Thuật toán tính toán dịch tễ học di truyền - Luận án tiến sĩ

SNP là biến thể một nucleotide trong trình tự DNA. Mỗi vị trí SNP có thể có hai hoặc nhiều allele khác nhau. Allele frequency phản ánh tỷ lệ xuất hiện của mỗi biến thể trong quần thể.

Haplotype là tổ hợp các allele trên cùng nhiễm sắc thể. Genotype là cặp haplotype từ hai nhiễm sắc thể tương đồng. Phasing là quá trình xác định haplotype từ genotype. Hardy-Weinberg equilibrium mô tả tần số allele ổn định trong quần thể lý tưởng.

Dữ liệu genotype chứa nhiều thông tin mơ hồ. Hai haplotype không thể phân biệt trực tiếp từ genotype. Genotype imputation suy luận genotype thiếu dựa trên dữ liệu tham chiếu.

Population stratification gây nhiễu trong genome-wide association study (GWAS). Các nhóm quần thể khác nhau có cấu trúc di truyền riêng. Phương pháp thống kê phải điều chỉnh cho sự phân tầng này. Linkage disequilibrium đo lường mối liên kết không ngẫu nhiên giữa các SNP.

Nghiên cứu nhằm cải thiện độ chính xác suy luận haplotype. Phát triển phương pháp chọn tag SNP hiệu quả hơn. Xây dựng công cụ dự đoán tính nhạy cảm bệnh phức tạp.

Haplotype estimation chính xác cần thiết cho phân tích liên kết gen. Tagging giảm số lượng SNP cần genotyping. Phân tích QTL (Quantitative Trait Loci) xác định vùng gen ảnh hưởng tính trạng định lượng. Các phương pháp tính toán phải cân bằng giữa độ chính xác và hiệu suất.

Cho tập genotype, tìm tập haplotype giải thích chúng. Mỗi genotype phải được tạo từ cặp haplotype trong tập. Nguyên lý parsimony tìm tập haplotype nhỏ nhất.

Pure parsimony haplotyping là bài toán NP-hard. Các phương pháp heuristic cung cấp giải pháp gần đúng. Clark's algorithm sử dụng chiến lược greedy. PHASE và fastPHASE áp dụng mô hình Bayesian. Linkage disequilibrium cung cấp thông tin cho suy luận thống kê.

Một số site có thể dự đoán từ các site khác. Phụ thuộc tuyến tính giảm số chiều của bài toán. Loại bỏ site phụ thuộc tăng tốc độ tính toán.

Matrix multiplication xác định site độc lập tuyến tính. Phương pháp dựa trên đại số tuyến tính trên trường hữu hạn. Gaussian elimination tìm cơ sở của không gian vector. Độ phức tạp thời gian là O(m²n) với m site và n genotype.

Dữ liệu trio cung cấp ràng buộc Mendel mạnh. Con nhận một allele từ mỗi bố mẹ. Ràng buộc này giảm độ mơ hồ đáng kể.

Pure-parsimony trio phasing tìm số haplotype tối thiểu. Integer linear programming (ILP) mô hình hóa bài toán chính xác. Phương pháp greedy cung cấp giải pháp nhanh hơn. Missing data phổ biến trong dữ liệu thực tế. Genotype imputation phục hồi genotype thiếu dựa trên linkage disequilibrium.

Linear algebraic tagging xác định SNP độc lập tuyến tính. Các SNP khác được biểu diễn như tổ hợp tuyến tính. Gaussian elimination tìm cơ sở tối thiểu.

Phương pháp hoạt động trên trường hữu hạn GF(2). Mỗi allele được mã hóa là 0 hoặc 1. Matrix rank xác định số tag SNP tối thiểu. Tagging with prescribed number cho phép điều chỉnh số tag SNP.

Multiple linear regression (MLR) mô hình hóa quan hệ tuyến tính. Mỗi SNP được dự đoán từ tổ hợp tuyến tính tag SNP. Least squares estimation tìm hệ số hồi quy tối ưu.

MLR SNP prediction có độ phức tạp O(nt²) với n SNP và t tag SNP. Phương pháp nhanh hơn các thuật toán phi tuyến. MLR-tagging software triển khai thuật toán hiệu quả. Cross-validation đánh giá độ chính xác dự đoán.

SVM tìm siêu phẳng phân tách tối ưu. Kernel trick cho phép phân loại phi tuyến. SVM haplotype tagging xử lý dữ liệu phức tạp hơn.

SVM-tagging software cung cấp giao diện thân thiện. Phương pháp phù hợp khi quan hệ phi tuyến. Allele frequency ảnh hưởng hiệu suất dự đoán. Rare allele khó dự đoán hơn common allele.

Multi-SNP analysis xem xét tổ hợp nhiều SNP. Epistasis là tương tác giữa các gen khác nhau. Logistic regression mô hình hóa nguy cơ bệnh.

Random forest xử lý tương tác phức tạp. Neural network học mẫu phi tuyến. Phương pháp cần mẫu lớn để tránh overfitting. Hardy-Weinberg equilibrium test kiểm tra chất lượng dữ liệu.

Two-stage design giảm chi phí genotyping. Giai đoạn một quét với tag SNP. Giai đoạn hai genotyping chi tiết vùng quan tâm.

Bonferroni correction điều chỉnh multiple testing. False discovery rate (FDR) kiểm soát tỷ lệ phát hiện giả. Permutation test đánh giá ý nghĩa thống kê. Replication study xác nhận kết quả trong quần thể độc lập.

Genomic control ước lượng inflation factor. Principal component analysis phát hiện cấu trúc quần thể. Structured association test điều chỉnh cho phân tầng.

Family-based association tránh nhiễu quần thể. Transmission disequilibrium test (TDT) sử dụng dữ liệu trio. Allele frequency khác nhau giữa các nhóm dân tộc. Admixture mapping phát hiện vùng tổ tiên đặc hiệu.

Sensitivity là tỷ lệ bệnh được phát hiện đúng. Specificity là tỷ lệ khỏe được phân loại đúng. ROC curve trực quan hóa trade-off.

Area under curve (AUC) tóm tắt hiệu suất. Positive predictive value phụ thuộc prevalence. Negative predictive value quan trọng cho screening. Accuracy tổng thể có thể gây hiểu lầm với dữ liệu mất cân bằng.

Set covering tìm tập con phủ tất cả phần tử. Mỗi genotype bệnh cần được phủ bởi genotype đại diện. Bài toán là NP-hard.

Greedy algorithm chọn genotype phủ nhiều nhất. Tỷ lệ xấp xỉ là logarithmic. Phương pháp nhanh và hiệu quả thực tế. Linear programming relaxation cho giới hạn dưới.

Graph-based prediction xây dựng similarity graph. Khoảng cách Hamming đo độ khác biệt genotype. K-nearest neighbors phân loại theo láng giềng.

Spectral clustering phát hiện cộng đồng. Graph kernel đo độ tương tự cấu trúc. Random walk truyền nhãn qua cạnh. Linkage disequilibrium cung cấp trọng số cạnh.

MLR tagging hiện tại có thể thiên vị với mẫu nhỏ. Bootstrap resampling ước lượng phân phối. Bias correction cải thiện độ chính xác.

Cross-validation nested tránh overfitting. Regularization như ridge regression ổn định ước lượng. Allele frequency weighting cân bằng rare và common variant. Haplotype-based MLR khai thác linkage disequilibrium.

Kinase phosphorylation sites dự đoán từ trình tự. Sequence motif đặc trưng cho substrate. Machine learning phân loại site chức năng.

Structural information cải thiện dự đoán. Protein-protein interaction network cung cấp context. Evolutionary conservation chỉ ra site quan trọng. Experimental validation xác nhận dự đoán tính toán.

Metabolic network modeling mô phỏng tăng trưởng. Flux balance analysis dự đoán phenotype. Constraint-based methods không cần tham số động học.

Gene regulatory network điều khiển biểu hiện gen. Boolean network mô hình hóa logic control. Stochastic simulation xử lý noise sinh học. Single-cell sequencing cung cấp dữ liệu validation.