[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20h%C3%B3a%20di%20truy%E1%BB%81n{\"limit\":5}":3,"_public_topic_byId_mô hình hóa di truyền":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":17,"synonyms":10,"definition":18,"discipline":19,"references":20,"faqs":41,"createUser":51,"publishUser":55,"keywords":59,"keywordCount":70,"enrichTopicLink":71,"status":72,"createTime":73,"updateTime":74,"publishTime":75,"linkEnrichedTime":76,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":77,"relateTopics":78},"mô hình hóa di truyền","Mô hình hóa di truyền là gì? Nghiên cứu khoa học liên quan","Mô hình hóa di truyền là quá trình sử dụng công cụ toán học và thống kê để phân tích, mô tả và dự đoán cách các đặc điểm sinh học được di truyền. Phương pháp này giúp liên kết dữ liệu kiểu gen với kiểu hình, từ đó hỗ trợ nghiên cứu di truyền, y học chính xác và chọn giống trong nông nghiệp. ","\u003Ch2>Định nghĩa mô hình hóa di truyền\u003C\u002Fh2>\u003Cp>Mô hình hóa di truyền (genetic modeling) là quá trình xây dựng các mô hình toán học, thống kê hoặc mô phỏng máy tính để mô tả, phân tích và dự đoán cách các đặc điểm sinh học được di truyền qua các thế hệ. Mục tiêu chính của mô hình là hiểu rõ mối quan hệ giữa kiểu gen (genotype), kiểu hình (phenotype), và các yếu tố môi trường ảnh hưởng đến sự biểu hiện của đặc điểm đó.\u003C\u002Fp>\u003Cp>Mô hình hóa di truyền không chỉ giúp mô tả các quy luật di truyền cổ điển như của Mendel mà còn mở rộng đến các tính trạng đa yếu tố và phức tạp như chiều cao, huyết áp, hoặc nguy cơ mắc các bệnh mãn tính. Các mô hình này ngày càng đóng vai trò quan trọng trong nghiên cứu di truyền học người, chọn giống cây trồng vật nuôi, và y học chính xác.\u003C\u002Fp>\u003Cp>Việc sử dụng các công cụ mô hình hóa cho phép nhà khoa học tích hợp dữ liệu từ nhiều cấp độ – từ trình tự DNA, biểu hiện RNA, protein đến dữ liệu môi trường – nhằm tạo ra một khung phân tích thống nhất và dự đoán chính xác hơn các đặc tính sinh học trong tự nhiên và trong phòng thí nghiệm.\u003C\u002Fp>\u003Ch2>Phân loại mô hình di truyền\u003C\u002Fh2>\u003Cp>Mô hình di truyền có thể được phân loại theo nhiều tiêu chí, nhưng cách phổ biến nhất là dựa vào mức độ phức tạp của đặc điểm và nguồn dữ liệu sử dụng. Dưới đây là một số loại mô hình phổ biến trong di truyền học hiện đại:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Mô hình Mendel:\u003C\u002Fstrong> mô tả sự di truyền của một hoặc một vài gene theo quy luật tách và phân ly độc lập. Dễ hiểu, phù hợp với tính trạng đơn gen.\u003C\u002Fli>\u003Cli>\u003Cstrong>Mô hình tính trạng số lượng (quantitative models):\u003C\u002Fstrong> phân tích tính trạng bị chi phối bởi nhiều gene nhỏ và chịu ảnh hưởng bởi môi trường như chiều cao, năng suất, khối lượng.\u003C\u002Fli>\u003Cli>\u003Cstrong>Mô hình liên kết và liên kết toàn bộ hệ gen (linkage & GWAS):\u003C\u002Fstrong> sử dụng thống kê để tìm ra mối quan hệ giữa biến thể gen và tính trạng phức tạp.\u003C\u002Fli>\u003Cli>\u003Cstrong>Mô hình dựa trên học máy và Bayes:\u003C\u002Fstrong> mô hình tiên đoán với hàng nghìn biến đầu vào, tận dụng dữ liệu lớn và kỹ thuật tiên tiến.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Bảng so sánh các loại mô hình:\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\u003Cthead>\u003Ctr>\u003Cth>Loại mô hình\u003C\u002Fth>\u003Cth>Đặc điểm chính\u003C\u002Fth>\u003Cth>Ứng dụng tiêu biểu\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Mendel\u003C\u002Ftd>\u003Ctd>Đơn giản, phân tích 1 gene\u003C\u002Ftd>\u003Ctd>Bệnh di truyền đơn gene như xơ nang\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tính trạng số lượng\u003C\u002Ftd>\u003Ctd>Phân tích nhiều gene + môi trường\u003C\u002Ftd>\u003Ctd>Chiều cao, khối lượng cơ thể\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GWAS\u003C\u002Ftd>\u003Ctd>Liên kết thống kê trên quy mô genome\u003C\u002Ftd>\u003Ctd>Tiên đoán nguy cơ bệnh mãn tính\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Machine learning\u003C\u002Ftd>\u003Ctd>Tiên đoán phi tuyến, xử lý big data\u003C\u002Ftd>\u003Ctd>Y học cá thể hóa, chọn giống tự động\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>Các biến thể di truyền và vai trò trong mô hình hóa\u003C\u002Fh2>\u003Cp>Mô hình hóa di truyền dựa vào các biến thể trong bộ gen để xác định và giải thích sự khác biệt về kiểu hình giữa các cá thể. Các biến thể này có thể là đột biến điểm (SNP), chèn hoặc xóa (indel), biến thể số lượng bản sao (CNV), hoặc {{topic|%7B%22topic%22%3A%22t%C3%A1i%20t%E1%BB%95%20h%E1%BB%A3p%20di%20truy%E1%BB%81n%22%7D}}. Chúng ảnh hưởng đến cấu trúc gene, điều hòa biểu hiện, hoặc chức năng protein mã hóa.\u003C\u002Fp>\u003Cp>SNP (Single Nucleotide Polymorphism) là biến thể phổ biến nhất và thường được dùng làm chỉ dấu di truyền trong các nghiên cứu liên kết. Việc xác định SNP liên quan đến một đặc điểm giúp xây dựng mô hình dự đoán hoặc xác định cơ chế sinh học tiềm năng. Các cơ sở dữ liệu như \u003Ca href=\"https:\u002F\u002Fwww.ebi.ac.uk\u002Fgwas\u002F\" target=\"_blank\">NHGRI-EBI GWAS Catalog\u003C\u002Fa> cung cấp hàng nghìn liên kết SNP–kiểu hình đã được xác thực trên quy mô toàn cầu.\u003C\u002Fp>\u003Cp>Vai trò của {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20th%E1%BB%83%20di%20truy%E1%BB%81n%22%7D}} trong mô hình hóa gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Làm đầu vào cho mô hình dự đoán kiểu hình hoặc nguy cơ bệnh\u003C\u002Fli>\u003Cli>Xác định loci di truyền có ảnh hưởng lớn đến tính trạng\u003C\u002Fli>\u003Cli>Tạo marker phân tử trong chọn giống\u003C\u002Fli>\u003Cli>Khám phá cơ chế phân tử nền tảng của bệnh\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Mô hình Mendel và ứng dụng cơ bản\u003C\u002Fh2>\u003Cp>Mô hình Mendel là nền tảng của di truyền học cổ điển, mô tả cách các alen được di truyền từ bố mẹ sang con theo tỷ lệ xác suất. Với giả định về alen trội và lặn, các mô hình này giúp tiên đoán tần số kiểu hình\u002Fkiểu gen trong các thế hệ con theo các quy luật:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">P(AA) = p^2,\\quad P(Aa) = 2pq,\\quad P(aa) = q^2\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó, \u003Cscript type=\"math\u002Ftex\">p\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">q\u003C\u002Fscript> là tần số alen A và a trong quần thể. Các mô hình Mendel đơn giản thích hợp cho các đặc điểm do một gene đơn lẻ kiểm soát, chẳng hạn như bệnh Huntington (trội) hoặc xơ nang (lặn).\u003C\u002Fp>\u003Cp>Mô hình Mendel thường được minh họa bằng bảng Punnett hoặc cây phả hệ, giúp các nhà nghiên cứu và bác sĩ tư vấn di truyền đánh giá xác suất di truyền bệnh trong gia đình. Ứng dụng trong y học bao gồm {{topic|%7B%22topic%22%3A%22ch%E1%BA%A9n%20%C4%91o%C3%A1n%20tr%C6%B0%E1%BB%9Bc%20sinh%22%7D}}, xác định người mang gene lặn, và phân tích phả hệ bệnh di truyền hiếm gặp.\u003C\u002Fp>\n\u003Ch2>Mô hình tính trạng số lượng\u003C\u002Fh2>\u003Cp>Mô hình hóa tính trạng số lượng nhằm giải thích các đặc điểm sinh học bị ảnh hưởng bởi nhiều gene (đa gene) và yếu tố môi trường, chẳng hạn như chiều cao, cân nặng, {{topic|%7B%22topic%22%3A%22n%C4%83ng%20su%E1%BA%A5t%20c%C3%A2y%20tr%E1%BB%93ng%22%7D}}, sản lượng sữa bò hoặc huyết áp. Những tính trạng này không tuân theo quy luật Mendel đơn giản mà yêu cầu phương pháp thống kê để mô tả phân phối liên tục của kiểu hình trong quần thể.\u003C\u002Fp>\u003Cp>Phương trình cơ bản thường sử dụng trong mô hình này là:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">P = G + E\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó: \u003Cscript type=\"math\u002Ftex\">P\u003C\u002Fscript> là kiểu hình quan sát được, \u003Cscript type=\"math\u002Ftex\">G\u003C\u002Fscript> là thành phần di truyền và \u003Cscript type=\"math\u002Ftex\">E\u003C\u002Fscript> là ảnh hưởng của môi trường. G có thể tiếp tục phân tách thành các hiệu ứng di truyền cộng gộp (additive), trội (dominant) và tương tác giữa các gene (epistasis).\u003C\u002Fp>\u003Cp>Các mô hình dựa trên BLUP (Best Linear Unbiased Prediction) và REML (Restricted Maximum Likelihood) thường được dùng trong chọn giống để ước lượng giá trị di truyền và dự đoán kiểu hình. Ví dụ, các nhà chọn giống có thể {{topic|%7B%22topic%22%3A%22d%E1%BB%B1%20%C4%91o%C3%A1n%20n%C4%83ng%20su%E1%BA%A5t%22%7D}} lúa dựa trên dữ liệu gen SNP và hiệu ứng di truyền thuần túy đã được ước lượng từ mô hình thống kê.\u003C\u002Fp>\u003Ch2>GWAS và mô hình liên kết toàn bộ hệ gen\u003C\u002Fh2>\u003Cp>GWAS (Genome-Wide Association Studies) là phương pháp phổ biến để xác định mối liên hệ giữa các biến thể di truyền (đặc biệt là SNP) và đặc điểm kiểu hình trong quần thể lớn. Đây là một dạng mô hình thống kê hồi quy, được thực hiện trên hàng triệu điểm SNP để kiểm tra sự liên kết giữa mỗi biến thể với một tính trạng cụ thể.\u003C\u002Fp>\u003Cp>Mô hình hồi quy đơn biến trong GWAS thường có dạng:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">Y = \\beta_0 + \\beta_1 X + \\epsilon\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó: \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> là giá trị kiểu hình, \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> là biến nhị phân hoặc số đại diện cho kiểu gen (ví dụ 0, 1, 2 tương ứng với số bản sao của alen thiểu số), \u003Cscript type=\"math\u002Ftex\">\\beta_1\u003C\u002Fscript> là hệ số hiệu ứng di truyền và \u003Cscript type=\"math\u002Ftex\">\\epsilon\u003C\u002Fscript> là sai số ngẫu nhiên.\u003C\u002Fp>\u003Cp>Do số lượng kiểm định rất lớn, các nghiên cứu GWAS phải sử dụng các phương pháp hiệu chỉnh để kiểm soát xác suất sai lệch loại I, chẳng hạn hiệu chỉnh Bonferroni hoặc FDR (False Discovery Rate). Các mô hình này đã giúp phát hiện hàng nghìn loci liên quan đến bệnh tật phức tạp như đái tháo đường, tim mạch, {{topic|%7B%22topic%22%3A%22r%E1%BB%91i%20lo%E1%BA%A1n%20t%C3%A2m%20th%E1%BA%A7n%22%7D}} và ung thư.\u003C\u002Fp>\u003Cp>Dữ liệu GWAS hiện có thể được truy cập công khai qua \u003Ca href=\"https:\u002F\u002Fwww.ebi.ac.uk\u002Fgwas\u002F\" target=\"_blank\">NHGRI-EBI GWAS Catalog\u003C\u002Fa>, một nguồn tài nguyên lớn cho các nhà nghiên cứu mô hình hóa di truyền.\u003C\u002Fp>\u003Ch2>Ứng dụng trong y học di truyền\u003C\u002Fh2>\u003Cp>Mô hình hóa di truyền trong y học giúp xây dựng các công cụ tiên đoán nguy cơ bệnh tật và {{topic|%7B%22topic%22%3A%22c%C3%A1%20nh%C3%A2n%20h%C3%B3a%20%C4%91i%E1%BB%81u%20tr%E1%BB%8B%22%7D}}. Điểm đa gen (Polygenic Risk Score – PRS) là ví dụ điển hình. PRS được tính bằng tổng các biến thể gen có trọng số từ GWAS, cung cấp một thước đo nguy cơ cá nhân mắc bệnh di truyền phức tạp.\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">PRS = \\sum_{i=1}^{n} \\beta_i x_i\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó: \u003Cscript type=\"math\u002Ftex\">\\beta_i\u003C\u002Fscript> là trọng số (hiệu ứng) của SNP thứ i và \u003Cscript type=\"math\u002Ftex\">x_i\u003C\u002Fscript> là số bản sao của alen nguy cơ. PRS đã được chứng minh là có giá trị trong dự đoán nguy cơ mắc bệnh tim mạch, ung thư vú, tiểu đường type 2 và một số {{topic|%7B%22topic%22%3A%22r%E1%BB%91i%20lo%E1%BA%A1n%20th%E1%BA%A7n%20kinh%22%7D}}.\u003C\u002Fp>\u003Cp>Ứng dụng lâm sàng còn bao gồm xác định cá thể đáp ứng thuốc (pharmacogenomics), tiên đoán tác dụng phụ, và thiết kế phác đồ điều trị phù hợp dựa trên hồ sơ di truyền. Tham khảo chi tiết tại \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41576-018-0018-x\" target=\"_blank\">Nature Reviews Genetics\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2>Mô hình hóa trong chọn giống cây trồng và vật nuôi\u003C\u002Fh2>\u003Cp>Trong lĩnh vực nông nghiệp, mô hình hóa di truyền là công cụ quan trọng để tăng tốc chọn giống và cải thiện tính trạng kinh tế. Các mô hình tiên đoán như GBLUP (Genomic Best Linear Unbiased Prediction), BayesA\u002FB\u002FC, hoặc machine learning được sử dụng để dự đoán hiệu suất của các giống cây trồng, vật nuôi dựa trên dữ liệu di truyền.\u003C\u002Fp>\u003Cp>Điểm mạnh của các mô hình này là khả năng tận dụng dữ liệu từ hàng nghìn SNP cùng lúc, giúp tăng độ chính xác trong việc chọn lọc cá thể ưu tú. Việc này không chỉ tăng tốc độ cải thiện giống mà còn giảm chi phí và số thế hệ cần thiết trong chương trình lai tạo.\u003C\u002Fp>\u003Cp>Ví dụ: trong chăn nuôi bò sữa, các nhà chọn giống sử dụng mô hình GBLUP để dự đoán sản lượng sữa, thành phần sữa, và khả năng sinh sản từ dữ liệu SNP của bê non, thay vì đợi {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20th%E1%BB%B1c%20nghi%E1%BB%87m%22%7D}} sau nhiều năm nuôi dưỡng.\u003C\u002Fp>\u003Ch2>Hạn chế và thách thức\u003C\u002Fh2>\u003Cp>Dù có nhiều ưu điểm, mô hình hóa di truyền cũng đối mặt với nhiều giới hạn. Thứ nhất là vấn đề độ di truyền thấp của nhiều tính trạng, khiến việc dự đoán trở nên kém chính xác. Thứ hai là hiện tượng population stratification – sai lệch do cấu trúc dân số – có thể tạo ra các liên kết giả trong phân tích.\u003C\u002Fp>\u003Cp>Bên cạnh đó, các mô hình dựa trên học máy thường yêu cầu cỡ mẫu lớn và dữ liệu chất lượng cao, điều không dễ có được trong một số lĩnh vực như y học hiếm gặp. Ngoài ra, việc mở rộng mô hình từ quần thể nghiên cứu sang quần thể ứng dụng thường bị giảm độ chính xác do sự khác biệt về di truyền và môi trường.\u003C\u002Fp>\u003Cp>Giải pháp hiện tại gồm: tích hợp dữ liệu đa tầng (multi-omics), cải tiến thuật toán hiệu chỉnh nhiễu, sử dụng mô hình phi tuyến hoặc mô hình học sâu (deep learning), và tăng cỡ mẫu qua {{topic|%7B%22topic%22%3A%22h%E1%BB%A3p%20t%C3%A1c%20nghi%C3%AAn%20c%E1%BB%A9u%22%7D}} quốc tế.\u003C\u002Fp>","Genetic Modeling","Mô hình hóa di truyền là phương pháp ứng dụng các mô hình toán học, xác suất thống kê và thuật toán điện toán nhằm mô phỏng quy luật di truyền, cấu trúc hệ gen và dự đoán kiểu hình trong quần thể sinh vật.","NATURAL_SCIENCES",[21,28,35],{"citationText":22,"title":23,"authors":24,"source":25,"year":26,"doi":27,"url":10},"Che, R., Motsinger-Reif, A. (2012). A New Explained-Variance Based Genetic Risk Score for Predictive Modeling of Disease Risk. Statistical Applications in Genetics and Molecular Biology.","A New Explained-Variance Based Genetic Risk Score for Predictive Modeling of Disease Risk","Che, R., Motsinger-Reif, A.","Statistical Applications in Genetics and Molecular Biology",2012,"10.1515\u002F1544-6115.1796",{"citationText":29,"title":30,"authors":31,"source":32,"year":33,"doi":34,"url":10},"Schliekelman, P. (2008). Statistical Power of Expression Quantitative Trait Loci for Mapping of Complex Trait Loci in Natural Populations. Genetics.","Statistical Power of Expression Quantitative Trait Loci for Mapping of Complex Trait Loci in Natural Populations","Schliekelman, P.","Genetics",2008,"10.1534\u002Fgenetics.107.076687",{"citationText":36,"title":37,"authors":38,"source":32,"year":39,"doi":40,"url":10},"Chen, M., Kendziorski, C. (2007). A Statistical Framework for Expression Quantitative Trait Loci Mapping. Genetics.","A Statistical Framework for Expression Quantitative Trait Loci Mapping","Chen, M., Kendziorski, C.",2007,"10.1534\u002Fgenetics.107.071407",[42,45,48],{"question":43,"answer":44},"Mô hình hóa di truyền đóng vai trò gì trong phân tích tính trạng số lượng (QTL)?","Mô hình giúp ước lượng các tham số di truyền như độ di truyền, phân tích tương tác gen-môi trường và định vị các locus đóng góp vào các tính trạng số lượng phức tạp.",{"question":46,"answer":47},"Điểm số nguy cơ đa gen (PRS) trong mô hình hóa GWAS là gì?","PRS là chỉ số tổng hợp tác động của hàng nghìn biến thể đơn nucleotide (SNP) trên toàn bộ hệ gen để định lượng mức độ nhạy cảm di truyền đối với bệnh lý phức tạp.",{"question":49,"answer":50},"Mô hình hỗn hợp tuyến tính (LMM) hỗ trợ giải quyết vấn đề gì trong di truyền học?","LMM giúp kiểm soát hiệu quả cấu trúc quần thể và quan hệ họ hàng giữa các cá thể, hạn chế kết quả dương tính giả trong các nghiên cứu liên kết toàn hệ gen.",{"id":52,"researcherId":10,"name":53,"imageUrl":54},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":56,"researcherId":10,"name":57,"imageUrl":58},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[60,61,62,63,64,65,66,67,68,69],"tái tổ hợp di truyền","biến thể di truyền","chẩn đoán trước sinh","năng suất cây trồng","dự đoán năng suất","rối loạn tâm thần","cá nhân hóa điều trị","rối loạn thần kinh","dữ liệu thực nghiệm","hợp tác nghiên cứu",10,true,"PUBLISHED","2025-08-13T01:25:39.358+00:00","2026-09-12T14:14:12.055+00:00","2025-08-13T04:04:01.402+00:00","2026-09-12T14:14:11.549+00:00",234,[79,82,85,88,91,94,97,100,103,113],{"id":80,"title":81,"term":80,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":83,"title":84,"term":83,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bất bình đẳng xã hội","Bất bình đẳng xã hội là gì? Các bài báo nghiên cứu khoa học",{"id":86,"title":87,"term":86,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phân loại cảm xúc","Phân loại cảm xúc là gì? Các nghiên cứu khoa học liên quan",{"id":89,"title":90,"term":89,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cố định đạm","Cố định đạm là gì? Các nghiên cứu khoa học về Cố định đạm",{"id":92,"title":93,"term":92,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"rhizobium","Rhizobium là gì? Các nghiên cứu khoa học về Rhizobium",{"id":95,"title":96,"term":95,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"công trình thủy lợi","Công trình thủy lợi là gì? Các công bố khoa học về Công trình thủy lợi",{"id":98,"title":99,"term":98,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tâm lý học lâm sàng","Tâm lý học lâm sàng là gì? Các nghiên cứu khoa học ",{"id":101,"title":102,"term":101,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ketamin","Ketamin là gì? Các nghiên cứu khoa học về Ketamin",{"id":104,"title":105,"term":104,"englishTitle":106,"definition":107,"discipline":108,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"báo cáo ca bệnh","Báo cáo ca bệnh là gì? Các nghiên cứu khoa học liên quan","case report","Báo cáo ca bệnh (case report) là một ấn phẩm y học mô tả chi tiết và có hệ thống về triệu chứng, chẩn đoán, điều trị và diễn tiến bất thường hoặc hiếm gặp của một bệnh nhân đơn lẻ trong thực hành lâm sàng.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":114,"title":115,"term":114,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ứng suất dư","Ứng suất dư là gì? Các nghiên cứu khoa học về Ứng suất dư"]