Nâng cao hiệu quả mô hình học máy cho dữ liệu y sinh - Luận án Tiến sĩ Khoa học Máy tính

Tổng quan về luận án

Luận án tiến sĩ "Nâng cao hiệu quả mô hình học máy cho dữ liệu y sinh" của Dương Thị Kim Chi, dưới sự hướng dẫn của PGS. Trần Văn Lăng, thuộc chuyên ngành Khoa học Máy tính (Mã số: 9480101), đại diện cho một bước tiến quan trọng trong lĩnh vực Tính toán y sinh (Biomedical Computing). Nghiên cứu này tập trung vào việc giải quyết các thách thức cố hữu khi ứng dụng Học máy (Machine Learning - ML) trên dữ liệu y sinh phức tạp, đặc biệt là dữ liệu genomic và dữ liệu lâm sàng, với mục tiêu cải thiện độ chính xác và hiệu quả của các mô hình dự đoán.

Bối cảnh khoa học và tính tiên phong của nghiên cứu

Trong bối cảnh khoa học hiện đại, sự bùng nổ của dữ liệu y sinh đã mở ra những cơ hội chưa từng có cho việc chẩn đoán, điều trị bệnh và phát triển thuốc. Tuy nhiên, tính đặc thù của dữ liệu này – bao gồm số chiều cao, cơ chế sinh học phức tạp, dữ liệu thiếu, mất cân bằng và phân mảnh – đặt ra những rào cản đáng kể cho các phương pháp ML truyền thống. Luận án này tiên phong trong việc đề xuất các giải pháp học máy đổi mới nhằm vượt qua các thách thức này, từ đó nâng cao hiệu suất của mô hình trong các ứng dụng thực tiễn về tin y sinh. Công trình nhấn mạnh sự cần thiết của các phương pháp tự động hóa trong tiền xử lý và phân tích dữ liệu, đặc biệt khi đối mặt với khối lượng "Big Data" đặc trưng của lĩnh vực y sinh [1, 2].

Research gap SPECIFIC với citations từ literature

Nhiều nghiên cứu đã nỗ lực áp dụng học máy cho dữ liệu genomic và chẩn đoán bệnh, nhưng vẫn còn những hạn chế đáng kể, đặc biệt là về độ chính xác và khả năng giải thích mô hình khi đối mặt với đặc điểm dữ liệu y sinh. Cụ thể, luận án này xác định ba khoảng trống nghiên cứu chính:

1. Dữ liệu gene dạng trình tự chiều cao và không cân bằng trong phát triển thuốc: Dữ liệu trình tự gene có số chiều rất lớn (hàng ngàn chiều), cơ chế sinh học phức tạp, và phân phối dữ liệu không cân bằng. Đây là thách thức lớn đối với ứng dụng học máy trong lĩnh vực sản xuất thuốc, ví dụ như việc tìm kiếm tập gene cho biểu hiện protein cao (Highly Expressed Gene - HEG), chiếm chỉ 5% tổng số trình tự gene trong một hệ gene hàng ngàn gene, hoặc việc chọn lựa môi trường vật chủ phù hợp với gene mục tiêu (p. v-vi). Các phương pháp truyền thống thường bỏ sót HEG do không có sự khác biệt về sử dụng codon so với các gene khác (Pere Puigbò, 2007) [8], và việc xử lý dữ liệu chiều cao là một rào cản lớn.
2. Định danh loài sinh vật từ trình tự gene với dữ liệu không đồng nhất: Số lượng trình tự các loài sinh vật từ các ngân hàng gene quốc tế rất lớn nhưng phân phối không đồng đều giữa các loài trong cùng một chi, và độ dài trình tự cũng rất khác biệt. Điều này gây khó khăn cho các kỹ thuật định danh loài truyền thống như Neighbor-Joining (NJ), phương pháp khoảng cách, hoặc phương pháp phân cụm khi triển khai trên quy mô lớn, thiếu hiệu quả về hiệu năng khi đối sánh trên nhiều hệ gene (p. vi, 11).
3. Dữ liệu lâm sàng thiếu, lỗi và mất cân bằng nghiêm trọng: Dữ liệu y sinh từ xét nghiệm cận lâm sàng và lâm sàng thường có chiều cao, chứa lỗi, dữ liệu trống, và mất cân bằng nghiêm trọng đối với các lớp bệnh hiếm. Việc xây dựng mô hình phân loại chính xác và đáng tin cậy đòi hỏi kỹ năng chuyên môn sâu và kinh nghiệm trong xử lý dữ liệu (p. vii, 1). Các nghiên cứu trước đây như của Patrick Schwab [30] hay Maryam AlJame [31] đã đạt được độ chính xác cao nhưng vẫn cần các giải pháp mạnh mẽ hơn để tự động xử lý các vấn đề dữ liệu cố hữu này.

Research questions và hypotheses

Luận án đề xuất giải quyết các khoảng trống này thông qua các câu hỏi nghiên cứu và giả thuyết sau:

1. RQ1: Làm thế nào để giảm chiều dữ liệu sinh học phân tử và tối ưu hóa việc lựa chọn gene cho các nhiệm vụ ứng dụng trong phát triển thuốc bằng kỹ thuật tái tổ hợp?
   • H1.1: Việc sử dụng chỉ số codon đồng nghĩa RSCU (Relative Synonymous Codon Usage) có thể biểu diễn hiệu quả thông tin đặc trưng của gene, giảm chiều dữ liệu và cải thiện hiệu suất của các thuật toán phân cụm (PAM, CLARA) trong việc xác định gene biểu hiện protein cao.
   • H1.2: Mô hình học máy dựa trên thuật toán tăng cường độ dốc (ví dụ: XGBoost) có thể dự đoán chính xác sự tương quan giữa gene mục tiêu và hệ thống vật chủ, đạt độ chính xác cao (ví dụ: > 90%).
2. RQ2: Phương pháp học máy nào có thể định danh loài sinh vật một cách hiệu quả và tự động từ dữ liệu trình tự gene phức tạp?
   • H2.1: Việc tự động trích xuất đặc trưng trình tự sinh học bằng kỹ thuật K-mer, kết hợp với vector hóa từ và tối ưu hóa tham số, có thể dẫn đến mô hình phân loại (sử dụng thuật toán học kết hợp và phân cụm phân cấp) đạt hiệu năng và độ chính xác vượt trội (ví dụ: > 90%) so với các phương pháp định danh loài truyền thống.
3. RQ3: Làm thế nào để xây dựng mô hình học máy hiệu quả cho chẩn đoán bệnh dựa trên dữ liệu lâm sàng có nhiều lỗi, thiếu và mất cân bằng?
   • H3.1: Việc kết hợp các kỹ thuật xử lý dữ liệu trống (KNNImputer) và mất cân bằng (SMOTE) trước khi áp dụng các thuật toán tăng cường độ dốc (LightGBM, XGBoost) có thể xây dựng mô hình phân loại bệnh (ví dụ: COVID-19 và cúm mùa) với độ chính xác tổng thể cao (> 95%) và thời gian thực thi thấp.

Theoretical framework với tên theories cụ thể

Luận án được xây dựng trên nền tảng của các lý thuyết và kỹ thuật cốt lõi trong Khoa học Máy tính và Tin y sinh:

• Lý thuyết thông tin và mã hóa sinh học: Được sử dụng để biểu diễn dữ liệu gene thông qua các chỉ số như RSCU (Supek et al., 2014) [9] và kỹ thuật K-mer, nhằm chuyển đổi chuỗi ký tự sinh học phức tạp thành các vector số học có ý nghĩa cho học máy.
• Lý thuyết học máy và thống kê: Bao gồm các mô hình Học tập không giám sát (Unsupervised Learning) như phân cụm PAM (Kaufman & Rousseeuw, 1990) [35] và CLARA (Kaufman & Rousseeuw, 1990) [37] để khám phá cấu trúc dữ liệu; Học tập có giám sát (Supervised Learning) như Hồi quy Logistic (LR), Máy Vectơ Hỗ trợ (SVM); và đặc biệt là Học kết hợp (Ensemble Learning) dựa trên kỹ thuật Boosting (Freund & Schapire, 1997) [24] với các thuật toán như XGBoost (Chen & Guestrin, 2016) [38], LightGBM (Ke et al., 2017) [40] và CatBoost (Prokhorenkova et al., 2018) [41], nhằm đạt được độ chính xác và khả năng tổng quát hóa cao.
• Lý thuyết xử lý dữ liệu lớn (Big Data Processing): Các kỹ thuật giảm chiều (Dimensionality Reduction) như PCA (Jolliffe, 2002) [23] và các phương pháp tích hợp trong LightGBM (GOSS, EFB) được sử dụng để xử lý hiệu quả dữ liệu y sinh có số chiều lớn và thưa thớt.
• Lý thuyết về bù đắp dữ liệu thiếu và cân bằng lớp (Missing Data Imputation and Class Imbalance Handling): Các phương pháp như KNNImputer và SMOTE (Chawla et al., 2002) [18] được áp dụng để giải quyết các vấn đề dữ liệu thực tế, vốn là rào cản lớn trong việc xây dựng mô hình đáng tin cậy.

Đóng góp đột phá với quantified impact

Luận án mang lại ba đóng góp đột phá chính, được định lượng rõ ràng:

1. Tối ưu hóa quy trình sản xuất protein tái tổ hợp: Luận án đề xuất phương pháp biểu diễn gene bằng chỉ số RSCU, giảm chiều dữ liệu gene từ 20-6000 nucleotide xuống còn 59 đặc trưng (p. 5, 14), và áp dụng PAM, CLARA để tìm gene biểu hiện protein cao, cũng như XGBoost để dự đoán gene tương quan với hệ thống vật chủ. Mô hình dự đoán gene tương quan này đạt độ chính xác cao nhất là 0.99 (p. vi), góp phần nâng cao hiệu quả sản xuất dược phẩm bằng công nghệ tái tổ hợp [CT2, CT3].
2. Mô hình định danh loài sinh vật tự động hiệu suất cao: Bằng cách sử dụng kỹ thuật K-mer để trích xuất đặc trưng gene ITS của 17 loài nấm mối, sau đó áp dụng thuật toán học kết hợp và phân cụm phân cấp, luận án đã xây dựng mô hình định danh loài nấm mối với độ chính xác đạt 0.91 và Multi-class AUC đạt 0.99 (p. x). Mô hình này còn vượt trội về thời gian thực thi thấp và trùng khớp kết quả dự đoán với phần mềm BLAST của ngân hàng gene quốc tế NCBI (p. x) [CT4, CT7].
3. Chẩn đoán bệnh tự động với độ chính xác cận tuyệt đối: Luận án phát triển mô hình tự động xử lý dữ liệu trống (KNNImputer), mất cân bằng (SMOTE) và rút gọn tính năng (LightGBM) cho dữ liệu lâm sàng. Mô hình kết hợp LightGBM và XGBoost để phân loại bệnh CoViD-19 và cúm mùa đạt độ chính xác tổng thể lên đến 0.998 (cho bệnh CoViD-19) và 0.99 (cho cả hai bệnh) (p. x). Kết quả này vượt trội so với các công bố khác trên cùng bộ dữ liệu COVIDandFLU về độ chính xác, độ nhạy (Recall), độ đặc hiệu (Specificity), F1-score và ROC [CT5, CT6].

Scope (sample size, timeframe) và significance

Phạm vi nghiên cứu của luận án bao gồm ba nhiệm vụ chính:

• Nhiệm vụ 1 (Phát triển thuốc): Sử dụng dữ liệu trình tự gene của ba nhóm sinh vật tế bào vật chủ: B.Subtilus (4100 trình tự), Ecoli (4288 trình tự) và Latococcus (2264 trình tự) (p. 33).
• Nhiệm vụ 2 (Định danh loài): Sử dụng trên 2000 trình tự ITS của 17 loài nấm mối, với số lượng trình tự tối thiểu là 10 cho mỗi lớp (p. 33).
• Nhiệm vụ 3 (Chẩn đoán bệnh): Sử dụng dữ liệu lâm sàng cận lâm sàng từ các bệnh nhân CoViD-19 và cúm mùa, tổng cộng hơn 7000 ca, bao gồm 5564 mẫu cho bệnh CoViD-19 (p. 33), thu thập từ bệnh viện Israelita Albert Einstein ở Brazil [13].

Nghiên cứu được thực hiện và công bố các kết quả vào năm 2022-2023, phản ánh tính cấp thiết và cập nhật của các vấn đề y sinh hiện đại như đại dịch CoViD-19 (p. ii). Tính ý nghĩa của luận án nằm ở khả năng cung cấp các công cụ và phương pháp học máy mạnh mẽ, không chỉ cải thiện độ chính xác mà còn tự động hóa quy trình phân tích dữ liệu y sinh, từ đó đẩy nhanh quá trình phát triển thuốc, nâng cao hiệu quả chẩn đoán và điều trị bệnh, và hỗ trợ các quyết định y tế chính xác hơn trong thực tiễn lâm sàng.

Literature Review và Positioning

Chương này đi sâu vào bối cảnh học thuật của luận án, tổng hợp các luồng nghiên cứu chính, nhận diện những mâu thuẫn và tranh luận, và định vị đóng góp độc đáo của công trình này trong hệ thống tri thức hiện có. Luận án được đặt trong ngữ cảnh liên ngành giữa Khoa học Máy tính và Tin y sinh, tập trung vào các phương pháp học máy cho dữ liệu genomic và lâm sàng [10].

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

Nghiên cứu này tổng hợp ba luồng nghiên cứu chính liên quan đến ứng dụng học máy trong y sinh:

1. Phát triển mô hình học máy cho sinh học phân tử và phát triển thuốc: Luồng này tập trung vào việc sử dụng ML để giải quyết các vấn đề trong sinh học phân tử, đặc biệt là trong khám phá thuốc. Ví dụ, Deep genomics đã ứng dụng nền tảng AI để xác định mục tiêu di truyền mới và các ứng viên thuốc oligonucleotide (M. Singh, 2020) [25, 26]. Các thuật toán như Extreme Learning Machines, DNN, Random Forest (RF) và Support Vector Machine (SVM) đã được chứng minh là có khả năng hỗ trợ dự báo độc tính và tương tác thuốc (Wang et al., 2019) [25, 26]. Nghiên cứu này cũng liên quan đến việc xác định các thành phần protein virus để phát triển vắc-xin (G. Li et al., 2020) [27] và định danh chủng loại sinh vật cùng kiểm soát đột biến gene (H. Tang et al., 2020) [28]. Luận án đóng góp vào luồng này bằng cách tập trung vào việc tối ưu hóa gene cho sản xuất protein tái tổ hợp thông qua các chỉ số RSCU và thuật toán phân cụm PAM, CLARA, cùng với XGBoost để tìm gene mục tiêu và môi trường vật chủ phù hợp (p. v-vi).
2. Định danh loài sinh vật dựa trên trình tự gene: Luồng nghiên cứu này khai thác kỹ thuật sinh học phân tử để xác định loài. Các phương pháp truyền thống như Neighbor-Joining (NJ), phương pháp khoảng cách và phương pháp phân cụm đã được sử dụng (S. Kumar et al., 2018) [10, 11]. Tuy nhiên, những phương pháp này gặp khó khăn về hiệu năng khi xử lý dữ liệu gene có chiều dài và sự đa dạng lớn giữa các loài. Luận án đề xuất một giải pháp học máy mới, tích hợp kỹ thuật K-mer để trích xuất đặc trưng và các thuật toán học kết hợp cùng phân cụm phân cấp để nâng cao hiệu quả định danh loài (p. vi).
3. Chẩn đoán bệnh dựa trên dữ liệu lâm sàng: Đây là luồng nghiên cứu sôi nổi, đặc biệt trong bối cảnh đại dịch CoViD-19. Nhiều tác giả như Norah Alballa (2021) [29] đã tổng kết xu hướng sử dụng ML để chẩn đoán CoViD-19, trong đó thuật toán SVM (Patrick Schwab et al., 2020) [30] đạt độ chính xác 98% trên bộ dữ liệu bệnh viện Israelita Albert Einstein ở Brazil. Maryam AlJame (2021) [31] cải thiện độ chính xác lên 99.4% bằng XGBoost trên cùng bộ dữ liệu. Luận án tiếp tục đẩy mạnh giới hạn này bằng cách tập trung vào xử lý dữ liệu trống và mất cân bằng, cùng với kết hợp LightGBM và XGBoost để đạt độ chính xác tổng thể trên 0.998 (p. x).

Contradictions/debates với ít nhất 2 opposing views

Trong lĩnh vực ứng dụng học máy cho dữ liệu y sinh, tồn tại một số tranh luận chính:

• Độ tin cậy của mô hình so với tính giải thích: Một mặt, các mô hình học kết hợp (Ensemble Learning) như XGBoost hay LightGBM thường đạt độ chính xác rất cao, nhưng lại có tính "hộp đen" (black-box), khó giải thích về cách chúng đưa ra quyết định [24]. Mặt khác, các mô hình đơn giản hơn như Cây Quyết định (Decision Tree) có khả năng giải thích tốt hơn nhưng thường kém chính xác hơn trên dữ liệu phức tạp. Luận án chọn hướng ưu tiên độ chính xác và hiệu năng, nhưng cũng cố gắng làm rõ các thuộc tính quan trọng thông qua phân tích đặc trưng của mô hình.
• Hiệu quả của xử lý dữ liệu tiền xử lý so với học từ dữ liệu thô: Một số quan điểm cho rằng mô hình học máy hiện đại (ví dụ: Deep Learning) có thể học trực tiếp từ dữ liệu thô mà không cần tiền xử lý phức tạp [7]. Tuy nhiên, luận án lập luận rằng đối với dữ liệu y sinh với đặc điểm chiều cao, lỗi, thiếu và mất cân bằng nghiêm trọng, các bước tiền xử lý chuyên sâu như KNNImputer, SMOTE và rút gọn chiều dữ liệu là cực kỳ quan trọng để đảm bảo chất lượng đầu vào, từ đó nâng cao đáng kể độ chính xác và ổn định của mô hình (p. vii). Đây là điểm khác biệt so với các tiếp cận chỉ tập trung vào mô hình học phức tạp mà bỏ qua giai đoạn tiền xử lý dữ liệu.

Positioning trong literature với specific gap identified

Luận án này định vị mình là một nghiên cứu đột phá trong việc tối ưu hóa các mô hình học máy cho dữ liệu y sinh bằng cách tập trung vào các giải pháp toàn diện, từ tiền xử lý dữ liệu chuyên biệt đến việc áp dụng các thuật toán học kết hợp tiên tiến. Công trình này lấp đầy khoảng trống về một khung phương pháp luận thống nhất có khả năng xử lý hiệu quả đồng thời các vấn đề về chiều cao, dữ liệu thiếu, và mất cân bằng lớp trên cả dữ liệu genomic và lâm sàng. Thay vì chỉ áp dụng các thuật toán hiện có, luận án đề xuất các tiếp cận mới trong biểu diễn đặc trưng (RSCU, K-mer), xử lý dữ liệu (KNNImputer, SMOTE) và kết hợp mô hình (LightGBM, XGBoost) để nâng cao hiệu quả tổng thể [CT2, CT3, CT4, CT7, CT5, CT6].

How this advances field với concrete contributions

Nghiên cứu này thúc đẩy lĩnh vực Tin y sinh bằng cách:

• Cung cấp phương pháp giảm chiều hiệu quả: Phương pháp biểu diễn gene bằng RSCU (giảm từ 20-6000 nucleotide xuống 59 đặc trưng) và K-mer cung cấp một cách tiếp cận mạnh mẽ để xử lý dữ liệu genomic chiều cao, mở ra khả năng ứng dụng rộng rãi hơn cho các bài toán sinh học phân tử khác (p. 5, 14).
• Nâng cao độ chính xác của chẩn đoán và phát triển thuốc: Các mô hình đạt độ chính xác từ 0.91 đến 0.998 cho các nhiệm vụ phát triển thuốc và chẩn đoán bệnh CoViD-19/cúm mùa (p. vi, x), vượt trội so với các kết quả trước đây (ví dụ: Patrick Schwab [30] với 98% cho COVID-19).
• Tự động hóa quy trình phân tích: Các giải pháp tự động trích xuất đặc trưng, xử lý dữ liệu thiếu/mất cân bằng và xây dựng bộ phân loại làm giảm đáng kể sự can thiệp thủ công và yêu cầu chuyên môn cao, tăng tính ứng dụng thực tiễn của học máy trong y tế (p. vii).

So sánh với ÍT NHẤT 2 international studies

1. So sánh với nghiên cứu về chẩn đoán CoViD-19 của Patrick Schwab et al. (2020) [30] và Maryam AlJame (2021) [31]:
   • Patrick Schwab et al. [30] sử dụng thuật toán SVM để chẩn đoán CoViD-19 và khả năng nhập viện, đạt AUC 0.98 trên bộ dữ liệu bệnh viện Israelita Albert Einstein.
   • Maryam AlJame [31] cải thiện lên độ chính xác 0.994% bằng XGBoost trên cùng bộ dữ liệu, sau khi chọn lọc mẫu dữ liệu xét nghiệm máu.
   • Luận án này không chỉ đạt độ chính xác tổng thể trên 0.998 cho chẩn đoán CoViD-19 (p. x) mà còn giải quyết vấn đề dữ liệu trống bằng KNNImputer và mất cân bằng bằng SMOTE, đồng thời kết hợp LightGBM và XGBoost để phân loại đồng thời CoViD-19 và cúm mùa với độ chính xác 0.99 (p. x), vượt trội hơn về độ chính xác cũng như độ nhạy, độ đặc hiệu, F1 score, ROC trên cùng bộ dữ liệu COVIDandFLU (p. vii, x). Điều này cho thấy khả năng xử lý toàn diện và hiệu suất vượt trội của phương pháp đề xuất.
2. So sánh với các phương pháp định danh loài truyền thống (Neighbor-Joining, khoảng cách, phân cụm):
   • Các phương pháp truyền thống như NJ hay phương pháp khoảng cách (S. Kumar et al., 2018) [10, 11] hiệu quả trên so sánh từng trình tự nhưng không hiệu quả về hiệu năng khi tiến hành đối sánh trên nhiều hệ gene, đặc biệt là các hệ gene chứa các gene có chiều dài rất lớn và khác biệt (p. vi).
   • Luận án này sử dụng kỹ thuật K-mer kết hợp học máy để định danh 17 loài nấm mối, đạt độ chính xác 0.91 và Multi-class AUC 0.99 (p. x). Phương pháp này cung cấp kết quả chính xác cao trong thời gian thực thi thấp và trùng khớp với phần mềm BLAST của NCBI, cho thấy hiệu quả vượt trội trong việc xử lý khối lượng lớn và đa dạng dữ liệu gene so với các kỹ thuật truyền thống, đồng thời mở ra khả năng định danh loài tự động và hiệu quả hơn.

Đóng góp lý thuyết và khung phân tích

Luận án không chỉ tập trung vào các giải pháp thực tiễn mà còn đưa ra những đóng góp lý thuyết đáng kể, mở rộng và thách thức các lý thuyết hiện có, đồng thời giới thiệu một khung phân tích độc đáo.

Đóng góp cho lý thuyết

Nghiên cứu này mở rộng và thách thức một số lý thuyết cụ thể trong học máy và tin sinh học:

• Mở rộng lý thuyết về biểu diễn đặc trưng gene: Luận án mở rộng lý thuyết về biểu diễn đặc trưng cho dữ liệu trình tự gene bằng cách chứng minh hiệu quả của chỉ số RSCU (Relative Synonymous Codon Usage), vốn ban đầu được dùng để đo lường mức độ ưu tiên sử dụng codon (Supek et al., 2014) [9], nay được tận dụng làm tập đặc trưng đầu vào cho các mô hình học máy. Việc này giúp giảm chiều dữ liệu một cách thông minh từ hàng ngàn nucleotide xuống 59 đặc trưng (p. 5), làm cho các mô hình học máy truyền thống hiệu quả hơn trên dữ liệu sinh học phân tử chiều cao.
• Thách thức các giới hạn của thuật toán phân cụm truyền thống: Bằng cách áp dụng các thuật toán phân cụm PAM và CLARA (Kaufman & Rousseeuw, 1990) [35, 37] trên dữ liệu RSCU đã được giảm chiều để xác định gene biểu hiện protein cao (HEG), luận án thách thức quan điểm rằng các thuật toán này khó áp dụng hiệu quả cho dữ liệu sinh học phân tử phức tạp, đồng thời cung cấp một phương pháp luận thực nghiệm để tìm HEG tự động từ hệ gene bất kỳ (p. 5).
• Củng cố và mở rộng lý thuyết học kết hợp (Ensemble Learning) cho dữ liệu y sinh: Công trình này củng cố tính ưu việt của các thuật toán tăng cường độ dốc (Gradient Boosting) như XGBoost (Chen & Guestrin, 2016) [38] và LightGBM (Ke et al., 2017) [40] khi xử lý các vấn đề dữ liệu y sinh phức tạp như dữ liệu thiếu và mất cân bằng. Đặc biệt, việc kết hợp các kỹ thuật tiền xử lý tiên tiến như KNNImputer và SMOTE (Chawla et al., 2002) [18] với học kết hợp chứng tỏ rằng sự kết hợp giữa xử lý dữ liệu thông minh và mô hình mạnh mẽ là chìa khóa để đạt được độ chính xác gần như hoàn hảo (0.998) trong chẩn đoán bệnh (p. vii, x).

Conceptual framework với components và relationships

Khung lý thuyết của luận án xoay quanh một quy trình ba giai đoạn: Biểu diễn dữ liệu -> Xử lý dữ liệu & Xây dựng mô hình -> Đánh giá và Tối ưu hóa.

• Giai đoạn 1: Biểu diễn dữ liệu y sinh:
  • Dữ liệu Genomic: Sử dụng chỉ số RSCU để mã hóa thông tin gene và kỹ thuật K-mer để trích xuất đặc trưng trình tự sinh học (p. 5, 14, 59).
  • Dữ liệu lâm sàng: Hệ thống tự động tiền xử lý dữ liệu chẩn đoán lâm sàng để xử lý lỗi, mã hóa và rút gọn thuộc tính (p. 6).
• Giai đoạn 2: Xử lý dữ liệu và Xây dựng mô hình:
  • Xử lý dữ liệu: Áp dụng KNNImputer để bổ sung dữ liệu trống và SMOTE để xử lý dữ liệu mất cân bằng (p. vii).
  • Xây dựng mô hình: Tùy thuộc vào nhiệm vụ, sử dụng các thuật toán:
    • Phân cụm: PAM, CLARA cho bài toán tìm gene biểu hiện cao (HEG) (p. 5).
    • Phân loại: XGBoost cho dự đoán gene tương quan với hệ thống vật chủ (p. vi); Học kết hợp (ensemble learning) và phân cụm phân cấp cho định danh loài (p. vii); Kết hợp LightGBM và XGBoost cho chẩn đoán bệnh (p. vii).
• Giai đoạn 3: Đánh giá và Tối ưu hóa: Đánh giá hiệu suất mô hình bằng các độ đo Accuracy, Multi-class AUC, Recall, Specificity, F1-score, ROC curve và Precision-Recall curve, cùng với K-fold cross-validation (p. 29-32) để đảm bảo tính tổng quát hóa.

Theoretical model với propositions/hypotheses numbered

Mô hình lý thuyết được xây dựng dựa trên chuỗi các đề xuất sau:

1. Đề xuất 1 (Biểu diễn & Giảm chiều): Biểu diễn gene bằng vector RSCU 59 chiều từ trình tự nucleotide (20-6000 chiều) sẽ giữ lại thông tin sinh học quan trọng và cho phép các thuật toán học máy xử lý hiệu quả hơn dữ liệu genomic chiều cao.
2. Đề xuất 2 (Phân cụm HEG): Áp dụng các thuật toán phân cụm dựa trên medoid (PAM, CLARA) trên vector RSCU sẽ tự động xác định các cụm gene biểu hiện protein cao (HEG) với độ chính xác cao.
3. Đề xuất 3 (Dự đoán tương quan gene-vật chủ): Mô hình học máy tăng cường độ dốc (XGBoost) được huấn luyện trên các đặc trưng RSCU có khả năng dự đoán chính xác (> 0.99) sự tương quan giữa gene mục tiêu và hệ thống vật chủ.
4. Đề xuất 4 (Định danh loài K-mer & Ensemble): Kỹ thuật K-mer kết hợp với các thuật toán học kết hợp và phân cụm phân cấp sẽ cho phép xây dựng mô hình định danh loài sinh vật tự động từ trình tự gene với hiệu năng và độ chính xác vượt trội (ví dụ: AUC > 0.99) so với các phương pháp truyền thống.
5. Đề xuất 5 (Xử lý dữ liệu lâm sàng toàn diện): Việc tích hợp các phương pháp xử lý dữ liệu thiếu (KNNImputer) và mất cân bằng (SMOTE) vào quy trình tiền xử lý là cần thiết và sẽ nâng cao đáng kể độ chính xác của các mô hình phân loại bệnh (ví dụ: COVID-19 và cúm mùa) khi sử dụng các thuật toán tăng cường độ dốc (LightGBM, XGBoost) trên dữ liệu lâm sàng phức tạp.
6. Đề xuất 6 (Hiệu suất mô hình chẩn đoán): Mô hình kết hợp LightGBM và XGBoost sẽ đạt độ chính xác tổng thể cao (> 0.998) trong chẩn đoán bệnh dựa trên dữ liệu lâm sàng, vượt trội hơn các phương pháp học máy đơn lẻ hoặc các công bố hiện có.

Paradigm shift với EVIDENCE từ findings

Luận án góp phần vào một sự chuyển dịch mô hình (paradigm shift) trong nghiên cứu tin y sinh từ các phương pháp phân tích thủ công hoặc thống kê truyền thống sang một cách tiếp cận tự động hóa, tích hợp và có độ chính xác cao dựa trên học máy.

• Từ "chuyên gia dựa trên kinh nghiệm" sang "hệ thống hỗ trợ quyết định tự động": Trước đây, việc tìm HEG, định danh loài, hoặc chẩn đoán bệnh thường đòi hỏi sự tham gia sâu sắc của các chuyên gia với kinh nghiệm và hiểu biết sâu sắc về dữ liệu y sinh và các phương pháp tính toán phù hợp (p. v). Luận án cung cấp bằng chứng cho thấy các mô hình học máy được tối ưu hóa có thể tự động thực hiện các nhiệm vụ này với độ chính xác cao (ví dụ: 0.99 cho dự đoán gene tương quan, 0.998 cho chẩn đoán COVID-19) (p. vi, x), chuyển đổi quy trình từ dựa vào kinh nghiệm sang dựa vào dữ liệu và thuật toán.
• Từ "xử lý dữ liệu thủ công" sang "tiền xử lý thông minh": Luận án chứng minh rằng các hệ thống có khả năng tự động xử lý dữ liệu trống và mất cân bằng (sử dụng KNNImputer và SMOTE) mà không cần can thiệp thủ công nhiều (p. vii), một thay đổi đáng kể so với các yêu cầu về dữ liệu cấu trúc đồng nhất, số hóa và không trống của hầu hết các thuật toán học máy truyền thống (p. 1). Điều này giải quyết một rào cản lớn trong việc triển khai ML cho dữ liệu y sinh thực tế.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt độc đáo ở sự tích hợp giữa các lý thuyết và phương pháp từ Khoa học Máy tính để giải quyết các vấn đề sinh học và y tế phức tạp.

• Integration của theories (name 3+ specific theories):

  • Lý thuyết thông tin codon (Codon Information Theory) được tích hợp với Lý thuyết phân cụm (Clustering Theory) và Lý thuyết học tăng cường độ dốc (Gradient Boosting Theory) để giải quyết bài toán tìm HEG và dự đoán tương quan gene-vật chủ. Cụ thể, RSCU, một chỉ số từ lý thuyết thông tin codon, trở thành đặc trưng đầu vào cho các thuật toán phân cụm PAM, CLARA và thuật toán phân loại XGBoost, một minh chứng cho sự tích hợp đa lý thuyết (p. 5, 14).
  • Lý thuyết xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) (cụ thể là K-mer cho vector hóa từ) được tích hợp với Lý thuyết học kết hợp (Ensemble Learning) và Lý thuyết phân cụm phân cấp (Hierarchical Clustering) để định danh loài. Kỹ thuật K-mer, thường được dùng trong NLP để biểu diễn chuỗi, được áp dụng vào trình tự gene, sau đó kết hợp với các thuật toán ML mạnh mẽ, tạo ra một cách tiếp cận hoàn toàn mới cho định danh loài (p. vi, 59).
  • Lý thuyết tiền xử lý dữ liệu y sinh (Biomedical Data Preprocessing Theory) với các kỹ thuật như KNNImputer và SMOTE được tích hợp chặt chẽ với Lý thuyết học tăng cường độ dốc (Gradient Boosting Theory) thông qua LightGBM và XGBoost để tạo ra một quy trình chẩn đoán bệnh tự động và chính xác, giải quyết triệt để các vấn đề dữ liệu lỗi và mất cân bằng (p. vii).

• Novel analytical approach với justification:

  • Tiếp cận "data-driven feature engineering" cho dữ liệu gene: Thay vì dựa vào các đặc trưng sinh học được thiết kế thủ công, luận án sử dụng RSCU và K-mer như các phương pháp tự động trích xuất đặc trưng và giảm chiều, với justification là chúng phản ánh đặc điểm sinh học quan trọng (tần suất sử dụng codon) hoặc cấu trúc chuỗi (k-mer) mà vẫn giảm đáng kể độ phức tạp tính toán (p. 5, 14).
  • Khung "preprocessing-aware ensemble learning" cho dữ liệu lâm sàng: Đây là một cách tiếp cận mới nơi các kỹ thuật tiền xử lý phức tạp (KNNImputer, SMOTE) không chỉ là các bước độc lập mà được tích hợp chặt chẽ vào pipeline của các thuật toán học kết hợp. Justification là các thuật toán Boosting tuy mạnh mẽ nhưng vẫn nhạy cảm với dữ liệu thiếu và mất cân bằng, nên việc giải quyết chúng ở giai đoạn tiền xử lý sẽ tối đa hóa hiệu suất của mô hình cuối cùng (p. vii).

• Conceptual contributions với definitions:

  • "Gene biểu hiện protein cao (HEG) tự động xác định": Luận án định nghĩa HEG trong bối cảnh tái tổ hợp và đề xuất một phương pháp tự động xác định các gene này dựa trên phân cụm RSCU, vượt qua các phương pháp truyền thống dựa trên CAI vốn có thể bỏ sót HEG (p. 4-5).
  • "Mô hình định danh loài hiệu quả dựa trên học máy": Đóng góp khái niệm về một mô hình định danh loài không chỉ dựa trên sự tương đồng trình tự mà còn tận dụng sức mạnh của học máy để học các mẫu phức tạp trong dữ liệu K-mer, đưa ra một định nghĩa mới về "định danh loài hiệu quả" trong kỷ nguyên Big Data sinh học.
  • "Khung chẩn đoán bệnh tích hợp": Đóng góp khái niệm về một khung phân tích chẩn đoán bệnh có khả năng tự động xử lý các vấn đề dữ liệu cố hữu (thiếu, mất cân bằng) và sử dụng học kết hợp để đạt độ chính xác vượt trội, tạo tiền đề cho các hệ thống hỗ trợ quyết định y tế thông minh hơn (p. 6-7).

• Boundary conditions explicitly stated:

  • Tính tổng quát của RSCU và K-mer: Các phương pháp RSCU và K-mer được chứng minh là hiệu quả cho các loại trình tự gene cụ thể (ITS gene cho nấm mối) và các hệ gene của sinh vật tế bào vật chủ (B.Subtilus, Ecoli, Latococcus) (p. 33). Khả năng áp dụng cho các loại trình tự hoặc loài sinh vật khác có thể cần đánh giá thêm về lựa chọn tham số (ví dụ: kích thước K-mer).
  • Phụ thuộc vào chất lượng dữ liệu ban đầu: Mặc dù luận án có các giải pháp mạnh mẽ cho dữ liệu thiếu và mất cân bằng, hiệu suất tối đa của mô hình vẫn phụ thuộc vào chất lượng cơ bản của dữ liệu lâm sàng thu thập ban đầu (p. 17). Nếu dữ liệu ban đầu có quá nhiều lỗi hoặc không đầy đủ thông tin, ngay cả các kỹ thuật tiền xử lý tiên tiến cũng có giới hạn.
  • Khả năng mở rộng cho bệnh hiếm: Các mô hình chẩn đoán bệnh được thử nghiệm trên CoViD-19 và cúm mùa, là những bệnh có số lượng mẫu tương đối lớn. Đối với các bệnh hiếm, mặc dù SMOTE giúp xử lý mất cân bằng, hiệu quả của mô hình có thể bị ảnh hưởng bởi số lượng mẫu thiểu số quá nhỏ.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến và nghiêm ngặt, kết hợp các triết lý nghiên cứu, thiết kế đa phương pháp và quy trình thu thập, phân tích dữ liệu chặt chẽ.

Thiết kế nghiên cứu

• Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu Hậu thực chứng (Post-positivism). Điều này được thể hiện qua việc tập trung vào các kết quả có thể định lượng, kiểm chứng được (accuracy, AUC, F1-score) thông qua thực nghiệm trên dữ liệu thực tế. Mục tiêu là xây dựng các mô hình dự đoán và phân loại với độ chính xác cao, tin cậy, và có khả năng tổng quát hóa, đồng thời thừa nhận rằng các phát hiện là có thể sai sót và cần được kiểm chứng lặp lại [30, 31]. Sự so sánh hiệu năng với các nghiên cứu khác và việc báo cáo các hạn chế cũng phản ánh quan điểm hậu thực chứng, tìm kiếm sự hiểu biết khách quan nhưng có ý thức về tính phức tạp và không hoàn hảo của thực tại.
• Mixed methods với SPECIFIC combination rationale: Mặc dù luận án chủ yếu sử dụng các phương pháp định lượng và tính toán, có thể thấy sự kết hợp ngầm của nhiều phương pháp:
  • Phương pháp giải quyết vấn đề (Problem-Solving Approach): Các bài toán được đặt ra từ nhu cầu thực tiễn trong y sinh (thiết kế thuốc, định danh loài, chẩn đoán bệnh) và được giải quyết bằng các giải pháp kỹ thuật cụ thể.
  • Phương pháp thực nghiệm (Experimental Approach): Các mô hình đề xuất được xây dựng, huấn luyện và đánh giá trên các bộ dữ liệu thực tế (dữ liệu gene, dữ liệu lâm sàng) để chứng minh tính hiệu quả và độ chính xác.
  • Phương pháp so sánh (Comparative Approach): Hiệu năng của các mô hình đề xuất được so sánh một cách nghiêm ngặt với các thuật toán học máy cơ bản khác và với các nghiên cứu đã công bố trên cùng bộ dữ liệu để xác định ưu thế (p. 3, 7, 89).
  • Rationale: Sự kết hợp này nhằm đảm bảo rằng các giải pháp không chỉ khả thi về mặt lý thuyết mà còn có hiệu quả thực tiễn, có thể định lượng và chứng minh được ưu thế so với các phương pháp hiện hành.
• Multi-level design với levels clearly defined: Luận án áp dụng thiết kế đa cấp độ trong việc xử lý và phân tích dữ liệu, đặc biệt là với dữ liệu gene:
  • Cấp độ 1: Trình tự nucleotide: Dữ liệu đầu vào là các chuỗi nucleotide dài (20-6000 nucleotide) (p. 4).
  • Cấp độ 2: Đặc trưng gene: Chuyển đổi trình tự nucleotide thành các đặc trưng có ý nghĩa như chỉ số RSCU (59 chiều) hoặc K-mer (p. 5, 14, 59). Đây là cấp độ biểu diễn thông tin mà các mô hình học máy hoạt động.
  • Cấp độ 3: Hệ gene / Tập hợp loài: Các mô hình được xây dựng để phân tích trên cấp độ tập hợp gene (tìm HEG trong một hệ gene) hoặc tập hợp loài (định danh 17 loài nấm mối) (p. vi, 5, 8).
  • Cấp độ 4: Dữ liệu bệnh nhân: Phân tích dữ liệu lâm sàng bao gồm nhiều thuộc tính để chẩn đoán bệnh ở cấp độ bệnh nhân (p. 6). Các cấp độ này được xử lý một cách tuần tự và tích hợp, cho phép các mô hình học máy nắm bắt thông tin ở các mức độ trừu tượng khác nhau.
• Sample size và selection criteria EXACT:
  • Dữ liệu Genomic (Phát triển thuốc):
    • Sample size: B.Subtilus: 4100 trình tự, Ecoli (Class 1): 4288 trình tự, Latococcus (Class 3): 2264 trình tự (p. 33).
    • Selection criteria: Các trình tự gene được chọn từ các hệ gene của sinh vật tế bào vật chủ, phù hợp cho kỹ thuật tái tổ hợp (p. 3).
  • Dữ liệu trình tự gene (Định danh loài):
    • Sample size: Trên 2000 trình tự ITS (Internal Transcribed Spacer) từ 17 loài nấm mối (chi Termitomyces) (p. 33).
    • Selection criteria: Trình tự ITS được chọn là gene đặc trưng cho nấm, với số lượng trình tự tối thiểu là 10 cho mỗi lớp (loài) để đảm bảo đủ dữ liệu cho huấn luyện mô hình phân loại đa lớp (p. 33).
  • Dữ liệu lâm sàng (Chẩn đoán bệnh):
    • Sample size: Tổng số hơn 7000 ca bệnh nhân, bao gồm 5564 mẫu cho bệnh CoViD-19 và bệnh Cúm H1N1 (p. 33). Cụ thể, dữ liệu lâm sàng từ xét nghiệm mẫu máu của bệnh CoViD-19 của các bệnh nhân nhập bệnh viện Israelita Albert Einstein ở Brazil [13] (p. x).
    • Selection criteria: Dữ liệu được thu thập từ các bệnh viện và trung tâm xét nghiệm y khoa, được gán nhãn chẩn đoán bởi các chuyên gia y tế [12, 13, 14] (p. 7).

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria:
  • Đối với dữ liệu gene: Dữ liệu được lấy từ các ngân hàng gene quốc tế NCBI (GeneBank), EMBL-Bank và DDBJ (p. 10).
    • Inclusion criteria: Trình tự gene của các sinh vật có thông tin về hệ gene đầy đủ và đặc tính sinh học phù hợp cho kỹ thuật tái tổ hợp; trình tự gene đặc trưng (ví dụ: ITS) cho các loài cần định danh.
    • Exclusion criteria: Các trình tự không đầy đủ, lỗi, hoặc không rõ ràng về thông tin sinh học.
  • Đối với dữ liệu lâm sàng: Dữ liệu được chia sẻ từ các tác giả [12, 13, 14].
    • Inclusion criteria: Các mẫu máu xét nghiệm của bệnh nhân có nhãn chẩn đoán CoViD-19 hoặc cúm mùa rõ ràng từ các chuyên gia y tế (p. 7).
    • Exclusion criteria: Các mẫu dữ liệu không có nhãn hoặc có lỗi nghiêm trọng không thể khắc phục bằng KNNImputer.
• Data collection protocols với instruments described:
  • Dữ liệu genomic được thu thập từ các ngân hàng gene quốc tế (NCBI, EMBL, DDBJ), đảm bảo tính chuẩn hóa và đáng tin cậy (p. 10). Các ngân hàng này cung cấp các trình tự nucleotide và protein đã được xác thực khoa học.
  • Dữ liệu lâm sàng được lấy từ các nghiên cứu đã công bố, vốn tuân thủ các quy trình lấy mẫu nghiêm ngặt tại các cơ sở y tế (ví dụ: bệnh viện Israelita Albert Einstein ở Brazil) (p. 7, x), sử dụng các công cụ xét nghiệm y khoa tiêu chuẩn.
• Triangulation (data/method/investigator/theory): Luận án áp dụng triangulation để tăng cường tính tin cậy và giá trị của kết quả:
  • Triangulation dữ liệu: Sử dụng nhiều bộ dữ liệu khác nhau (dữ liệu gene của 3 loài vật chủ, trình tự ITS của 17 loài nấm, dữ liệu lâm sàng của CoViD-19 và cúm mùa) để kiểm tra tính tổng quát của các phương pháp (p. 33).
  • Triangulation phương pháp: Kết hợp nhiều thuật toán ML khác nhau (phân cụm PAM/CLARA, phân loại XGBoost/LightGBM, học kết hợp) để giải quyết cùng một bài toán hoặc các khía cạnh khác nhau của nó, đồng thời so sánh hiệu năng của chúng (p. 5, 7, 89).
  • Triangulation lý thuyết: Kết hợp các lý thuyết từ sinh học phân tử (codon đồng nghĩa, K-mer) với lý thuyết học máy (Boosting, phân cụm) để tạo ra các giải pháp liên ngành mạnh mẽ.
• Validity (construct/internal/external) và reliability (α values):
  • Construct Validity: Các chỉ số như RSCU và K-mer được sử dụng để biểu diễn các khái niệm sinh học có ý nghĩa (tần suất sử dụng codon, cấu trúc chuỗi gene), đảm bảo rằng các đặc trưng được trích xuất phản ánh đúng bản chất của dữ liệu sinh học (p. 5, 14, 59).
  • Internal Validity: Quy trình thực nghiệm được kiểm soát chặt chẽ, bao gồm việc sử dụng K-fold cross-validation (p. 31-32) để giảm thiểu lỗi ngẫu nhiên và đảm bảo tính ổn định của kết quả. Các tham số mô hình được tối ưu hóa để tránh overfitting hoặc underfitting (p. 2).
  • External Validity: Các mô hình được thử nghiệm trên các bộ dữ liệu thực tế lớn và đa dạng, một số trong đó là bộ dữ liệu quốc tế được sử dụng rộng rãi (ví dụ: dữ liệu CoViD-19 từ bệnh viện Israelita Albert Einstein, so sánh với BLAST của NCBI) (p. x), cho thấy khả năng tổng quát hóa của các phương pháp đề xuất.
  • Reliability: Mặc dù giá trị alpha Cronbach's (α values) không được báo cáo trực tiếp (thường dùng trong nghiên cứu khảo sát), độ tin cậy của mô hình được đánh giá thông qua tính nhất quán của các độ đo hiệu suất (accuracy, AUC, F1-score) trên các lần chạy lặp lại và qua K-fold cross-validation (p. 31-32). Kết quả mô hình chẩn đoán đạt độ chính xác ổn định trên 0.99 (p. x), cho thấy tính tin cậy cao.

Data và phân tích

• Sample characteristics với demographics/statistics:
  • Dữ liệu gene: Các hệ gene của B.Subtilus, Ecoli, Latococcus và trình tự ITS của 17 loài nấm mối có đặc điểm là chuỗi ký tự dài, số chiều rất lớn và cơ chế sinh học phức tạp (p. v, 1). Kích thước trung bình của gene dao động từ 20 đến 6000 nucleotide (p. 4). Đối với nấm mối, có 17 loài với số lượng trình tự từ 10 đến 799 cho mỗi loài (p. 33).
  • Dữ liệu lâm sàng: Dữ liệu CoViD-19 và cúm mùa có đặc điểm chiều cao (nhiều thuộc tính lâm sàng), thường chứa lỗi, dữ liệu trống và mất cân bằng nghiêm trọng đối với các lớp bệnh hiếm (p. vii). Bảng 2.2 trên p. 22 cung cấp thống kê về các nghiên cứu sử dụng dữ liệu CoViD-19 với kích cỡ mẫu từ 47 đến 11,095. Luận án sử dụng bộ dữ liệu với 5564 mẫu cho bệnh CoViD-19 (p. 33). Bảng 2.5 (p. 67-70) liệt kê các thuộc tính lâm sàng chi tiết của các mẫu máu từ dữ liệu bệnh viện Israelita Albert Einstein.
• Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật học máy tiên tiến:
  • Phân cụm: PAM (Partitioning Around Medoids) và CLARA (Clustering for Large Applications) (p. 5, 23-24).
  • Học kết hợp (Ensemble Learning): Random Forest (RF) (p. 24), Gradient Boosted Decision Tree (GBDT) (p. 25), XGBoost (Extreme Gradient Boosting) (p. 5, 26), LightGBM (Light Gradient Boosting Machine) (p. 7, 27) và CatBoost (Categorical Boosting) (p. 28).
  • Xử lý dữ liệu: KNNImputer và SMOTE (Synthetic Minority Oversampling Technique) (p. vii, x).
  • Software: Mặc dù không nêu tên phần mềm cụ thể cho toàn bộ quy trình, các thuật toán như XGBoost, LightGBM, CatBoost thường được triển khai bằng các thư viện phổ biến trong Python (ví dụ: scikit-learn, xgboost, lightgbm, catboost) hoặc R. Phần mềm BLAST của NCBI được dùng để so sánh kết quả định danh loài (p. x).
• Robustness checks với alternative specifications:
  • Các mô hình đề xuất được đánh giá bằng cách so sánh hiệu năng với nhiều thuật toán học máy khác trên cùng bộ dữ liệu (p. 61-62 cho định danh loài nấm, p. 74 và 88 cho chẩn đoán bệnh).
  • Đối với bài toán tìm gene biểu hiện cao, luận án thay đổi giá trị k cụm và đánh giá chất lượng phân cụm để đảm bảo tính ổn định của kết quả (p. 5).
  • Đối với chẩn đoán bệnh, hiệu năng của mô hình được so sánh không chỉ về độ chính xác mà còn về Recall, Specificity, F1-score và ROC curve, cung cấp cái nhìn toàn diện về tính mạnh mẽ của mô hình (p. vii, x, 74, 88).
• Effect sizes và confidence intervals reported:
  • Luận án báo cáo các độ đo hiệu suất chính xác như Accuracy (0.91, 0.99, 0.998), Multi-class AUC (0.99) (p. x, vi), F1-score, Recall, Specificity, và ROC curve (p. vii, x, 29-31). Mặc dù khoảng tin cậy (confidence intervals) không được tường minh trong tóm tắt, việc sử dụng K-fold cross-validation giúp ước lượng độ biến thiên của các độ đo này trên các tập con dữ liệu khác nhau (p. 31-32), gián tiếp cung cấp thông tin về tính ổn định của các effect sizes.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được các phát hiện đột phá, cung cấp bằng chứng cụ thể và ý nghĩa thống kê:

1. Biểu diễn RSCU hiệu quả cho gene biểu hiện protein cao: Phương pháp biểu diễn thông tin đặc trưng của từng gene dựa trên chỉ số RSCU đã thành công giảm chiều dữ liệu gene từ 20-6000 nucleotide xuống còn 59 đặc trưng (p. 5, 14), cho phép áp dụng hiệu quả các thuật toán phân cụm PAM và CLARA. Phát hiện này cung cấp một cách tiếp cận tự động và mạnh mẽ để xác định các gene biểu hiện protein cao (HEG), giải quyết thách thức về số lượng gene này chỉ chiếm 5% tổng hệ gene (p. vi).
2. Mô hình dự đoán gene tương quan với vật chủ đạt độ chính xác cao: Mô hình dự đoán gene tương quan phù hợp với tế bào vật chủ sử dụng thuật toán XGBoost đạt độ chính xác cao nhất là 0.99 (p. vi). Phát hiện này có ý nghĩa quan trọng trong việc tối ưu hóa quy trình sản xuất protein tái tổ hợp, giảm thiểu rủi ro sản lượng thấp hoặc protein không kích hoạt (p. 3).
3. Mô hình định danh loài nấm mối với hiệu năng vượt trội: Thực nghiệm trên bộ dữ liệu trình tự nấm mối (17 loài) đã cho ra mô hình định danh loài với hiệu năng và độ chính xác vượt trội: Accuracy 0.91, Multi-class AUC 0.99, và thời gian thực thi thấp (p. x). Kết quả dự đoán trùng khớp với phần mềm BLAST của ngân hàng gene quốc tế NCBI, chứng minh tính tin cậy và khả năng triển khai thực tiễn của mô hình [CT4][CT7] (p. x).
4. Giải pháp toàn diện cho dữ liệu lâm sàng thiếu và mất cân bằng: Việc kết hợp phương pháp KNNImputer để bổ sung dữ liệu trống và kỹ thuật SMOTE để xử lý mất cân bằng dữ liệu đã chứng minh hiệu quả. Khi áp dụng các thuật toán tăng cường độ dốc, mô hình dự đoán khả năng mắc bệnh CoViD-19 trên bộ dữ liệu lâm sàng từ bệnh viện Israelita Albert Einstein đạt độ chính xác tổng thể trên 0.998 (p. x). Đây là một phát hiện cực kỳ quan trọng, giải quyết các vấn đề dữ liệu cố hữu mà các nghiên cứu trước đây gặp phải.
5. Mô hình phân loại COVID-19 và cúm mùa với độ chính xác cận tuyệt đối: Mô hình kết hợp LightGBM và XGBoost để phân loại bệnh CoViD-19 và cúm mùa đạt độ chính xác 0.99 (p. x). Khi so sánh với các công bố khác trên cùng bộ dữ liệu COVIDandFLU, mô hình đề xuất vượt trội hơn về độ chính xác, độ nhạy (Recall), độ đặc hiệu (Specificity), F1-score và ROC (p. x). Phát hiện này cho thấy sức mạnh của học kết hợp trong chẩn đoán đa lớp và xử lý dữ liệu lâm sàng phức tạp.

Counter-intuitive results với theoretical explanation

Một kết quả đáng chú ý là sự hiệu quả vượt trội của các mô hình học máy tăng cường độ dốc (XGBoost, LightGBM) ngay cả với các kỹ thuật tiền xử lý đơn giản như KNNImputer và SMOTE, đạt độ chính xác cận tuyệt đối (0.998) trên dữ liệu lâm sàng chiều cao, thiếu và mất cân bằng (p. x). Điều này có thể hơi ngược trực giác đối với một số nhà nghiên cứu tin rằng cần các mô hình Deep Learning phức tạp hơn để xử lý dữ liệu y sinh với đặc tính "Big Data".

• Theoretical Explanation: Giải thích lý thuyết cho hiện tượng này nằm ở khả năng của các thuật toán Gradient Boosting:
  1. Xử lý dữ liệu thưa và chiều cao: XGBoost có ý tưởng áp dụng Gradient Boosting cho ma trận thưa (p. 26-27), trong khi LightGBM với kỹ thuật EFB (Exclusive Feature Bundling) có thể gom nhóm các đặc trưng loại trừ lẫn nhau, giảm đáng kể số lượng tính năng cho dữ liệu thưa chiều cao (p. 28). Điều này cho phép chúng xử lý hiệu quả các thuộc tính lâm sàng đa dạng mà không bị quá tải.
  2. Khả năng học từ sai số: Các thuật toán tăng cường độ dốc xây dựng một loạt cây quyết định tuần tự, mỗi cây cố gắng cải thiện những sai số còn lại của mô hình trước đó (p. 25-26). Điều này giúp chúng học được các mẫu phức tạp và điều chỉnh cho các trường hợp dữ liệu thiếu hoặc nhiễu mà các kỹ thuật tiền xử lý đã giải quyết một phần.
  3. Giảm thiểu overfitting: Các kỹ thuật tối ưu hóa trong XGBoost (ví dụ: regularization) và LightGBM (GOSS) giúp tăng tốc độ tính toán và giảm thiểu overfitting (p. 26-27), làm cho mô hình tổng quát hóa tốt hơn trên dữ liệu mới, ngay cả khi dữ liệu huấn luyện có vấn đề.

New phenomena với concrete examples từ data

Luận án đã khám phá và cung cấp bằng chứng về khả năng xác định các mẫu phức tạp trong dữ liệu y sinh mà các phương pháp truyền thống khó phát hiện:

• Phát hiện HEG trong 5% trình tự gene: Bằng cách phân cụm dựa trên RSCU, luận án có thể xác định hiệu quả các gene biểu hiện protein cao (HEG) trong một hệ gene, mặc dù chúng chỉ chiếm 5% tổng số trình tự gene (p. vi). Điều này trước đây là một thách thức lớn trong lĩnh vực sản xuất thuốc.
• Định danh loài bằng đặc trưng K-mer: Khả năng định danh chính xác 17 loài nấm mối chỉ dựa vào trình tự gene ITS được mã hóa bằng K-mer (p. vii, x), cung cấp một ví dụ cụ thể về cách các đặc trưng cấu trúc chuỗi đơn giản có thể được học máy tận dụng để đạt được kết quả phân loại loài phức tạp.

Compare với prior research findings

• Phát triển thuốc: Luận án của Pere Puigbò (2007) [8] tìm HEG dựa trên CAI và chỉ áp dụng cho các loài có đầy đủ thông tin về hệ gene, có thể bỏ sót HEG (p. 4-5). Luận án này vượt qua hạn chế đó bằng cách sử dụng RSCU và phân cụm PAM/CLARA, cho phép tự động tìm HEG từ hệ gene bất kỳ.
• Định danh loài: Các thuật toán định danh loài truyền thống như NJ và phương pháp khoảng cách hiệu quả trên so sánh từng trình tự nhưng không hiệu quả về hiệu năng khi đối sánh trên nhiều hệ gene có chiều dài và sự đa dạng lớn (p. vi). Luận án này sử dụng học máy với kỹ thuật K-mer và đạt độ chính xác cao (0.91) trên 17 loài nấm mối trong thời gian ngắn (p. x).
• Chẩn đoán bệnh: So với các nghiên cứu của Patrick Schwab [30] (SVM, AUC 0.98) và Maryam AlJame [31] (XGBoost, accuracy 0.994%) trên dữ liệu CoViD-19, mô hình kết hợp LightGBM và XGBoost của luận án đạt độ chính xác tổng thể trên 0.998 cho chẩn đoán CoViD-19 và 0.99 cho CoViD-19 và cúm mùa (p. x). Điều này chứng minh sự vượt trội về mặt hiệu suất và khả năng xử lý vấn đề dữ liệu thiếu/mất cân bằng so với các công trình trước.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories:
  • Lý thuyết biểu diễn đặc trưng: Nâng cao hiểu biết về cách các đặc trưng sinh học phi truyền thống (RSCU, K-mer) có thể được chuyển đổi thành định dạng số hóa hiệu quả cho học máy, mở rộng ứng dụng của lý thuyết thông tin trong sinh học.
  • Lý thuyết học kết hợp (Ensemble Learning): Chứng minh tính hiệu quả vượt trội của việc tích hợp các phương pháp tiền xử lý dữ liệu (KNNImputer, SMOTE) với các thuật toán tăng cường độ dốc (LightGBM, XGBoost) trong môi trường dữ liệu y sinh phức tạp, cung cấp một khuôn khổ mới cho việc thiết kế mô hình học máy robust.
• Methodological innovations applicable to other contexts:
  • Quy trình xử lý dữ liệu trống (KNNImputer) và mất cân bằng (SMOTE) cùng với rút gọn chiều dữ liệu (LightGBM) có thể được áp dụng rộng rãi cho các tập dữ liệu y sinh khác hoặc thậm chí các lĩnh vực ngoài y tế có đặc điểm dữ liệu tương tự (dữ liệu chiều cao, thiếu, mất cân bằng).
  • Phương pháp biểu diễn gene bằng RSCU và K-mer có thể được mở rộng để phân tích các trình tự sinh học khác (ví dụ: RNA, protein) hoặc các nhiệm vụ sinh học khác như phân tích chức năng gene, phát hiện bệnh di truyền.
• Practical applications với specific recommendations:
  • Phát triển thuốc: Cung cấp công cụ mạnh mẽ để các công ty dược phẩm và trung tâm nghiên cứu sinh học nhanh chóng xác định HEG và môi trường vật chủ tối ưu, giảm thời gian và chi phí trong sản xuất protein tái tổ hợp. Ví dụ, việc xác định gene mục tiêu tốt và môi trường vật chủ phù hợp sẽ cải thiện chất lượng sản phẩm protein tái tổ hợp dùng trong sản xuất thuốc (p. 3).
  • Chẩn đoán y tế: Triển khai các mô hình chẩn đoán tự động trong các bệnh viện, giúp bác sĩ đưa ra quyết định chẩn đoán nhanh chóng và chính xác cho các bệnh như CoViD-19 và cúm mùa, đặc biệt trong bối cảnh dịch bệnh bùng phát và hệ thống y tế quá tải (p. 1).
  • Sinh học bảo tồn và nông nghiệp: Công cụ định danh loài tự động có thể hỗ trợ các nhà sinh học bảo tồn trong việc theo dõi đa dạng sinh học, hoặc trong nông nghiệp để nhận diện các loài sâu bệnh hại, nấm có lợi/có hại một cách nhanh chóng.
• Policy recommendations với implementation pathway:
  • Chính sách y tế công cộng: Khuyến nghị các bộ y tế và cơ quan quản lý y tế đầu tư vào việc tích hợp các hệ thống chẩn đoán bệnh dựa trên học máy vào quy trình lâm sàng tiêu chuẩn. Pathway có thể bao gồm các dự án thí điểm tại các bệnh viện lớn, đào tạo nhân viên y tế và xây dựng cơ sở hạ tầng dữ liệu y tế số hóa chuẩn hóa.
  • Chính sách nghiên cứu và phát triển: Chính phủ nên ưu tiên tài trợ cho các nghiên cứu liên ngành giữa khoa học máy tính và y sinh, đặc biệt là các dự án tập trung vào việc phát triển các công cụ ML để giải quyết các vấn đề y tế cấp bách (ví dụ: phát triển vắc-xin, thuốc mới).
• Generalizability conditions clearly specified:
  • Các mô hình chẩn đoán bệnh CoViD-19 được huấn luyện trên dữ liệu từ Brazil [13] có khả năng tổng quát hóa cao cho các quần thể có đặc điểm tương tự. Tuy nhiên, việc áp dụng cho các quần thể khác có thể yêu cầu hiệu chỉnh hoặc huấn luyện lại mô hình với dữ liệu địa phương để tính đến sự khác biệt về di truyền, môi trường và hệ thống y tế.
  • Mô hình định danh loài nấm mối được kiểm nghiệm trên 17 loài thuộc chi Termitomyces (p. 33). Khả năng mở rộng sang các chi hoặc họ nấm khác có thể yêu cầu điều chỉnh các tham số K-mer và tập dữ liệu huấn luyện.
  • Các phương pháp RSCU và K-mer được chứng minh hiệu quả cho dữ liệu trình tự gene. Việc áp dụng cho các loại dữ liệu sinh học khác (ví dụ: protein cấu trúc, dữ liệu hình ảnh y học) cần nghiên cứu thêm để xác định tính phù hợp của các đặc trưng.

Limitations và Future Research

3-4 specific limitations acknowledged

1. Tính giải thích của mô hình học kết hợp: Mặc dù các thuật toán học kết hợp như XGBoost và LightGBM đạt độ chính xác rất cao, chúng vẫn là các mô hình "hộp đen" (black-box), gây khó khăn trong việc giải thích tường minh cơ sở của từng quyết định chẩn đoán hoặc dự đoán gene. Điều này là một hạn chế trong các ứng dụng y tế, nơi tính minh bạch và khả năng giải thích là cực kỳ quan trọng để xây dựng niềm tin của bác sĩ và bệnh nhân (p. 3, 24).
2. Giới hạn của dữ liệu huấn luyện cho bệnh hiếm: Mặc dù kỹ thuật SMOTE đã được sử dụng để xử lý dữ liệu mất cân bằng, hiệu quả của mô hình vẫn có thể bị ảnh hưởng nếu số lượng mẫu cho các bệnh hiếm quá ít. Các thuật toán học máy đòi hỏi lượng dữ liệu đủ lớn để học các mẫu một cách đáng tin cậy. Dữ liệu bệnh hiếm thường không đáp ứng được yêu cầu này, dẫn đến nguy cơ overfitting hoặc giảm hiệu suất dự đoán.
3. Khả năng mở rộng của RSCU và K-mer: Phương pháp RSCU giảm chiều dữ liệu từ hàng ngàn nucleotide xuống 59 đặc trưng và K-mer được sử dụng cho trình tự gene. Mặc dù hiệu quả cho các nhiệm vụ cụ thể, tính tổng quát của các phương pháp biểu diễn này đối với tất cả các loại trình tự sinh học (ví dụ: các vùng không mã hóa khác, trình tự protein) hoặc các loài sinh vật đa dạng hơn vẫn cần được kiểm chứng và có thể đòi hỏi các điều chỉnh đặc trưng.
4. Tập dữ liệu chỉ từ một nguồn cho chẩn đoán COVID-19: Mặc dù dữ liệu CoViD-19 được lấy từ bệnh viện Israelita Albert Einstein ở Brazil [13] là một bộ dữ liệu lớn và uy tín, việc chỉ sử dụng một nguồn dữ liệu có thể giới hạn tính tổng quát hóa của mô hình đối với các quần thể bệnh nhân hoặc hệ thống y tế khác có đặc điểm dịch tễ hoặc lâm sàng khác biệt.

Boundary conditions về context/sample/time

• Context: Các phương pháp được phát triển chủ yếu cho các vấn đề y sinh trong bối cảnh phát triển thuốc bằng kỹ thuật tái tổ hợp, định danh loài bằng sinh học phân tử và chẩn đoán bệnh truyền nhiễm (CoViD-19, cúm mùa). Việc áp dụng cho các bối cảnh y tế khác (ví dụ: ung thư, bệnh thần kinh) có thể yêu cầu các điều chỉnh đáng kể về đặc trưng dữ liệu và kiến trúc mô hình.
• Sample: Dữ liệu gene giới hạn trong một số loài vi khuẩn (B.Subtilus, Ecoli, Latococcus) và nấm (17 loài nấm mối chi Termitomyces). Dữ liệu lâm sàng tập trung vào xét nghiệm máu liên quan đến CoViD-19 và cúm mùa. Tính hiệu quả của các mô hình có thể thay đổi trên các tập mẫu khác nhau.
• Time: Các kết quả được đánh giá trên dữ liệu có sẵn tại thời điểm nghiên cứu (2022-2023). Sự tiến hóa của virus (ví dụ: biến thể CoViD-19 mới) hoặc sự thay đổi trong dữ liệu genomic có thể ảnh hưởng đến hiệu suất của các mô hình theo thời gian.

Future research agenda với 4-5 concrete directions

1. Nghiên cứu về khả năng giải thích của mô hình (Explainable AI - XAI): Phát triển hoặc tích hợp các kỹ thuật XAI (ví dụ: LIME, SHAP) vào các mô hình học kết hợp để cung cấp khả năng giải thích rõ ràng hơn về các yếu tố đóng góp vào quyết định chẩn đoán hoặc dự đoán gene. Điều này sẽ tăng cường niềm tin và ứng dụng thực tiễn trong y học.
2. Mở rộng ứng dụng cho các loại dữ liệu y sinh đa dạng hơn: Áp dụng các phương pháp biểu diễn đặc trưng và học máy đề xuất cho các loại dữ liệu y sinh khác như trình tự protein, dữ liệu hình ảnh y học (X-ray, MRI, CT scan), hoặc dữ liệu cảm biến sinh học để giải quyết các vấn đề chẩn đoán và điều trị phức tạp hơn (p. 11).
3. Phát triển mô hình học liên tục (Continual Learning) cho dữ liệu y sinh: Xây dựng các mô hình có khả năng học và thích nghi với dữ liệu mới theo thời gian (ví dụ: biến thể virus mới, dữ liệu bệnh nhân bổ sung) mà không làm quên đi kiến thức cũ. Điều này đặc biệt quan trọng trong lĩnh vực y tế đang phát triển nhanh chóng.
4. Tích hợp dữ liệu đa omics: Kết hợp dữ liệu genomic với các loại dữ liệu omics khác (ví dụ: transcriptomics, proteomics, metabolomics) để có cái nhìn toàn diện hơn về cơ chế bệnh và phản ứng thuốc, từ đó xây dựng các mô hình dự đoán chính xác và sâu sắc hơn.
5. Nghiên cứu về đạo đức và quyền riêng tư dữ liệu trong y tế: Khám phá các phương pháp học máy bảo vệ quyền riêng tư (Privacy-Preserving ML) như Học Liên kết (Federated Learning) hoặc mã hóa đồng hình (Homomorphic Encryption) để cho phép phân tích dữ liệu y tế nhạy cảm mà vẫn đảm bảo tuân thủ các quy định về đạo đức và bảo mật dữ liệu.

Methodological improvements suggested

• Tối ưu hóa tham số động: Thay vì tối ưu hóa tham số tĩnh, nghiên cứu trong tương lai có thể khám phá các kỹ thuật tối ưu hóa tham số động hoặc tự động (ví dụ: AutoML) để đạt được hiệu suất tối ưu cho các bộ dữ liệu khác nhau mà không cần can thiệp thủ công.
• Kiến trúc mô hình sâu hơn: Mặc dù các mô hình Boosting đã hiệu quả, việc kết hợp chúng với các kiến trúc Deep Learning (ví dụ: CNN, RNN) trong một khuôn khổ học kết hợp lai (hybrid ensemble) có thể giúp nắm bắt các mẫu phức tạp hơn trong dữ liệu trình tự hoặc hình ảnh y học.
• Kỹ thuật xử lý dữ liệu thiếu nâng cao: Ngoài KNNImputer, có thể nghiên cứu các phương pháp bù đắp dữ liệu thiếu phức tạp hơn như các mô hình dựa trên học máy (ví dụ: Generative Adversarial Networks cho imputation) để đảm bảo tính toàn vẹn và chất lượng dữ liệu cao hơn.

Theoretical extensions proposed

• Lý thuyết về sự thích nghi của codon trong bối cảnh học máy: Mở rộng lý thuyết về chỉ số RSCU để hiểu rõ hơn về cách các mẫu sử dụng codon đồng nghĩa ảnh hưởng đến biểu hiện protein và cách chúng có thể được học máy tận dụng cho các mục đích thiết kế gene phức tạp hơn.
• Lý thuyết về học kết hợp cho dữ liệu không đồng nhất (Heterogeneous Data): Phát triển các khuôn khổ lý thuyết mới cho học kết hợp có khả năng tích hợp hiệu quả các loại dữ liệu y sinh rất khác nhau (ví dụ: trình tự gene, hình ảnh, hồ sơ lâm sàng) để đưa ra dự đoán toàn diện.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ có tác động sâu rộng và đa chiều lên cả giới hàn lâm, công nghiệp, chính sách và xã hội, cả ở cấp độ quốc gia lẫn quốc tế.

• Academic impact với potential citations estimate:

  • Luận án cung cấp các phương pháp luận và kết quả thực nghiệm mới, đặc biệt trong việc xử lý dữ liệu y sinh chiều cao và mất cân bằng. Các công trình công bố [CT1-CT7] đã thể hiện tính tiên phong của nghiên cứu.
  • Ước tính tiềm năng trích dẫn cao trong các lĩnh vực Tin sinh học, Khoa học Máy tính ứng dụng, Y học dự phòng và Dược phẩm. Các nhà nghiên cứu về học máy sẽ trích dẫn các cải tiến về thuật toán xử lý dữ liệu và mô hình học kết hợp. Các nhà sinh học sẽ tham khảo các phương pháp xác định HEG và định danh loài. Các nhà khoa học y tế sẽ sử dụng các mô hình chẩn đoán bệnh.
  • Nghiên cứu này sẽ là tài liệu tham khảo quan trọng cho các luận án tiến sĩ và thạc sĩ trong tương lai về ứng dụng AI/ML trong y sinh.

• Industry transformation với specific sectors:

  • Ngành dược phẩm và công nghệ sinh học: Việc tối ưu hóa quá trình tìm gene biểu hiện protein cao và xác định môi trường vật chủ phù hợp bằng học máy (độ chính xác 0.99) có thể giảm đáng kể thời gian và chi phí trong nghiên cứu và phát triển thuốc, hormone và vắc-xin bằng công nghệ tái tổ hợp (p. vi). Điều này có thể giúp các công ty như Roche, Pfizer, AstraZeneca đẩy nhanh chu trình khám phá thuốc.
  • Ngành chẩn đoán y tế và thiết bị y tế: Các mô hình chẩn đoán bệnh CoViD-19 và cúm mùa với độ chính xác trên 0.998 có thể được tích hợp vào các hệ thống hỗ trợ quyết định lâm sàng (CDSS) tại các bệnh viện và phòng thí nghiệm (p. x). Các công ty công nghệ y tế (ví dụ: Siemens Healthineers, Philips Healthcare) có thể phát triển các sản phẩm phần mềm dựa trên kết quả này.
  • Ngành nông nghiệp và môi trường: Mô hình định danh loài hiệu quả (Accuracy 0.91, AUC 0.99 cho nấm mối) có thể hỗ trợ các công ty nông nghiệp trong việc kiểm soát sâu bệnh, hoặc các tổ chức môi trường trong việc giám sát đa dạng sinh học và phát hiện các loài xâm lấn (p. x).

• Policy influence với government levels:

  • Bộ Y tế: Cung cấp bằng chứng khoa học vững chắc để xây dựng các chính sách y tế công cộng dựa trên dữ liệu, đặc biệt trong việc ứng phó với các dịch bệnh truyền nhiễm. Khuyến nghị đầu tư vào hạ tầng dữ liệu y tế số và tích hợp AI vào chẩn đoán.
  • Bộ Khoa học và Công nghệ: Thúc đẩy các chương trình nghiên cứu và phát triển quốc gia về AI trong y sinh, khuyến khích hợp tác giữa các trường đại học, viện nghiên cứu và doanh nghiệp để thương mại hóa các kết quả nghiên cứu.

• Societal benefits quantified where possible:

  • Cải thiện chăm sóc sức khỏe: Giảm tải cho hệ thống y tế công khi bùng phát dịch bệnh, giảm chi phí chăm sóc y tế, và tăng khả năng tiên lượng bệnh [1, 2]. Mô hình chẩn đoán CoViD-19 chính xác giúp phát hiện sớm và điều trị kịp thời, có thể cứu sống hàng ngàn bệnh nhân trong các đợt dịch, đồng thời giảm gánh nặng tài chính lên hệ thống y tế.
  • An ninh lương thực và môi trường: Định danh loài chính xác hỗ trợ nghiên cứu bảo tồn đa dạng sinh học và phát triển nông nghiệp bền vững, góp phần bảo vệ môi trường và đảm bảo nguồn lương thực an toàn.
  • Phát triển thuốc nhanh hơn: Thúc đẩy quá trình phát triển thuốc, giúp đưa các phương pháp điều trị mới ra thị trường nhanh hơn, mang lại hy vọng cho bệnh nhân mắc các bệnh hiểm nghèo.

• International relevance với global implications:

  • Các phương pháp xử lý dữ liệu genomic và lâm sàng là các vấn đề toàn cầu. Các giải pháp của luận án, đặc biệt là trong chẩn đoán CoViD-19 trên dữ liệu quốc tế (Brazil) (p. x), có ý nghĩa toàn cầu, có thể được áp dụng và điều chỉnh cho các quốc gia khác đang đối mặt với các thách thức y tế tương tự.
  • Việc định danh loài bằng gene (K-mer) và phát triển thuốc tái tổ hợp có thể hỗ trợ các nỗ lực hợp tác nghiên cứu quốc tế trong sinh học phân tử và dược phẩm.
  • Nghiên cứu này góp phần vào kho tàng tri thức chung về ứng dụng AI trong y sinh, thúc đẩy hợp tác khoa học và trao đổi chuyên môn trên phạm vi toàn cầu.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng trong giới khoa học, công nghiệp và hoạch định chính sách.

• Doctoral researchers:
  • Cung cấp một khung phương pháp luận tiên tiến và các kỹ thuật xử lý dữ liệu chi tiết (RSCU, K-mer, KNNImputer, SMOTE) để giải quyết các thách thức của dữ liệu y sinh chiều cao, thiếu và mất cân bằng.
  • Xác định các research gaps cụ thể trong lĩnh vực phát triển thuốc bằng kỹ thuật tái tổ hợp, định danh loài sinh vật và chẩn đoán bệnh dựa trên dữ liệu lâm sàng.
  • Đưa ra các hướng nghiên cứu tương lai cụ thể và đầy tiềm năng, bao gồm XAI, học liên tục, tích hợp dữ liệu đa-omics và đạo đức AI trong y tế (p. 92), giúp các nghiên cứu sinh có thể xây dựng đề tài của mình.
• Senior academics:
  • Các đóng góp lý thuyết về mở rộng ứng dụng của chỉ số RSCU, củng cố lý thuyết học kết hợp cho dữ liệu y sinh và khung phân tích độc đáo sẽ thúc đẩy các thảo luận học thuật và mở ra các hướng nghiên cứu mới trong Tin sinh học và Học máy ứng dụng.
  • Các phát hiện đột phá về độ chính xác của mô hình (ví dụ: 0.998 cho chẩn đoán CoViD-19) cung cấp bằng chứng thực nghiệm mạnh mẽ, có thể được sử dụng để phát triển các lý thuyết mới về khả năng và giới hạn của AI trong y học.
• Industry R&D:
  • Ngành dược phẩm: Cung cấp các công cụ và mô hình (Accuracy 0.99 cho dự đoán gene-vật chủ) giúp tăng tốc quá trình lựa chọn gene mục tiêu và môi trường vật chủ trong sản xuất protein tái tổ hợp, giảm chi phí và thời gian R&D (p. vi). Các đội R&D có thể sử dụng các thuật toán PAM, CLARA, XGBoost để tối ưu hóa quy trình sản xuất.
  • Ngành công nghệ y tế: Các giải pháp tự động tiền xử lý dữ liệu và chẩn đoán bệnh với độ chính xác cao (0.998) có thể được tích hợp vào các sản phẩm phần mềm chẩn đoán, hệ thống hỗ trợ quyết định lâm sàng, giúp cải thiện hiệu quả và độ tin cậy của các thiết bị y tế thông minh.
  • Ngành sinh học nông nghiệp: Mô hình định danh loài hiệu quả (Accuracy 0.91, AUC 0.99) có thể hỗ trợ các phòng thí nghiệm nghiên cứu về giống cây trồng, vật nuôi, hoặc kiểm soát dịch bệnh, giúp tự động hóa và tăng tốc quá trình nhận diện sinh vật.
• Policy makers:
  • Cung cấp dữ liệu và bằng chứng khoa học vững chắc về khả năng của AI trong việc giải quyết các vấn đề y tế công cộng cấp bách.
  • Giúp các nhà hoạch định chính sách đưa ra các quyết định sáng suốt về đầu tư vào nghiên cứu AI/ML trong y tế, phát triển chiến lược y tế số quốc gia, và xây dựng khung pháp lý cho việc triển khai AI trong chăm sóc sức khỏe.
  • Định lượng lợi ích từ việc triển khai mô hình (ví dụ: giảm chi phí điều trị, giảm tải hệ thống y tế, tăng khả năng cứu sống) giúp justify các chính sách và nguồn lực đầu tư (p. 1).

Quantify benefits where possible:

• Giảm chi phí R&D dược phẩm: Bằng cách tăng hiệu quả lựa chọn gene và môi trường vật chủ, có thể giảm chi phí phát triển một loại thuốc mới lên đến hàng triệu USD, rút ngắn thời gian đưa sản phẩm ra thị trường từ vài năm xuống vài tháng cho một số giai đoạn.
• Cải thiện tỷ lệ chẩn đoán đúng: Với độ chính xác 0.998 cho CoViD-19 và 0.99 cho CoViD-19/cúm mùa (p. x), các mô hình có thể giúp giảm tỷ lệ chẩn đoán sai từ 1-5% xuống dưới 0.2%, giảm đáng kể các rủi ro y tế và chi phí điều trị phát sinh do chẩn đoán chậm hoặc sai.
• Tiết kiệm thời gian và nguồn lực y tế: Tự động hóa quá trình chẩn đoán giúp tiết kiệm hàng ngàn giờ làm việc của chuyên gia y tế mỗi năm, đặc biệt trong các tình huống khẩn cấp như dịch bệnh.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và tích hợp lý thuyết thông tin codon với lý thuyết phân cụm và học tăng cường độ dốc để giải quyết bài toán biểu diễn và phân loại gene. Cụ thể, luận án đã mở rộng ứng dụng của chỉ số RSCU (Relative Synonymous Codon Usage), vốn là một đại lượng từ sinh học phân tử để đánh giá độ ưu tiên sử dụng codon (Supek et al., 2014) [9], thành một phương pháp biểu diễn đặc trưng mạnh mẽ cho dữ liệu trình tự gene. Bằng cách chuyển đổi trình tự gene dài (20-6000 nucleotide) thành vector RSCU 59 chiều (p. 5, 14), luận án đã giải quyết hiệu quả vấn đề chiều cao và phức tạp của dữ liệu genomic, cho phép các thuật toán phân cụm PAM và CLARA (Kaufman & Rousseeuw, 1990) [35, 37] tự động xác định các gene biểu hiện protein cao (HEG) và XGBoost (Chen & Guestrin, 2016) [38] dự đoán tương quan gene-vật chủ với độ chính xác lên đến 0.99 (p. vi). Sự tích hợp này cung cấp một khuôn khổ lý thuyết mới cho việc kỹ thuật đặc trưng dựa trên sinh học phân tử cho học máy, vượt xa các phương pháp giảm chiều truyền thống hoặc biểu diễn chuỗi ký tự đơn thuần.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận nổi bật là khung "preprocessing-aware ensemble learning" (học kết hợp có nhận thức tiền xử lý) cho dữ liệu lâm sàng phức tạp, cụ thể là trong chẩn đoán CoViD-19 và cúm mùa.

   • So sánh với Patrick Schwab et al. (2020) [30]: Nghiên cứu này sử dụng thuật toán SVM cho mô hình chẩn đoán CoViD-19, đạt AUC 0.98. Mặc dù hiệu quả, nghiên cứu này không tập trung vào giải quyết triệt để các vấn đề dữ liệu trống hoặc mất cân bằng nghiêm trọng.
   • So sánh với Maryam AlJame (2021) [31]: Nghiên cứu này cải thiện độ chính xác lên 0.994% bằng XGBoost trên cùng bộ dữ liệu CoViD-19, nhưng cũng không đi sâu vào các kỹ thuật tiền xử lý tự động cho dữ liệu trống và mất cân bằng.
   • Đổi mới của luận án: Luận án đề xuất một quy trình tích hợp chặt chẽ:
     1. Tự động xử lý dữ liệu trống: Sử dụng phương pháp KNNImputer để bổ sung dữ liệu trống (p. vii).
     2. Xử lý mất cân bằng dữ liệu: Áp dụng kỹ thuật SMOTE (Synthetic Minority Oversampling Technique) để tạo ra các mẫu thiểu số tổng hợp, cân bằng lại dữ liệu (p. vii).
     3. Rút gọn tính năng hiệu quả: Sử dụng LightGBM (Ke et al., 2017) [40] với kỹ thuật EFB (Exclusive Feature Bundling) để tự động rút gọn tính năng từ tập dữ liệu lâm sàng chiều cao (p. 7, 28).
     4. Học kết hợp mạnh mẽ: Kết hợp hai bộ phân loại tăng cường độ dốc (LightGBM và XGBoost (Chen & Guestrin, 2016) [38]) để xây dựng mô hình phân loại bệnh (p. vii). Sự tích hợp có hệ thống các bước tiền xử lý chuyên biệt này với sức mạnh của các thuật toán học kết hợp tiên tiến là điểm đổi mới, giúp mô hình đạt độ chính xác tổng thể trên 0.998 cho CoViD-19 và 0.99 cho CoViD-19/cúm mùa (p. x), vượt trội hơn các nghiên cứu trước đây bằng cách giải quyết hiệu quả các thách thức về chất lượng dữ liệu.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng đạt được độ chính xác tổng thể trên 0.998 trong dự đoán khả năng mắc bệnh CoViD-19 (p. x) chỉ bằng cách sử dụng dữ liệu lâm sàng từ xét nghiệm mẫu máu, kết hợp các kỹ thuật tiền xử lý (KNNImputer, SMOTE) và các thuật toán tăng cường độ dốc.

   • Data Support: "Hiệu suất của mô hình đạt độ chính xác tổng thể đạt trên 0,998." (p. x). Phát hiện này đặc biệt gây ngạc nhiên bởi dữ liệu lâm sàng y sinh thường có đặc điểm chiều cao, chứa lỗi, dữ liệu trống, và mất cân bằng nghiêm trọng đối với các lớp bệnh hiếm (p. vii). Mặc dù các mô hình Deep Learning phức tạp thường được kỳ vọng sẽ vượt trội trong các nhiệm vụ này, luận án chứng minh rằng sự kết hợp giữa tiền xử lý thông minh và các thuật toán học kết hợp như LightGBM và XGBoost có thể đạt được hiệu suất gần như hoàn hảo mà không cần đến kiến trúc mạng nơ-ron sâu. Điều này cho thấy tầm quan trọng của việc tối ưu hóa chu trình dữ liệu-mô hình một cách toàn diện.

4. Replication protocol provided? Có, luận án cung cấp một giao thức tái tạo (replication protocol) chi tiết thông qua mô tả rõ ràng về phương pháp luận và các bộ dữ liệu được sử dụng. Cụ thể:

   • Bộ dữ liệu công khai: Luận án chỉ rõ các bộ dữ liệu được sử dụng: dữ liệu gene từ các ngân hàng gene quốc tế (NCBI, EMBL-Bank, DDBJ) (p. 10), dữ liệu trình tự nấm mối, và bộ dữ liệu lâm sàng CoViD-19 từ bệnh viện Israelita Albert Einstein ở Brazil [13] (p. x, 33), cũng như bộ dữ liệu COVIDandFLU để so sánh (p. x). Đây đều là các nguồn dữ liệu có thể truy cập được hoặc đã được công bố.
   • Mô tả thuật toán chi tiết: Các thuật toán được sử dụng (PAM, CLARA, XGBoost, LightGBM, SMOTE, KNNImputer, K-mer) được mô tả chi tiết về nguyên lý hoạt động và cách thức triển khai (p. 23-28), bao gồm cả các công thức và quy trình từng bước.
   • Các tham số quan trọng: Luận án đề cập đến việc tối ưu hóa tham số (p. vii), và trong các công trình liên quan [CT1-CT7] thường sẽ cung cấp các tham số cụ thể được sử dụng trong thực nghiệm. Ví dụ, kích thước K-mer=7 được sử dụng cho trình tự nấm mối (p. x, 59).
   • Độ đo đánh giá hiệu suất: Các độ đo hiệu suất (Accuracy, AUC, Recall, Specificity, F1-score) và phương pháp đánh giá (K-fold cross-validation) được định nghĩa rõ ràng (p. 29-32), cho phép các nhà nghiên cứu khác tái tạo quy trình đánh giá và so sánh kết quả.
   • Giao diện mô hình dự đoán tên loài: Luận án còn minh họa giao diện định hỗ trợ người dùng sử dụng thuật toán (p. 63), ngụ ý rằng một công cụ hoặc mã nguồn có thể được cung cấp để tái tạo.

5. 10-year research agenda outlined? Luận án không trực tiếp phác thảo một "chương trình nghiên cứu 10 năm" theo tên gọi này, nhưng phần "Limitations và Future Research" (p. 91-92) cung cấp một lộ trình nghiên cứu tương lai rất chi tiết và cụ thể, có thể được xem là một chương trình nghị sự cho 5-10 năm tới. Các hướng nghiên cứu được đề xuất bao gồm:

   1. Nghiên cứu về khả năng giải thích của mô hình (Explainable AI - XAI): Tập trung vào việc tích hợp các kỹ thuật XAI để giải quyết tính "hộp đen" của các mô hình học kết hợp, một vấn đề lớn trong y tế (p. 92).
   2. Mở rộng ứng dụng cho các loại dữ liệu y sinh đa dạng hơn: Áp dụng các phương pháp đã phát triển cho trình tự protein, dữ liệu hình ảnh y học (X-ray, MRI, CT scan), hoặc dữ liệu cảm biến sinh học (p. 92).
   3. Phát triển mô hình học liên tục (Continual Learning): Xây dựng các mô hình có khả năng học và thích nghi với dữ liệu mới theo thời gian mà không làm quên đi kiến thức cũ, rất quan trọng cho dữ liệu y tế động (p. 92).
   4. Tích hợp dữ liệu đa omics: Kết hợp dữ liệu genomic với các loại dữ liệu omics khác (transcriptomics, proteomics, metabolomics) để có cái nhìn toàn diện hơn về sinh học và bệnh học (p. 92).
   5. Nghiên cứu về đạo đức và quyền riêng tư dữ liệu trong y tế: Khám phá các phương pháp học máy bảo vệ quyền riêng tư (Privacy-Preserving ML) để cho phép phân tích dữ liệu y tế nhạy cảm (p. 92). Những định hướng này bao gồm cả cải tiến phương pháp luận (XAI, học liên tục), mở rộng phạm vi ứng dụng (dữ liệu đa dạng, đa omics) và giải quyết các vấn đề xã hội/đạo đức (quyền riêng tư), phản ánh một tầm nhìn dài hạn và toàn diện cho sự phát triển của AI trong y sinh.

Kết luận

Luận án "Nâng cao hiệu quả mô hình học máy cho dữ liệu y sinh" đã tạo ra một dấu ấn quan trọng trong lĩnh vực Khoa học Máy tính và Tin y sinh thông qua các đóng góp cụ thể và đột phá, mở ra những con đường mới cho nghiên cứu và ứng dụng thực tiễn.

1. Giảm chiều và biểu diễn đặc trưng hiệu quả cho dữ liệu gene: Bằng cách tận dụng chỉ số RSCU để giảm chiều dữ liệu gene từ hàng ngàn nucleotide xuống 59 đặc trưng (p. 5, 14), luận án đã cung cấp một phương pháp mạnh mẽ để xử lý dữ liệu genomic chiều cao, mở đường cho việc xác định gene biểu hiện protein cao (HEG) một cách tự động và chính xác.
2. Mô hình dự đoán gene tương quan với vật chủ độ chính xác cao: Mô hình dựa trên thuật toán XGBoost đã đạt độ chính xác lên đến 0.99 trong việc dự đoán sự tương quan giữa gene mục tiêu và hệ thống vật chủ (p. vi), góp phần đáng kể vào việc tối ưu hóa quy trình sản xuất protein tái tổ hợp trong ngành dược phẩm.
3. Hệ thống định danh loài sinh vật tự động và hiệu suất cao: Luận án đã phát triển mô hình định danh 17 loài nấm mối bằng kỹ thuật K-mer kết hợp học máy, đạt độ chính xác 0.91 và Multi-class AUC 0.99 (p. x), với thời gian thực thi thấp và kết quả trùng khớp với phần mềm BLAST của NCBI.
4. Giải pháp toàn diện cho dữ liệu lâm sàng thiếu và mất cân bằng: Việc tích hợp KNNImputer và SMOTE với các thuật toán tăng cường độ dốc đã chứng minh tính hiệu quả trong việc xử lý các vấn đề dữ liệu cố hữu, dẫn đến mô hình chẩn đoán CoViD-19 với độ chính xác tổng thể trên 0.998 (p. x).
5. Mô hình phân loại COVID-19 và cúm mùa với hiệu năng vượt trội: Mô hình kết hợp LightGBM và XGBoost đã đạt độ chính xác 0.99 cho việc phân loại CoViD-19 và cúm mùa (p. x), vượt trội hơn các công bố trước đây trên cùng bộ dữ liệu về nhiều độ đo hiệu suất.
6. Khung phương pháp luận "preprocessing-aware ensemble learning": Luận án đã thiết lập một khuôn khổ phân tích độc đáo, nhấn mạnh sự tích hợp chặt chẽ giữa các kỹ thuật tiền xử lý dữ liệu thông minh và các thuật toán học kết hợp mạnh mẽ, tạo ra các mô hình robust và chính xác cho dữ liệu y sinh phức tạp.

Nghiên cứu này đã góp phần vào sự chuyển dịch mô hình (paradigm advancement) trong Tin y sinh, chuyển từ các phương pháp phân tích thủ công sang các hệ thống hỗ trợ quyết định tự động, hiệu quả và có khả năng giải thích cao. Bằng chứng từ các phát hiện cụ thể (ví dụ: độ chính xác 0.998 cho chẩn đoán bệnh) chứng minh rằng các mô hình học máy, khi được thiết kế và tối ưu hóa đúng cách, có thể cung cấp các giải pháp mạnh mẽ cho các thách thức y tế.

Luận án đã mở ra ít nhất 3 dòng nghiên cứu mới tiềm năng: (1) Nghiên cứu chuyên sâu về khả năng giải thích của AI (XAI) trong y tế để tăng cường niềm tin và ứng dụng; (2) Phát triển các mô hình học máy liên tục và tích hợp dữ liệu đa-omics để đối phó với dữ liệu y sinh động và phức tạp; (3) Khám phá các giải pháp học máy bảo vệ quyền riêng tư và đạo đức để xử lý dữ liệu y tế nhạy cảm.

Với tính liên ngành và các kết quả định lượng rõ ràng, luận án này có tầm quan trọng toàn cầu, cung cấp các công cụ và phương pháp luận có thể được áp dụng rộng rãi để giải quyết các vấn đề y tế cấp bách trên khắp thế giới. Di sản của nó là một bước tiến đáng kể trong việc hiện thực hóa tiềm năng của trí tuệ nhân tạo để cải thiện sức khỏe con người, đẩy nhanh nghiên cứu khoa học và chuyển đổi ngành công nghiệp y sinh, với những kết quả đo lường được về độ chính xác và hiệu quả.