Luận án tiến sĩ: Phân hạng và dự đoán gen liên quan đến bệnh bằng các thuật toán dựa trên mạng sinh học - Đặng Vũ Tùng

Việc xác định chính xác các gen liên quan đến bệnh là một thách thức lớn nhưng vô cùng cấp thiết trong lĩnh vực y học hiện đại. Các bệnh di truyền, bệnh phức tạp như ung thư, tiểu đường hoặc các rối loạn thần kinh thường liên quan đến sự hoạt động bất thường của một hoặc nhiều gen. Hiểu được vai trò của từng gen trong quá trình bệnh lý giúp các nhà nghiên cứu phát triển các phương pháp chẩn đoán sớm, các mục tiêu điều trị mới, và thậm chí là liệu pháp gen cá nhân hóa. Nhu cầu này thúc đẩy sự phát triển của các công nghệ và thuật toán mạng mới, có khả năng xử lý lượng lớn dữ liệu gen và protein, nhằm dự đoán gen bệnh một cách hiệu quả hơn. Các phương pháp truyền thống thường tốn kém và mất thời gian. Vì vậy, các phương pháp tính toán hiện đại là cần thiết để tăng tốc độ phát hiện.

Nền tảng của việc dự đoán gen bệnh nằm ở sự hiểu biết sâu sắc về sinh học phân tử, bao gồm cấu trúc và chức năng của gen, cách gen biểu hiện thành protein, và các tương tác phức tạp giữa chúng. Thông tin này sau đó được mô hình hóa dưới dạng mạng sinh học, nơi các nút biểu diễn gen, protein, hoặc phân tử khác, và các cạnh biểu diễn mối quan hệ tương tác. Mạng tương tác protein-protein (PPI) là một loại mạng sinh học quan trọng, cho thấy cách các protein làm việc cùng nhau trong tế bào. Việc phân tích mạng lưới sinh học này cho phép khám phá các cụm gen chức năng, các con đường tín hiệu bệnh lý, và từ đó ưu tiên gen có khả năng cao liên quan đến bệnh. Các cơ sở dữ liệu sinh học lớn cung cấp nguồn dữ liệu phong phú để xây dựng và phân tích các mạng này, tạo điều kiện cho các nghiên cứu tin sinh học chuyên sâu.

Bài toán phân hạng gen là quá trình gán điểm hoặc xếp hạng cho các gen ứng cử viên dựa trên khả năng liên quan đến một bệnh cụ thể. Mục tiêu là xác định các gen tiềm năng nhất để nghiên cứu sâu hơn. Có nhiều hướng tiếp cận để giải quyết bài toán này. Một số phương pháp dựa trên sự tương đồng trình tự gen hoặc biểu hiện gen. Các phương pháp khác tập trung vào việc tích hợp dữ liệu quy mô lớn từ các nguồn khác nhau, như dữ liệu biến thể gen, dữ liệu biểu hiện hoặc dữ liệu kiểu hình. Đặc biệt, các phương pháp dựa trên mạng sinh học đã chứng minh hiệu quả cao, bằng cách khai thác thông tin về vị trí và vai trò của gen trong mạng lưới tương tác phức tạp của tế bào. Mỗi cách tiếp cận đều có ưu điểm riêng, và việc lựa chọn phương pháp phù hợp phụ thuộc vào loại dữ liệu và mục tiêu nghiên cứu cụ thể nhằm tối ưu hóa khả năng phân loại gen.

Trong lĩnh vực tin sinh học, nhiều phương pháp đã được phát triển để dự đoán gen bệnh dựa trên mạng sinh học. Các phương pháp này thường bao gồm việc đánh giá mức độ "gần" giữa các gen đã biết liên quan bệnh và các gen ứng cử viên trên mạng tương tác. Các thuật toán mạng lan truyền thông tin, như Random Walk, PageRank hoặc các biến thể của chúng, đã chứng tỏ hiệu quả. Chúng mô phỏng sự lan truyền ảnh hưởng từ các gen đã biết gây bệnh sang các gen chưa biết thông qua các con đường tương tác. Ngoài ra, việc tích hợp nhiều loại dữ liệu "quy mô lớn" (omics data) vào cấu trúc mạng cũng là một hướng tiếp cận mạnh mẽ, cho phép phân tích mạng lưới sinh học toàn diện hơn và cung cấp bức tranh đầy đủ về vai trò của gen. Các phương pháp này đóng vai trò quan trọng trong việc phân loại gen và khám phá các cơ chế bệnh học mới.

Học máy trong sinh học đã mở ra một kỷ nguyên mới cho việc phân hạng gen và dự đoán gen bệnh. Đặc biệt, các thuật toán mạng học tăng cường (Reinforcement Learning - RL) thể hiện tiềm năng lớn. Thuật toán RL học cách "điều hướng" trong mạng sinh học để tìm ra các gen liên quan. Nó không yêu cầu nhãn cho tất cả dữ liệu, mà học thông qua tương tác với môi trường mạng, nhận phản hồi và điều chỉnh chiến lược của mình. Điều này giúp thuật toán tự động khám phá các mối liên hệ phức tạp và phi tuyến tính giữa các gen và bệnh. Khi kết hợp với thông tin xác suất tiên nghiệm (prior probability), khả năng ưu tiên gen của thuật toán RL được cải thiện đáng kể, cho phép xác định các gen mục tiêu với độ chính xác cao hơn, đồng thời giảm thiểu sai sót trong quá trình khám phá.

Thuật toán mạng bước ngẫu nhiên (Random Walk) là một công cụ mạnh mẽ trong phân tích mạng lưới sinh học và phân hạng gen. Nó mô phỏng một "bước đi" ngẫu nhiên qua các nút và cạnh của mạng sinh học. Phiên bản "bước ngẫu nhiên có quay lui" (Random Walk with Restart - RWR) đặc biệt hữu ích cho việc dự đoán gen bệnh. RWR cho phép "người đi" quay trở lại các nút ban đầu (gen đã biết liên quan bệnh) với một xác suất nhất định. Điều này đảm bảo rằng quá trình tìm kiếm không đi quá xa khỏi các gen đã xác định, tập trung vào việc khám phá các gen lân cận và có liên quan chặt chẽ. RWR giúp ưu tiên gen dựa trên mức độ "gần" trong mạng, không chỉ về mặt khoảng cách mà còn về cấu trúc tương tác, từ đó nâng cao hiệu quả phân loại gen và cung cấp danh sách các ứng cử viên đáng tin cậy.

Một trong những chiến lược mới để phân hạng gen trên mạng tương tác protein là sự kết hợp giữa học tăng cường và xác suất tiên nghiệm. Phương pháp này tận dụng khả năng của học tăng cường để "học" các con đường quan trọng trong mạng mà không cần nhãn tường minh cho mọi gen. Xác suất tiên nghiệm cung cấp thông tin ban đầu về khả năng một gen liên quan đến bệnh, dựa trên các bằng chứng từ cơ sở dữ liệu hoặc nghiên cứu trước đây. Việc tích hợp hai yếu tố này cho phép thuật toán mạng điều chỉnh việc ưu tiên gen một cách linh hoạt và thông minh hơn, tập trung vào các khu vực mạng có nhiều khả năng chứa các gen gây bệnh. Điều này cải thiện đáng kể độ chính xác của quá trình dự đoán gen bệnh, đồng thời tăng cường khả năng xác định các mục tiêu điều trị mới.

Một cách tiếp cận khác để phân hạng gen trên mạng tương tác protein là dựa vào việc tính toán tổng xác suất liên kết. Phương pháp này giả định rằng các gen gây bệnh có xu hướng tương tác với các gen đã biết gây bệnh hoặc nằm trong cùng một cụm chức năng. Mỗi liên kết trong mạng PPI được gán một xác suất hoặc trọng số, phản ánh độ mạnh của tương tác. Bằng cách tính tổng các xác suất này cho các gen ứng cử viên liên quan đến các gen đã biết, một điểm số ưu tiên được tạo ra. Gen có điểm số cao nhất được coi là có nhiều khả năng liên quan đến bệnh. Phương pháp này cung cấp một khuôn khổ định lượng, trực tiếp khai thác cấu trúc và trọng số của mạng tương tác protein để dự đoán gen bệnh. Nó là một công cụ đơn giản nhưng hiệu quả để phân loại gen tiềm năng.

Việc đánh giá và so sánh các phương pháp phân hạng gen là cần thiết để xác định chiến lược tối ưu. Các thuật toán mạng như học tăng cường kết hợp xác suất tiên nghiệm mang lại sự linh hoạt và khả năng học hỏi phức tạp, nhưng có thể yêu cầu tài nguyên tính toán lớn. Trong khi đó, các phương pháp dựa trên tính tổng xác suất liên kết trong mạng tương tác protein có thể đơn giản hơn trong việc triển khai và diễn giải, nhưng có thể bỏ qua các mối quan hệ phi tuyến tính phức tạp. Việc phân tích ưu nhược điểm của từng phương pháp thông qua các thực nghiệm so sánh giúp các nhà nghiên cứu lựa chọn thuật toán mạng phù hợp nhất cho từng loại dữ liệu và bệnh lý cụ thể, nhằm nâng cao hiệu quả dự đoán gen bệnh và tối ưu hóa phân loại gen trong nghiên cứu tin sinh học.

Mạng sinh học không đồng nhất khác với các mạng đồng nhất ở chỗ nó chứa nhiều loại nút và cạnh khác nhau. Ví dụ, mạng bệnh-gen có thể kết nối các nút "bệnh" với các nút "gen", và các nút "gen" với các nút "protein". Việc xây dựng các mạng này đòi hỏi sự tích hợp dữ liệu từ nhiều nguồn khác nhau, bao gồm các cơ sở dữ liệu về bệnh (như OMIM, Orphanet), cơ sở dữ liệu gen (như Entrez Gene), và các cơ sở dữ liệu về tương tác protein (như BioGRID, STRING). Quá trình này không chỉ tạo ra một cấu trúc mạng phong phú mà còn giúp khám phá các mối liên hệ tiềm ẩn giữa bệnh và gen mà các phương pháp truyền thống khó phát hiện, hỗ trợ mạnh mẽ cho dự đoán gen bệnh. Đây là một khía cạnh quan trọng của tin sinh học hiện đại, giúp phân loại gen hiệu quả hơn.

Để khai thác hiệu quả mạng sinh học không đồng nhất, các thuật toán mạng cần được thiết kế đặc biệt. Thuật toán bước ngẫu nhiên có quay lui (RWR) đã được điều chỉnh để hoạt động trên các mạng này. Sự điều chỉnh bao gồm việc xác định xác suất chuyển đổi giữa các loại nút khác nhau (ví dụ, từ nút gen sang nút bệnh và ngược lại) và giữa các nút cùng loại. Điều này cho phép thuật toán "điều hướng" qua các loại thông tin khác nhau để tìm ra các con đường liên quan. Bằng cách này, nó có thể phát hiện các gen liên quan đến bệnh thông qua các mối liên hệ gián tiếp và phức tạp, từ đó cải thiện đáng kể khả năng phân hạng gen và dự đoán gen bệnh so với việc chỉ sử dụng các mạng đồng nhất. Hiệu quả của thuật toán này được chứng minh qua các thực nghiệm, mang lại hy vọng mới trong ưu tiên gen bệnh.

Để chứng minh tính hiệu quả của phương pháp dựa trên mạng sinh học không đồng nhất, các thực nghiệm đã được tiến hành trên các bệnh cụ thể. Bệnh Alzheimer, một bệnh thoái hóa thần kinh phức tạp, là một trường hợp nghiên cứu lý tưởng. Bằng cách áp dụng thuật toán mạng bước ngẫu nhiên có quay lui trên mạng không đồng nhất bệnh-gen, các nhà nghiên cứu đã thành công trong việc dự đoán gen bệnh Alzheimer với độ chính xác cao. Kết quả thực nghiệm cho thấy phương pháp này vượt trội hơn so với các phương pháp cùng lớp, mang lại danh sách các gen ứng cử viên mới cho bệnh Alzheimer. Ứng dụng này không chỉ xác nhận tiềm năng của mạng không đồng nhất mà còn mở ra cơ hội để hiểu sâu hơn về cơ chế sinh học của các bệnh phức tạp, hỗ trợ cho việc phân hạng gen và phát triển các liệu pháp điều trị mới trong tin sinh học.

Để đánh giá tính tổng quát và không thiên vị của các thuật toán mạng dùng để phân hạng gen, phương pháp kiểm tra chéo (cross-validation) là rất cần thiết. Kỹ thuật này chia bộ dữ liệu thành nhiều phần, sử dụng một số phần để huấn luyện mô hình và phần còn lại để kiểm tra. Điều này giúp đảm bảo rằng mô hình không chỉ hoạt động tốt trên dữ liệu đã thấy mà còn có khả năng dự đoán chính xác trên dữ liệu mới. Các biến thể như k-fold cross-validation được áp dụng rộng rãi. Phương pháp này giúp xác định hiệu quả thực sự của thuật toán, tránh tình trạng quá khớp (overfitting), và mang lại một đánh giá đáng tin cậy về khả năng dự đoán gen bệnh của mô hình. Việc triển khai kiểm tra chéo đúng cách là một yếu tố then chốt để đảm bảo tính hợp lệ của kết quả.

Để định lượng hiệu suất của các thuật toán mạng trong phân hạng gen, nhiều chỉ số đánh giá đã được sử dụng. Diện tích dưới đường cong ROC (AUC - Area Under ROC Curve) là một trong những chỉ số phổ biến nhất, đo lường khả năng phân loại tổng thể của mô hình. Ngoài ra, độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), và giá trị dự đoán dương/âm (positive/negative predictive value) cũng cung cấp các khía cạnh khác nhau về hiệu suất. Các chỉ số này giúp so sánh khách quan các thuật toán khác nhau, từ đó lựa chọn phương pháp tối ưu cho việc dự đoán gen bệnh. Việc hiểu rõ ý nghĩa của từng chỉ số là quan trọng để đưa ra kết luận chính xác về hiệu quả của phân loại gen và hướng phát triển tiếp theo trong tin sinh học.

Dữ liệu thực nghiệm chất lượng cao là xương sống của mọi nghiên cứu trong tin sinh học và phát triển thuật toán mạng. Không có dữ liệu đáng tin cậy, các kết quả đánh giá sẽ không có giá trị. Các cơ sở dữ liệu sinh học công khai lớn, như BioGRID, STRING, hay OMIM, cung cấp các bộ dữ liệu gen, protein và bệnh đã được xác minh. Việc sử dụng các bộ dữ liệu này không chỉ giúp kiểm chứng tính hiệu quả của thuật toán mạng mà còn đảm bảo khả năng tái tạo của nghiên cứu. Các thực nghiệm được thiết kế cẩn thận với dữ liệu phù hợp là yếu tố quyết định để xác nhận tiềm năng của các phương pháp mới trong việc phân hạng gen và dự đoán gen bệnh trong thực tế. Điều này đảm bảo rằng các phương pháp được đề xuất có thể ứng dụng trong môi trường lâm sàng và nghiên cứu.