Nghiên cứu mô hình động lực cạnh tranh và dự đoán gen điều trị ung thư - Phạm Đức Tĩnh

BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ PHẠM ĐỨC TĨNH Phạm Đức Tĩnh HỆ THỐNG THÔNG TIN NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNH ĐỘNG LỰC CẠNH TRANH TRONG MẠNG THÔNG TIN PHỨC HỢP VÀ ỨNG DỤNG DỰ ĐOÁN GEN ĐIỀU TRỊ UNG THƯ LUẬN ÁN TIẾN SĨ HỆ THỐNG THÔNG TIN 2024 Hà Nội - 2024 BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Phạm Đức Tĩnh NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNH ĐỘNG LỰC CẠNH TRANH TRONG MẠNG THÔNG TIN PHỨC HỢP VÀ ỨNG DỤNG DỰ ĐOÁN GEN ĐIỀU TRỊ UNG THƯ LUẬN ÁN TIẾN SĨ HỆ THỐNG THÔNG TIN Mã số: 9480104 Xác nhận của Học viện Người hướng dẫn 1 Người hướng dẫn 2 Khoa học và Công nghệ (Ký, ghi rõ họ tên) (Ký, ghi rõ họ tên) Hà Nội - 2024 LỜI CAM ĐOAN Tôi xin cam đoan luận án "Nghiên cứu phát triển mô hình động lực cạnh tranh trong mạng thông tin phức hợp và ứng dụng dự đoán gen điều trị ung thư" là công trình nghiên cứu của chính tôi, dưới sự hướng dẫn khoa học của tập thể hướng dẫn. Luận án sử dụng thông tin trích dẫn từ nhiều nguồn tham khảo khác nhau và các thông tin trích dẫn được ghi rõ nguồn gốc. Các kết quả nghiên cứu của tôi được công bố chung với các tác giả khác đã được sự đồng ý của đồng tác giả khi đưa vào luận án. Các số liệu, kết quả được trình bày trong luận án là hoàn toàn trung thực và chưa từng được công bố trong bất kỳ một công trình nào khác ngoài các công trình công bố của tác giả.

Luận án được hoàn thành trong thời gian tôi làm nghiên cứu sinh tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Hà Nội, ngày 27 tháng 6 năm 2024 Tác giả luận án Phạm Đức Tĩnh LỜI CẢM ƠN Luận án Tiến sĩ “Nghiên cứu phát triển mô hình động lực cạnh tranh trong mạng thông tin phức hợp và ứng dụng dự đoán gen điều trị ung thư” được hoàn thiện bằng sự cố gắng của bản thân và sự giúp đỡ của tập thể hướng dẫn khoa học, Viện Công nghệ Thông tin, Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, Trường Đại học Công nghiệp Hà Nội, và các Chuyên gia, các Nhà khoa học, đồng nghiệp, bạn bè, cũng như người thân trong gia đình. Trước tiên, NCS xin được bày tỏ lòng biết ơn chân thành đến tập thể hướng dẫn khoa học là TS. Trần Tiến Dũng và TS.

Hoàng Đỗ Thanh Tùng. Trong suốt thời gian làm nghiên cứu, NCS đã luôn nhận được những định hướng khoa học, sự hướng dẫn tận tình và kinh nghiệm nghiên cứu khoa học của tập thể hướng dẫn. Tôi xin chân thành cảm ơn Viện Công nghệ Thông tin, Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, đã tạo điều kiện thuận lợi cho tôi trong suốt quá trình làm nghiên cứu và thực hiện luận án. Tôi cũng xin chân thành cảm ơn Ban Lãnh đạo Trường Đại học Công nghiệp Hà Nội, Trung tâm Công nghệ Thông tin - Trường Đại học Công nghiệp Hà Nội, đã quan tâm giúp đỡ tạo mọi điều kiện tốt nhất để tôi hoàn thành quá trình học tập và nghiên cứu của mình.

Tôi xin chân thành cảm ơn sự quan tâm, động viên và những đóng góp quý báu của quý đồng nghiệp và các Nhà khoa học. Cuối cùng, tôi xin cảm ơn sự động viên hết mình của mọi thành viên trong gia đình tôi, sự khuyến khích động viên của gia đình là động lực học để tôi hoàn thành luận án này. Hà Nội, ngày 27 tháng 6 năm 2024 Tác giả luận án Phạm Đức Tĩnh 1 MỤC LỤC MỤC LỤC. 1 DANH MỤC CÁC KÝ HIỆU.

4 DANH MỤC CÁC TỪ VIẾT TẮT. 5 DANH MỤC CÁC BẢNG. 7 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ. 8 DANH MỤC THUẬT TOÁN.

TỔNG QUAN VỀ XẾP HẠNG ĐỂ DỰ ĐOÁN GEN MỤC TIÊU ĐIỀU TRỊ UNG THƯ. Bài toán xếp hạng để dự đoán gen bệnh. Biểu diễn đồ thị trên máy tính. Mạng phức hợp.

Dữ liệu và mô hình hoá dữ liệu mạng sinh học. Các phương pháp và nghiên cứu liên quan dự đoán gen điều trị bệnh dựa trên mạng phức hợp. Thuộc tính gần gũi của một đỉnh. Thuộc tính gần gũi theo thứ bậc của đỉnh.

Thuộc tính trung tâm giữa của một đỉnh. Thuật toán bước nhảy ngẫu nhiên có quay lại. Thuật toán ORIENT. Thuật toán sử dụng xác xuất tiền nhiệm PRINCE.

Tổng quan về mạng quy mô lớn. Khái niệm mạng quy mô lớn. Một số hướng nghiên cứu trên mạng quy mô lớn. Mô hình động lực mạng.

MÔ HÌNH ĐỘNG LỰC CẠNH TRANH TRÊN MẠNG PHỨC HỢP ỨNG DỤNG TRONG DỰ ĐOÁN GEN ĐIỀU TRỊ UNG THƯ. Mô hình động lực cạnh tranh trên mạng phức hợp. Đề xuất mô hình động lực cạnh tranh ngoài trên mạng phức hợp. Xây dựng thuật toán của mô hình động lực cạnh tranh ngoài.

Ý tưởng của thuật toán. Chức năng, đầu vào, đầu ra của thuật toán. Sơ đồ luồng và mã giả của thuật toán. Đánh giá độ phức tạp của thuật toán.

Xây dựng hệ thống dự đoán gen điều trị ung thư sử dụng mô hình động lực học cạnh tranh ngoài. Bài toán dự đoán gen mục tiêu điều trị ung thư. Dữ liệu thực nghiệm. Sự tương quan giữa các phép đo.

Mô hình tổng thể hệ thống chẩn đoán gen ung thư dựa trên mạng phức hợp. Kết quả dự đoán gen mục tiêu điều trị ung thư. So sánh kết quả dự đoán. TƯƠNG TÁC GIÁN TIẾP TRONG MÔ HÌNH ĐỘNG LỰC CẠNH TRANH NGOÀI VÀ ỨNG DỤNG DỰ ĐOÁN GEN ĐIỀU TRỊ UNG THƯ.

Đề xuất mô hình tính toán tương tác gián tiếp động lực cạnh tranh ngoài. Mô hình tính toán tương tác trực tiếp động lực cạnh tranh ngoài. Đề xuất mô hình tính toán gián tiếp động lực cạnh tranh ngoài. Xây dựng thuật toán tính toán tương tác gián tiếp động lực cạnh tranh ngoài.

Thuật toán tính toán ma trận khoảng cách. Thuật toán tính toán ma trận ảnh hưởng. Thuật toán tính tổng sự ảnh hưởng trên mỗi đỉnh mạng. Tính toán hiệu năng cao cho mô hình động lực cạnh tranh ngoài.

Xây dựng thuật toán tính toán hiệu năng cao cho mô hình .2 Thiết kế công cụ phần mềm tính toán hiệu năng cao. Đánh giá tốc độ tính toán của thuật toán. Dữ liệu thực nghiệm. Kiến trúc của mô hình dự đoán.

Kết quả dự đoán gen mục tiêu điều trị ung thư. So sánh kết quả dự đoán với các nghiên cứu khác. 90 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN. 91 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ.

93 TÀI LIỆU THAM KHẢO. 107 4 DANH MỤC CÁC KÝ HIỆU Ký hiệu Diễn giải Đồ thị biểu diễn mạng phức hợp, gồm tập đỉnh V, tập cạnh G (V , E ) E n, m Số đỉnh và số cạnh của đồ thị G (V , E ) (k ) Trung bình bậc của mạng  (G ) Độ bền vững của mạng G Ma trận kề kết nối biến thiên theo thời gian giữa các đỉnh A(t ) tại thời điểm t deg(v ) Bậc của đỉnh v degin (v);deg out (v) Bậc trong và bậc ngoài của đỉnh v d (v, w) Khoảng cách của đường đi ngắn nhất từ đỉnh v đến đỉnh w Cclo (v) Mức độ gần gũi của đỉnh v với các đỉnh khác trong mạng N R (v ) Thứ bậc của một đỉnh v trong mạng Mức độ gần gũi theo thứ bậc của đỉnh v với các đỉnh khác Chc (v) trong mạng Mức độ trung tâm giữa của một đỉnh so với các đỉnh khác Cbet (v) trong mạng  st Tổng số đường đi ngắn nhất giữa hai đỉnh s và t  st (v) Số đường đi ngắn nhất đi qua v mà từ s đến t G¯ = (V, E¯) Đồ thị phần bù của đồ thị G(V,E) N(v); Nv Tập các đỉnh lân cận của đỉnh v trong G xu (t ) Trạng thái của đỉnh u ở thời điểm t C (t ) Ma trận định lượng liên kết của mạng tại thời điểm t A; auv Ma trận kề của mạng; trọng số kề giữa đỉnh u và v; Deg max Bậc ngoài lớn nhất của đỉnh trong mạng Trạng thái của các đỉnh bình thường trong mô hình động XnormRN-2 lực cạnh tranh mạng G(V, E) xi Trạng thái hội tụ của đỉnh i 5 DANH MỤC CÁC TỪ VIẾT TẮT Từ viết Tiếng Anh Diễn giải tắt Thuộc tính trung tâm của một đỉnh trong BC Betweenness mạng Thuộc tính gần gũi của một đỉnh trong CC Closeness mạng Thuộc tính bậc của một đỉnh trong mạng DC Degree (gọi tắt là bậc của đỉnh) Hierarchical Thuộc tính gần gũi theo thứ bậc của một HC closeness đỉnh trong mạng Là phân tử mang thông tin di truyền cho sự Deoxyribonucleic phát triển và hoạt động của một sinh vật. DNA Acid https://www.gov/genetics- glossary/Deoxyribonucleic-Acid Application Giao diện lập trình ứng dụng (API) là cách API Programming để hai hoặc nhiều chương trình máy Interface tính giao tiếp với nhau. Kyoto Encyclopedia KEGG là nguồn cơ sở dữ liệu tin sinh học KEGG of Gens and quy mô lớn, được tạo ra bởi trình tự bộ gen Genomes và thông lượng cao.

Ngôn ngữ đánh dấu KEGG (KGML) là định dạng tương tác của bản đồ lộ trình Kyoto Encyclopedia KEGG. KGML cho phép vẽ các con of Gens and KGML đường KEGG và cung cấp các phương tiện Genomes Markup để phân tích tính toán và mô hình hóa Language mạng lưới gen/protein và mạng trao đổi chất. Trung tâm Thông tin Công nghệ sinh học Quốc gia Hoa Kỳ (NLM). NCBI chứa một National Center for loạt cơ sở dữ liệu liên quan đến công nghệ NCBI Biotechnology sinh học và là nguồn tài nguyên quan trọng Information cho các công cụ và dịch vụ tin sinh học.

Cơ sở dữ liệu chính bao gồm GenBank cho trình tự DNA và PubMed. 6 Tương tác protein-protein (PPI) là các tiếp xúc vật lý được thiết lập giữa hai hoặc nhiều phân tử protein do các sự kiện sinh Protein-protein hóa được thúc đẩy bởi các tương PPI interaction tác. Protein hiếm khi hoạt động một mình vì chức năng của chúng có xu hướng được điều chỉnh. PPI bất thường có thể là nền tảng của nhiều bệnh liên quan.

Là một chuỗi đơn gồm những Ribonucleotide. RNA có chức năng mang RNA Ribonucleic Acid thông điệp di truyền từ DNA đến vị trí tổng hợp protein và giúp cơ thể tổng hợp protein.