Luận án Tiến sĩ: Nâng cao hiệu quả phân tích protein sửa đổi sau dịch mã - Trần Thị Xuân, Đại học Thái Nguyên

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG TRẦN THỊ XUÂN NÂNG CAO HIỆU QUẢ PHÂN TÍCH PROTEIN SỬA ĐỔI SAU DỊCH MÃ TRÊN CƠ SỞ KẾT HỢP MÔ HÌNH HỌC MÁY VÀ XỬ LÝ NGÔN NGỮ TỰ NHIÊN LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN - NĂM 2025 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG TRẦN THỊ XUÂN NÂNG CAO HIỆU QUẢ PHÂN TÍCH PROTEIN SỬA ĐỔI SAU DỊCH MÃ TRÊN CƠ SỞ KẾT HỢP MÔ HÌNH HỌC MÁY VÀ XỬ LÝ NGÔN NGỮ TỰ NHIÊN Ngành: Khoa học máy tính Mã số: 9.01 LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH TẬP THỂ HƯỚNG DẪN KHOA HỌC: 1. LÊ NGUYỄN QUỐC KHÁNH 2. NGUYỄN VĂN NÚI THÁI NGUYÊN - NĂM 2025 LỜI CAM ĐOAN Nghiên cứu sinh (NCS) xin cam đoan các kết quả trình bày trong luận án Tiến sĩ “Nâng cao hiệu quả phân tích protein sửa đổi sau dịch mã trên cơ sở kết hợp mô hình học máy và xử lý ngôn ngữ tự nhiên” là các công trình nghiên cứu của NCS dưới sự hướng dẫn của PGS. Lê Nguyễn Quốc Khánh và TS.

Nguyễn Văn Núi, trừ những kiến thức tham khảo từ các tài liệu đã được tham chiếu rõ ràng. Các kết quả nghiên cứu trong luận án là trung thực, một phần đã được công bố trên các Tạp chí, Hội thảo khoa học (danh sách các công trình được liệt kê tại cuối Luận án), phần còn lại chưa được công bố trong bất kỳ công trình nào khác. Mọi nội dung dữ liệu được tham khảo trong luận án đều được trích dẫn đầy đủ và đúng quy định. Thái Nguyên, ngày.

năm 2025 Tác giả luận án Trần Thị Xuân i LỜI CẢM ƠN Luận án tiến sĩ này là kết quả của cả một quá trình nghiên cứu lý thuyết và thực nghiệm đầy thách thức và khó khăn, đòi hỏi sự kiên trì và sự tập trung cao độ. Kết quả đạt được không chỉ là những nỗ lực cá nhân mà còn có sự hỗ trợ, giúp đỡ của tập thể người hướng dẫn, cơ sở đào tạo, cơ quan chủ quản, đồng nghiệp và gia đình. Với lòng biết ơn sâu sắc, NCS xin gửi lời cảm ơn chân thành đến tập thể hướng dẫn khoa học: PGS. Lê Nguyễn Quốc Khánh – Trường Đại học Y Đài Bắc (Đài Loan) và TS.

Nguyễn Văn Núi – Trường Đại học Công nghệ Thông tin và Truyền thông, những người đã luôn tận tâm hướng dẫn, hỗ trợ và động viên NCS trong suốt quá trình thực hiện luận án. NCS xin trân trọng gửi lời cảm ơn Trường Đại học Công nghệ Thông tin và Truyền thông, Phòng Đào tạo - Bộ phận Sau đại học, Khoa Công nghệ Thông tin đã tạo điều kiện thuận lợi cho NCS trong quá trình học tập và nghiên cứu. NCS cũng xin gửi lời cảm ơn đến Trường Đại học Kinh tế và Quản trị Kinh doanh, Khoa Khoa học Cơ bản, Khoa Kinh doanh và Logistics, đồng nghiệp đã luôn cổ vũ, động viên và tạo điều kiện tốt nhất cho NCS hoàn thành nhiệm vụ học tập và nghiên cứu. Đặc biệt, NCS xin chân thành cảm ơn sự hỗ trợ từ Đề tài Khoa học và Công nghệ cấp Đại học Thái Nguyên mã số ĐH2023-TN08-05 [2], và Đề tài thuộc Quỹ Phát triển Khoa học và Công nghệ Quốc gia (NAFOSTED) mã số 102.49, đã tạo nguồn lực quan trọng để NCS triển khai các nghiên cứu chuyên sâu và hoàn thiện luận án này.

Cuối cùng, NCS xin gửi lời cảm ơn sâu sắc đến gia đình, bạn bè và các anh chị em nghiên cứu sinh trong nhóm nghiên cứu – những người đã luôn bên cạnh, cổ vũ, chia sẻ và ủng hộ NCS vượt qua những khó khăn trong suốt chặng đường học tập và nghiên cứu. Sự quan tâm và động viên của mọi người là nguồn động lực to lớn giúp NCS vững bước hoàn thành nhiệm vụ của mình. Xin chân thành biết ơn! NCS. Trần Thị Xuân ii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT vi DANH MỤC CÁC HÌNH VẼ xii DANH MỤC CÁC BẢNG BIỂU xiii MỞ ĐẦU 1 1.

Tính cấp thiết của đề tài .Đối tượng và phạm vi nghiên cứu .Phương pháp nghiên cứu .Các đóng góp của luận án. Bố cục của luận án. TỔNG QUAN DỰ ĐOÁN VỊ TRÍ SỬA ĐỔI SAU DỊCH MÃ TRONG CHUỖI PROTEIN VÀ CÁC KIẾN THỨC NỀN TẢNG 7 1.1 Giới thiệu chung .2 Protein sửa đổi sau dịch mã .3 Vai trò của bài toán dự đoán vị trí PTM và các phương pháp chính dự đoán vị trí PTM hiện nay .2 Bài toán dự đoán vị trí PTM dựa trên học máy .3 Xây dựng mô hình dự đoán vị trí PTM .1 Thu thập và tiền xử lý dữ liệu .2 Phương pháp mã hoá và trích chọn đặc trưng .1 Phương pháp trích chọn đặc trưng dựa trên chuỗi .2 Phương pháp mã hoá và trích chọn đặc trưng dựa trên kỹ thuật xử lý ngôn ngữ tự nhiên .3 Xây dựng mô hình .4 Lựa chọn các tham số trong quá trình huấn luyện mô hình dự đoán .5 Đánh giá mô hình .6 Lựa chọn mô hình .7 Các yêu cầu hệ thống và môi trường cài đặt .4 Thách thức của các mô hình dự đoán vị trí PTM .5 Tổng quan nghiên cứu về dự đoán PTM và các phương pháp tiên tiến hiện nay .6 Hướng nghiên cứu trong luận án .7 Kết luận chương 1. MÔ HÌNH HỌC MÁY TỔ HỢP DỰ ĐOÁN VỊ TRÍ SỬA ĐỔI SAU DỊCH MÃ TRONG CHUỖI PROTEIN 38 2.2 Kỹ thuật học máy tổ hợp .3 Mô hình dự đoán SUMOylation dựa trên kỹ thuật học máy tổ hợp đề xuất 41 2.1 Tên viết tắt .2 Dữ liệu thực nghiệm .3 Phương pháp mã hoá và trích chọn đặc trưng .4 Kiến trúc mô hình dự đoán PTM đề xuất dựa trên kỹ thuật học máy tổ hợp .5 Chiến lược và tham số huấn luyện mô hình .6 Kết quả và thảo luận .4 So sánh với các công cụ dự đoán khác .5 Kết luận chương 2.

MÔ HÌNH HỌC SÂU LAI KẾT HỢP XỬ LÝ NGÔN NGỮ TỰ NHIÊN DỰ ĐOÁN VỊ TRÍ SỬA ĐỔI SAU DỊCH MÃ TRONG CHUỖI PROTEIN 54 3.1 Mô hình học sâu lai .1 Mô hình mạng neural tích chập một chiều (CNN1D) .2 Mô hình LSTM, Bi-LSTM .2 Mô hình dự đoán SUMOylation dựa trên kiến trúc học sâu lai (CNN1D_LSTM) và kỹ thuật xử lý ngôn ngữ tự nhiên đề xuất .1 Tên viết tắt .2 Dữ liệu thực nghiệm .3 Phương pháp mã hoá và trích chọn đặc trưng .4 Kiến trúc mô hình học sâu lai (CNN_LSTM) dự đoán vị trí SUMOylation .5 Chiến lược và tham số huấn luyện mô hình .6 Kết quả và thảo luận .7 So sánh với công cụ dự đoán khác .3 Mô hình dự đoán Succinylation dựa trên kiến trúc học sâu lai (CNN1D_Bi-LSTM) và kỹ thuật xử lý ngôn ngữ tự nhiên đề xuất .1 Tên viết tắt .2 Dữ liệu thực nghiệm .3 Phương pháp mã hóa và trích chọn đặc trưng (Embedding động) 75 3.4 Kiến trúc mô hình học sâu lai (CNN1D_Bi-LSTM) dự đoán vị trí Succinylation .5 Chiến lược và tham số huấn luyện mô hình .6 Kết quả và thảo luận .7 So sánh mô hình đề xuất với các công cụ khác .4 Kết luận chương 3. MÔ HÌNH HỌC CHẮT LỌC TRI THỨC KẾT HỢP XỬ LÝ NGÔN NGỮ TỰ NHIÊN DỰ ĐOÁN VỊ TRÍ SỬA ĐỔI SAU DỊCH MÃ TRONG CHUỖI PROTEIN 87 4.1 Học chắt lọc tri thức .2 Mô hình dự đoán Ubiquitination dựa trên học chắt lọc tri thức và kỹ thuật xử lý ngôn ngữ tự nhiên đề xuất .1 Tên viết tắt .2 Dữ liệu thực nghiệm .3 Cơ sở lựa chọn mô hình KD2 (KD_ArapUbi) .4 Kiến trúc học chắt lọc tri thức dự đoán vị tí Ubiquitination ở loài Arabidopsis thaliana (KD_ArapUbi) .5 Chiến lược và tham số huấn luyện mô hình .6 Kết quả và thảo luận .3 So sánh mô hình đề xuất với các công cụ hiện có về dự đoán Arabidopsis thaliana .4 Phân tích so sánh tổng thể bốn mô hình đề xuất trong luận án .5 Kết luận chương 4. 110 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 111 DANH MỤC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ 114 TÀI LIỆU THAM KHẢO 116 PHỤ LỤC 130 DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT Thuật ngữ Diễn giải tiếng Anh Diễn giải tiếng Việt AAC là giá trị tần suất xuất hiện của mỗi axit amin trong chuỗi protein. AAC Amino Acid Composition Đây là một trong những đặc trưng cơ bản nhất được sử dụng trong phân tích protein bằng học máy [75].

AAIndex là một tập hợp các chỉ số sinh hóa và vật lý của axit amin (tính kị nước, tính phân cực, độ linh động), AAIndex được sử dụng để biểu diễn đặc trưng của protein trong các bài toán học máy [52]. Là một chỉ số đánh giá hiệu suất của mô hình phân loại, được tính bằng tỷ ACC Accuracy lệ giữa số lượng dự đoán đúng trên tổng số mẫu dữ liệu. Chỉ số được tính toán dựa trên đường AUC Area under the curve cong ROC nhằm đánh giá khả năng phân loại của mô hình. Đặc trưng Binary encoding là một phương pháp mã hóa nhị phân để biểu BE Binary Encoding diễn thông tin vị trí của các axit amin trong trình tự protein, hỗ trợ các mô hình học máy dự đoán vị trí PTM.

Bidirectional Encoder BERT Representations from Mô hình BERT. Transformers vi Thuật ngữ Diễn giải tiếng Anh Diễn giải tiếng Việt Bi-LSTM là mạng LSTM hai chiều, là Bidirectional Long một mạng nơ-ron hồi quy được sử Bi-LSTM Short-Term Memory dụng chủ yếu trong xử lý ngôn ngữ tự nhiên. CKSAAP là một phương pháp trích xuất đặc trưng từ trình tự protein bằng Composition of k-Spaced cách đếm tần suất xuất hiện của các CKSAAP Amino Acid Pairs cặp axit amin trong chuỗi với một khoảng cách k cố định. CKSAAP tạo ra một véc tơ 400 chiều.

1-dimensional CNN1D Convolutional Neural Mạng nơ-ron tích chập một chiều. Network Convolutional Neural CNNs Mạng nơ-ron tích chập. Networks DNN Deep Neural Network Mạng nơ-ron sâu. Số mẫu dương tính nhưng bị dự đoán FN False Negative nhầm là âm tính.

Số mẫu âm tính nhưng bị dự đoán FP False Positive nhầm là dương tính. GPS là một phương pháp đặc trưng sinh học thường được sử dụng trong dự đoán vị trí biến đổi sau dịch Group-based Prediction GPS mã [128]. GPS không chỉ là một đặc Score trưng đơn thuần mà còn là một mô hình tính điểm dựa trên nguyên tắc điểm số nhóm. LSTM là một loại mạng nơ-ron hồi quy được thiết kế để giải quyết vấn đề LSTM Long Short-Term Memory vanishing gradient của RNN truyền thống khi làm việc với dữ liệu chuỗi dài.

vii Thuật ngữ Diễn giải tiếng Anh Diễn giải tiếng Việt Hệ số tương quan Matthews, là một số liệu hiệu suất cho các bộ phân loại nhị Matthews Correlation phân trong học máy.