[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_d%E1%BB%B1%20%C4%91o%C3%A1n%20c%E1%BA%A5u%20tr%C3%BAc{\"limit\":5}":3,"_public_topic_byId_dự đoán cấu trúc":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":18,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"relateTopics":32},"dự đoán cấu trúc","Dự đoán cấu trúc là gì? Các nghiên cứu khoa học liên quan","Dự đoán cấu trúc là quá trình xác định hình dạng ba chiều của các phân tử sinh học dựa trên trình tự nucleotide hoặc amino acid để hiểu chức năng và cơ chế hoạt động. Kỹ thuật này kết hợp mô phỏng, lý thuyết vật lý và trí tuệ nhân tạo nhằm hỗ trợ nghiên cứu thuốc, thiết kế protein và phân tích tương tác phân tử. ","\u003Cdiv>\u003Ch2>Giới thiệu về dự đoán cấu trúc\u003C\u002Fh2>\n\u003Cp>Dự đoán cấu trúc là quá trình xác định hình dạng ba chiều hoặc cấu trúc không gian của các phân tử sinh học như protein, DNA, RNA dựa trên thông tin trình tự nucleotide hoặc amino acid. Nó cung cấp thông tin quan trọng về cách thức các phân tử hoạt động, tương tác và thực hiện chức năng sinh học trong tế bào. Các phân tử có cấu trúc xác định chức năng, do đó việc dự đoán chính xác cấu trúc giúp nghiên cứu cơ chế sinh học, thiết kế thuốc, cũng như phát triển các phương pháp điều trị mới.\u003C\u002Fp>\n\u003Cp>Dự đoán cấu trúc là công cụ quan trọng trong sinh học phân tử, sinh học cấu trúc và hóa sinh, đặc biệt khi dữ liệu thực nghiệm từ tinh thể học tia X, NMR hoặc cryo-EM còn hạn chế hoặc không khả thi. Kỹ thuật này kết hợp lý thuyết vật lý, hóa học, tính toán và trí tuệ nhân tạo để cung cấp dự đoán với độ chính xác cao, giúp rút ngắn thời gian nghiên cứu và giảm chi phí so với các phương pháp thực nghiệm.\u003C\u002Fp>\n\u003Cp>Dự đoán cấu trúc cũng đóng vai trò quan trọng trong các ứng dụng công nghiệp và y sinh, như thiết kế protein tổng hợp, phát triển thuốc nhắm mục tiêu protein cụ thể, và mô phỏng các tương tác protein-protein hoặc protein-ligand. Nó hỗ trợ nghiên cứu các phức hợp sinh học, cơ chế enzym, tín hiệu tế bào và quá trình sinh học phức tạp khác.\u003C\u002Fp>\n\n\u003Ch2>Lịch sử và phát triển\u003C\u002Fh2>\n\u003Cp>Ngành dự đoán cấu trúc hình thành từ những năm 1970 với phương pháp mô hình hóa đồng vận dựa trên trình tự (homology modeling). Khi trình tự của một protein chưa được xác định cấu trúc ba chiều, các nhà nghiên cứu sẽ so sánh với protein đã biết cấu trúc tương tự để dự đoán cấu hình không gian. Đây là phương pháp đầu tiên và vẫn được sử dụng phổ biến do tính đơn giản và hiệu quả.\u003C\u002Fp>\n\u003Cp>Trong thập niên 1980-1990, các phương pháp threading và ab initio được phát triển để cải thiện độ chính xác. Threading tìm cách khớp trình tự protein vào một khung cấu trúc đã biết, trong khi ab initio dựa hoàn toàn trên nguyên lý vật lý, năng lượng nội tại của phân tử để dự đoán cấu trúc mà không cần mẫu tham chiếu. Những tiến bộ này giúp mở rộng khả năng dự đoán đối với các protein mới hoặc hiếm.\u003C\u002Fp>\n\u003Cp>Trong những năm gần đây, trí tuệ nhân tạo và học sâu đã làm thay đổi cục diện của dự đoán cấu trúc. AlphaFold của DeepMind và các mô hình tương tự đã đạt được độ chính xác gần với dữ liệu thực nghiệm, đặc biệt trong các thử nghiệm Critical Assessment of protein Structure Prediction (CASP). Các công nghệ này không chỉ nâng cao độ chính xác mà còn rút ngắn thời gian tính toán và mở ra cơ hội ứng dụng trong nghiên cứu thuốc, thiết kế protein và sinh học phân tử. \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41586-021-03819-2\" target=\"_blank\">Nature - AlphaFold\u003C\u002Fa>\u003C\u002Fp>\n\n\u003Ch2>Nguyên lý cơ bản\u003C\u002Fh2>\n\u003Cp>Dự đoán cấu trúc dựa trên nguyên lý rằng trình tự amino acid hoặc nucleotide xác định cấu trúc ba chiều của phân tử. Mục tiêu là tìm cấu hình tối ưu năng lượng thấp nhất hoặc cấu hình phù hợp nhất với dữ liệu thực nghiệm. Nguyên lý này xuất phát từ cơ học thống kê, lý thuyết năng lượng và các tương tác hóa học nội tại giữa các nguyên tử và nhóm chức trong phân tử.\u003C\u002Fp>\n\u003Cp>Các phương pháp phổ biến bao gồm:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Homology modeling: Dựa trên so sánh trình tự với cấu trúc đã biết để dự đoán cấu trúc mới.\u003C\u002Fli>\n\u003Cli>Threading: Ghép trình tự vào cấu trúc mẫu và tìm vị trí tối ưu.\u003C\u002Fli>\n\u003Cli>Ab initio: Dự đoán dựa trên nguyên lý vật lý và tối ưu năng lượng, không cần cấu trúc tham chiếu.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Công thức tổng quát mô tả năng lượng tiềm năng của phân tử:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">E_{total} = E_{bond} + E_{angle} + E_{dihedral} + E_{nonbonded}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">E_{bond}\u003C\u002Fscript> là năng lượng liên kết hóa học, \u003Cscript type=\"math\u002Ftex\">E_{angle}\u003C\u002Fscript> là năng lượng góc liên kết, \u003Cscript type=\"math\u002Ftex\">E_{dihedral}\u003C\u002Fscript> là năng lượng xoắn dihedral và \u003Cscript type=\"math\u002Ftex\">E_{nonbonded}\u003C\u002Fscript> là năng lượng không liên kết như lực Van der Waals và Coulomb.\u003C\u002Fp>\n\n\u003Ch2>Các loại dự đoán cấu trúc\u003C\u002Fh2>\n\u003Cp>Dự đoán cấu trúc có thể được phân loại dựa trên loại phân tử và mục tiêu nghiên cứu:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Dự đoán cấu trúc protein:\u003C\u002Fstrong> Xác định hình dạng ba chiều từ trình tự amino acid để hiểu chức năng, tương tác và cơ chế hoạt động.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Dự đoán cấu trúc DNA\u002FRNA:\u003C\u002Fstrong> Dự đoán cấu trúc thứ cấp và ba chiều từ trình tự nucleotide, phục vụ nghiên cứu tương tác gen và cơ chế biểu hiện gen.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Dự đoán tương tác phân tử:\u003C\u002Fstrong> Xác định cách các protein, DNA, RNA hoặc ligand tương tác với nhau, giúp thiết kế thuốc và phân tích mạng lưới sinh học.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Dự đoán cấu trúc phức hợp:\u003C\u002Fstrong> Phân tích các phức hợp protein-protein hoặc protein-ligand để hiểu cơ chế sinh học và tín hiệu tế bào.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bảng minh họa các loại dự đoán cấu trúc:\u003C\u002Fp>\n\u003Ctable border=\"1\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Loại dự đoán\u003C\u002Fth>\n\u003Cth>Mục tiêu\u003C\u002Fth>\n\u003Cth>Ứng dụng chính\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Protein\u003C\u002Ftd>\n\u003Ctd>Cấu trúc ba chiều\u003C\u002Ftd>\n\u003Ctd>Chức năng protein, thiết kế thuốc\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>DNA\u002FRNA\u003C\u002Ftd>\n\u003Ctd>Cấu trúc thứ cấp và ba chiều\u003C\u002Ftd>\n\u003Ctd>Biểu hiện gen, tương tác phân tử\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Tương tác phân tử\u003C\u002Ftd>\n\u003Ctd>Protein-protein, protein-ligand\u003C\u002Ftd>\n\u003Ctd>Thiết kế thuốc, nghiên cứu tín hiệu\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Phức hợp phân tử\u003C\u002Ftd>\n\u003Ctd>Phức hợp sinh học\u003C\u002Ftd>\n\u003Ctd>Hiểu cơ chế enzym, mạng lưới tín hiệu\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>Ứng dụng của dự đoán cấu trúc\u003C\u002Fh2>\n\u003Cp>Dự đoán cấu trúc đóng vai trò quan trọng trong nghiên cứu sinh học cơ bản và ứng dụng công nghệ sinh học. Trong nghiên cứu protein, việc dự đoán cấu trúc ba chiều giúp xác định các vị trí hoạt động, miền gắn ligand và vùng tương tác với các protein khác. Điều này quan trọng trong việc hiểu cơ chế enzym, tín hiệu tế bào và cơ chế bệnh học.\u003C\u002Fp>\n\u003Cp>Trong thiết kế thuốc, dự đoán cấu trúc giúp xác định các vị trí gắn thuốc tiềm năng và cải thiện độ chọn lọc của ligand. Nó giúp giảm thời gian và chi phí thử nghiệm thực nghiệm, từ đó rút ngắn quá trình phát triển dược phẩm. Ngoài ra, dự đoán cấu trúc cũng hỗ trợ thiết kế protein tổng hợp, enzyme tùy chỉnh và các phân tử sinh học với tính năng đặc biệt.\u003C\u002Fp>\n\u003Cp>Các ứng dụng khác bao gồm nghiên cứu tương tác protein-protein, protein-ligand và mạng lưới sinh học, hỗ trợ phát triển các hệ thống sinh học tổng hợp, sinh học cấu trúc, và y sinh học. Dự đoán cấu trúc còn được dùng để phân tích các biến thể gene, dự đoán tác động của đột biến lên chức năng protein và phát triển phương pháp điều trị cá thể hóa.\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Thiết kế thuốc nhắm mục tiêu protein cụ thể\u003C\u002Fli>\n\u003Cli>Thiết kế enzyme và protein tổng hợp\u003C\u002Fli>\n\u003Cli>Dự đoán tương tác phân tử và phức hợp protein\u003C\u002Fli>\n\u003Cli>Nghiên cứu chức năng sinh học và mạng lưới tín hiệu\u003C\u002Fli>\n\u003Cli>Phân tích biến thể gene và tác động đột biến\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Mô hình toán học và mô phỏng\u003C\u002Fh2>\n\u003Cp>Các mô hình toán học trong dự đoán cấu trúc dựa trên lý thuyết cơ học thống kê, phương trình năng lượng tiềm năng, và mô phỏng động lực học phân tử. Mục tiêu là tìm cấu trúc ổn định nhất về năng lượng và phù hợp với dữ liệu thực nghiệm. Các phần mềm phổ biến bao gồm Rosetta, GROMACS, CHARMM và AMBER.\u003C\u002Fp>\n\u003Cp>Phương pháp mô phỏng chính bao gồm:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Minim hóa năng lượng: tìm trạng thái năng lượng thấp nhất của phân tử\u003C\u002Fli>\n\u003Cli>Monte Carlo Simulation: khảo sát không gian cấu hình bằng phương pháp ngẫu nhiên\u003C\u002Fli>\n\u003Cli>Dynamic Simulation: mô phỏng chuyển động của phân tử theo thời gian với điều kiện nhiệt độ và áp suất\u003C\u002Fli>\n\u003Cli>Ab initio và học sâu: dự đoán cấu trúc dựa trên nguyên lý vật lý và trí tuệ nhân tạo\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các phương pháp này giúp mô phỏng chính xác các tương tác liên kết, góc, xoắn dihedral và lực không liên kết, từ đó dự đoán hình dạng và động học của phân tử. Bảng dưới đây minh họa ưu điểm và ứng dụng của các phương pháp mô phỏng:\u003C\u002Fp>\n\u003Ctable border=\"1\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Phương pháp\u003C\u002Fth>\n\u003Cth>Ưu điểm\u003C\u002Fth>\n\u003Cth>Ứng dụng\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Minim hóa năng lượng\u003C\u002Ftd>\n\u003Ctd>Nhanh, đơn giản\u003C\u002Ftd>\n\u003Ctd>Dự đoán cấu trúc ổn định\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Monte Carlo Simulation\u003C\u002Ftd>\n\u003Ctd>Khám phá không gian cấu hình rộng\u003C\u002Ftd>\n\u003Ctd>Dự đoán protein và ligand\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Dynamic Simulation\u003C\u002Ftd>\n\u003Ctd>Mô phỏng chuyển động thực tế\u003C\u002Ftd>\n\u003Ctd>Protein, enzyme, phức hợp sinh học\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Học sâu \u002F AI\u003C\u002Ftd>\n\u003Ctd>Độ chính xác cao, dự đoán cấu trúc mới\u003C\u002Ftd>\n\u003Ctd>Protein chưa xác định cấu trúc\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Thách thức hiện tại\u003C\u002Fh2>\n\u003Cp>Mặc dù dự đoán cấu trúc đạt nhiều tiến bộ, vẫn tồn tại nhiều thách thức. Một trong những khó khăn là dự đoán cấu trúc của các protein lớn, phức tạp hoặc các phức hợp nhiều thành phần. Không gian cấu hình rộng và tính linh hoạt cao của các phân tử sinh học làm tăng độ khó trong tính toán.\u003C\u002Fp>\n\u003Cp>Thách thức khác là sự chính xác của các mô hình năng lượng và dữ liệu huấn luyện trong các mô hình AI. Độ tin cậy của dự đoán phụ thuộc vào chất lượng dữ liệu thực nghiệm, tính chính xác của force field và khả năng mô phỏng tương tác phi tuyến. Ngoài ra, việc tích hợp dữ liệu từ nhiều nguồn và dự đoán cấu trúc trong môi trường sinh học thực tế vẫn là vấn đề chưa giải quyết hoàn toàn.\u003C\u002Fp>\n\n\u003Ch2>Tương lai và ứng dụng tiềm năng\u003C\u002Fh2>\n\u003Cp>Tương lai của dự đoán cấu trúc dựa vào tích hợp trí tuệ nhân tạo, học sâu, mô phỏng đa thang thời gian và dữ liệu thực nghiệm. Các mô hình AI như AlphaFold và RoseTTAFold hứa hẹn cải thiện độ chính xác, rút ngắn thời gian dự đoán và mở rộng khả năng dự đoán cho các protein chưa biết cấu trúc. Điều này sẽ thúc đẩy thiết kế thuốc, nghiên cứu sinh học phân tử và phát triển các phân tử sinh học tổng hợp.\u003C\u002Fp>\n\u003Cp>Ứng dụng tiềm năng bao gồm:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Thiết kế thuốc nhắm mục tiêu protein cụ thể và tối ưu hóa ligand\u003C\u002Fli>\n\u003Cli>Thiết kế enzyme và protein tổng hợp với chức năng đặc biệt\u003C\u002Fli>\n\u003Cli>Dự đoán cấu trúc phức hợp protein-protein, protein-ligand\u003C\u002Fli>\n\u003Cli>Nghiên cứu tác động của biến thể gen và đột biến\u003C\u002Fli>\n\u003Cli>Ứng dụng trong sinh học tổng hợp, y sinh học và công nghệ sinh học\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n\u003Cli>Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. \u003Cem>Nature\u003C\u002Fem>, 596, 583–589. \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41586-021-03819-2\" target=\"_blank\">https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41586-021-03819-2\u003C\u002Fa>\u003C\u002Fli>\n\u003Cli>RCSB Protein Data Bank. \u003Ca href=\"https:\u002F\u002Fwww.rcsb.org\u002F\" target=\"_blank\">https:\u002F\u002Fwww.rcsb.org\u002F\u003C\u002Fa>\u003C\u002Fli>\n\u003Cli>Leach, A. R. (2001). \u003Cem>Molecular Modelling: Principles and Applications\u003C\u002Fem>. Pearson.\u003C\u002Fli>\n\u003Cli>Guex, N., Peitsch, M. C. (1997). SWISS-MODEL and the Swiss-PdbViewer: An environment for comparative protein modeling. \u003Cem>Electrophoresis\u003C\u002Fem>, 18, 2714–2723.\u003C\u002Fli>\n\u003Cli>Huang, J., et al. (2017). CHARMM36m: an improved force field for folded and intrinsically disordered proteins. \u003Cem>Nature Methods\u003C\u002Fem>, 14, 71–73.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-12-01T11:30:04.337+00:00","2025-12-23T17:05:42.128+00:00","2025-12-23T17:05:42.126+00:00",84,[33,36,47,52,57,63,74,80,86,97],{"id":34,"title":35,"term":34,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cấu trúc 3d","Cấu trúc 3d là gì? Các bài nghiên cứu khoa học liên quan",{"id":37,"title":38,"term":39,"englishTitle":40,"definition":41,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"cơ chế phản ứng","Cơ chế phản ứng là gì? Các giai đoạn, phương pháp xác định và động học","Cơ chế phản ứng","Reaction mechanism","Cơ chế phản ứng là chuỗi tuần tự từng bước phản ứng cơ bản ở mức độ phân tử mô tả chi tiết cách thức các liên kết hóa học bị phá vỡ và hình thành để chuyển hóa các chất phản ứng ban đầu thành các sản phẩm cuối cùng.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":48,"title":49,"term":48,"englishTitle":50,"definition":51,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"cấu trúc bậc hai","Cấu trúc bậc hai của protein: Xoắn alpha, phiến beta và biểu đồ Ramachandran","Secondary structure","Cấu trúc bậc hai là cách sắp xếp không gian cục bộ tuần hoàn của chuỗi khung polypeptide trong phân tử protein hoặc acid nucleic, được duy trì ổn định chủ yếu nhờ các liên kết hydro giữa các nhóm liên kết peptide.",{"id":53,"title":54,"term":53,"englishTitle":55,"definition":56,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"plasma bụi","Plasma bụi là gì? Các bài báo nghiên cứu khoa học liên quan","Dusty plasma \u002F Complex plasma","Plasma bụi là môi trường plasma chứa các hạt bụi vi mô hoặc nano mang điện tích lơ lửng, tạo nên trạng thái vật chất phức hợp có các hiện tượng tập thể và sóng đặc thù.",{"id":58,"title":59,"term":60,"englishTitle":61,"definition":62,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"quang phổ ir","Quang phổ IR là gì? Định nghĩa và ứng dụng","Quang phổ IR","Infrared spectroscopy (IR spectroscopy)","Quang phổ hồng ngoại là kỹ thuật phân tích hóa lý dựa trên sự hấp thụ bức xạ hồng ngoại của các phân tử, làm kích thích các dao động kéo giãn và uốn của liên kết hóa học để định tính nhóm chức và cấu trúc phân tử.",{"id":64,"title":65,"term":66,"englishTitle":67,"definition":68,"discipline":69,"disciplineCode":70,"disciplineLabel":71,"disciplineColor":72,"disciplineIcon":73},"cấu trúc vật liệu","Cấu trúc vật liệu là gì? Định nghĩa và ứng dụng","Cấu trúc vật liệu","Material structure \u002F Microstructure","Cấu trúc vật liệu là sự sắp xếp không gian của các nguyên tử, ion, phân tử và các pha vi mô bên trong vật liệu, quyết định trực tiếp đến các cơ tính, lý tính, hóa tính và hiệu năng kỹ thuật của vật liệu đó.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":75,"title":76,"term":77,"englishTitle":78,"definition":79,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"cấu trúc chuyển tiếp","Cấu trúc chuyển tiếp là gì? Thuyết Eyring-Polanyi, bề mặt thế năng PES và hóa học Femto","Cấu trúc chuyển tiếp","transition state structure","Cấu trúc chuyển tiếp là cấu hình phân tử tương ứng với điểm yên ngựa bậc một trên bề mặt thế năng hóa học, đặc trưng bởi năng lượng tự do cao nhất trong quá trình chuyển hóa từ chất phản ứng thành sản phẩm.",{"id":81,"title":82,"term":83,"englishTitle":84,"definition":85,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"hợp chất vô cơ","Hợp chất vô cơ là gì? Các bài nghiên cứu khoa học liên quan","Hợp chất vô cơ","inorganic compound","Hợp chất vô cơ là các hợp chất hóa học không chứa liên kết carbon-hydro (C-H) đặc trưng của hóa học hữu cơ, bao gồm các muối vô cơ, acid vô cơ, base, oxit kim loại, phi kim và các phức chất phối trí.",{"id":87,"title":88,"term":89,"englishTitle":90,"definition":91,"discipline":92,"disciplineCode":93,"disciplineLabel":94,"disciplineColor":95,"disciplineIcon":96},"tập luyện ngắt quãng cường độ cao","Tập luyện ngắt quãng cường độ cao là gì? Hiệu quả của HIIT","Tập luyện ngắt quãng cường độ cao","high-intensity interval training","Tập luyện ngắt quãng cường độ cao (HIIT) là phương pháp rèn luyện thể chất xen kẽ liên tục giữa các đợt vận động bộc phát ở cường độ cao từ 80% đến 100% nhịp tim tối đa với các khoảng thời gian nghỉ ngơi hoặc vận động nhẹ phục hồi nhằm tối ưu hóa sức khỏe tim mạch và chuyển hóa.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":98,"title":99,"term":100,"englishTitle":101,"definition":102,"discipline":103,"disciplineCode":104,"disciplineLabel":105,"disciplineColor":106,"disciplineIcon":107},"tương tác giáo viên học sinh","Tương tác giáo viên học sinh là gì? Vai trò và ý nghĩa","Tương tác giáo viên học sinh","teacher-student interaction","Tương tác giáo viên học sinh là quá trình giao tiếp hai chiều liên tục mang tính sư phạm và tâm lý xã hội giữa nhà giáo dục và người học trong môi trường nhà trường, bao gồm các hành vi ngôn ngữ, phi ngôn ngữ, hỗ trợ cảm xúc và tổ chức học tập.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users"]