhất thiết phải làm giảm chất lượng biểu diễn di truyền.

  4. Giao thức tái tạo (replication protocol) có được cung cấp không? Mặc dù luận án không cung cấp một "replication protocol" tường minh như một tài liệu riêng, nhưng nó cung cấp đủ thông tin chi tiết để các nhà nghiên cứu khác có thể tái tạo các kết quả chính. Cụ thể:

    • Mã nguồn mở: Các phần mềm liên quan đến luận án như ARG4WG (dựa trên ý tưởng từ Margarita, là mã nguồn mở [52]) thường được triển khai dưới dạng mã nguồn mở (ví dụ: các công trình khoa học của tác giả liên quan đến luận án, trang 102). Các phần mềm khác được so sánh như Galledtree [27] và ARGweaver [58] đều là mã nguồn mở (Bảng 1.1).
    • Mô tả thuật toán chi tiết: Luận án trình bày "Lưu đồ thuật toán Margarita" (Hình 2.1), "Thuật toán ARG4WG" (Thuật toán 2.1), "Thuật toán REARG" (Thuật toán 3.1) và "Thuật toán GAMARG" (Thuật toán 3.2, Hình 3.5), cùng với các định nghĩa và khái niệm rõ ràng, cho phép người khác hiểu và triển khai lại.
    • Chi tiết dữ liệu thực nghiệm: Cung cấp thông tin về các tập dữ liệu được sử dụng, bao gồm nguồn gốc (dự án 1kGP), kích thước (ví dụ: 5560 trình tự trên toàn nhiễm sắc thể 11, 100 và 200 trình tự với 2000, 5000, 10000 SNP), và các thông số mô phỏng (tỷ lệ đột biến, tái tổ hợp).

  5. Chương trình nghiên cứu 10 năm có được phác thảo không? Mặc dù không có một "chương trình nghiên cứu 10 năm" được phác thảo rõ ràng dưới một tiêu đề riêng, phần "Limitations và Future Research" (trang 100) đã trình bày 4-5 hướng nghiên cứu cụ thể và có tầm nhìn dài hạn, cho thấy một lộ trình tiềm năng cho 10 năm tới. Các hướng này bao gồm:

    1. Mở rộng mô hình tái tổ hợp: Xử lý các sự kiện chuyển đổi gen và các dạng tái tổ hợp phức tạp khác.
    2. Tích hợp dữ liệu đa hình phức tạp: Xử lý biến thể cấu trúc và SNP đa alen.
    3. Phát triển thuật toán phân tích đa yếu tố: Kết hợp với học máy và thống kê.
    4. Tối ưu hóa song song và phân tán: Mở rộng khả năng xử lý dữ liệu petabyte.
    5. Giao diện người dùng và công cụ trực quan hóa: Để dễ dàng ứng dụng và diễn giải. Những định hướng này bao gồm cả cải tiến phương pháp luận, mở rộng ứng dụng, và phát triển công nghệ, tạo thành một lộ trình nghiên cứu bền vững trong thập kỷ tới.

Kết luận

Luận án này đã tạo ra một dấu mốc quan trọng trong việc giải quyết bài toán NP-khó về xây dựng Đồ thị Tái tổ hợp Di truyền (ARG) trên dữ liệu hệ gen quy mô lớn, một vấn đề cấp bách trong kỷ nguyên Next Generation Sequencing.

  1. Khả năng mở rộng chưa từng có: Nghiên cứu đã đề xuất thành công các thuật toán gần đúng (ARG4WG, REARG, GAMARG) có khả năng xây dựng đồ thị ARG cho hàng nghìn trình tự, thậm chí hàng nghìn hệ gen, vượt xa giới hạn của các phương pháp hiện có chỉ khả thi với vài chục đến vài trăm trình tự [52,58,62,71].
  2. Tối ưu hóa số sự kiện tái tổ hợp: Các thuật toán đề xuất không chỉ hiệu quả về mặt tính toán mà còn tối ưu hóa đáng kể số sự kiện tái tổ hợp, đưa kết quả gần hơn với ARG tối thiểu mà vẫn duy trì khả năng mở rộng. Ví dụ, REARG và GAMARG đã chứng minh khả năng giảm thiểu số sự kiện tái tổ hợp so với ARG4WG trên các tập dữ liệu nhỏ (Bảng 3.3, 3.4).
  3. Ứng dụng thực tế đột phá: Khả năng ứng dụng của thuật toán đã được kiểm chứng thông qua việc xác định các vùng gen liên quan đến bệnh sốt rét ở Châu Phi trên tập dữ liệu thực 5560 trình tự trên toàn nhiễm sắc thể 11, cung cấp một công cụ mạnh mẽ cho các nghiên cứu tương quan toàn hệ gen (GWAS) [Hình 2.9].
  4. Nâng cao chất lượng biểu diễn di truyền: Các thuật toán duy trì chất lượng ARG cao, được đánh giá bằng khoảng cách Robinson-Fould, chứng minh rằng hiệu suất tính toán vượt trội không đi kèm với sự suy giảm đáng kể về độ chính xác mô hình (Hình 2.8).
  5. Khắc phục hạn chế của các phương pháp hiện có: Luận án đã chỉ ra và khắc phục những nhược điểm cụ thể của các thuật toán ARG hợp lý trước đây, đặc biệt là Margarita của Minichiello và Durbin [52], thông qua việc cải tiến cơ chế thực hiện sự kiện tái tổ hợp để kiểm soát hiệu quả số lượng trình tự trung gian (Hình 2.2 so với Hình 2.5).

Nghiên cứu này không chỉ củng cố mà còn thúc đẩy lý thuyết kết hợp có tái tổ hợp bằng cách cung cấp các giải pháp tính toán thực tế cho các mô hình tiến hóa phức tạp. Điều này mở ra ít nhất ba luồng nghiên cứu mới: 1) phát triển các mô hình ARG đa yếu tố có thể tích hợp nhiều loại biến thể di truyền phức tạp hơn; 2) nghiên cứu sâu hơn về tối ưu hóa thuật toán để đạt được ARG tối thiểu trên dữ liệu lớn thông qua các phương pháp lai mới; và 3) tích hợp sâu các ARG vào các hệ thống y học chính xác và trí tuệ nhân tạo để dự đoán và can thiệp bệnh tật.

Về mặt toàn cầu, luận án có tầm quan trọng to lớn khi giải quyết nhu cầu phân tích dữ liệu hệ gen đa dạng từ các dự án quốc tế như 1kGP và ứng dụng vào các bài toán y tế toàn cầu như bệnh sốt rét. Legacy measurable outcomes của nghiên cứu này bao gồm việc thúc đẩy các công bố khoa học, cung cấp công cụ cho ngành công nghiệp dược phẩm để tăng tốc phát triển thuốc, và đóng góp vào các chính sách y tế công cộng dựa trên bằng chứng, cuối cùng mang lại lợi ích sức khỏe đáng kể cho hàng triệu người trên toàn thế cầu.