Phân tích dữ liệu sinh học bao gồm những tầng dữ liệu nào?

Phân tích dữ liệu sinh học xử lý nhiều tầng dữ liệu omics phức tạp bao gồm hệ gen (Genomics), hệ phiên mã (Transcriptomics), hệ biểu sinh (Epigenomics), hệ protein (Proteomics) và hệ chuyển hóa (Metabolomics), từ mức mẫu mô tổng thể đến từng tế bào đơn lẻ.

Tại sao phân tích RNA-seq sử dụng mô hình nhị thức âm thay vì phân phối chuẩn hay Poisson?

Dữ liệu RNA-seq là dữ liệu đếm số nguyên không âm có phương sai thực nghiệm lớn hơn giá trị trung bình (hiện tượng overdispersion do biến thiên sinh học). Mô hình nhị thức âm (Negative Binomial) cho phép mô hình hóa tham số độ phân tán riêng biệt, khắc phục sự vi phạm giả định của phân phối Poisson.

Kiểm soát FDR theo phương pháp Benjamini-Hochberg có vai trò gì trong phân tích biểu hiện gen?

Khi so sánh biểu hiện của hàng chục nghìn gen đồng thời, bài toán kiểm định giả thuyết nhiều lần làm tăng đột biến dương tính giả. Phương pháp Benjamini-Hochberg (1995) kiểm soát tỷ lệ kỳ vọng của các kết quả dương tính giả trên tổng số các phát hiện có ý nghĩa, cân bằng giữa độ nhạy phát hiện và độ tin cậy thống kê.

Thuật toán BWA và Bowtie 2 tối ưu hóa việc gióng hàng chuỗi giải trình tự như thế nào?

Cả BWA (Li & Durbin 2009) và Bowtie 2 (Langmead & Salzberg 2012) đều ứng dụng biến đổi Burrows-Wheeler (BWT) kết hợp chỉ mục FM-index, giúp nén toàn bộ hệ gen người vào bộ nhớ RAM từ 2 GB đến 4 GB và tăng tốc độ tìm kiếm đoạn đọc giải trình tự lên hàng chục đến hàng trăm lần so với các thuật toán quy hoạch động truyền thống.

Phân tích dữ liệu sinh học là gì? Quy trình và mô hình

Phân tích dữ liệu sinh học (biological data analysis) là quá trình ứng dụng các nguyên lý toán học, mô hình xác suất thống kê và thuật toán khoa học máy tính để tiền xử lý, mô hình hóa, trích xuất tri thức và diễn giải các tập dữ liệu sinh học quy mô lớn thu nhận từ các công nghệ thực nghiệm hiện đại. Lĩnh vực này đóng vai trò cầu nối trung tâm giữa nguồn dữ liệu thô từ các hệ thống giải trình tự thế hệ mới (NGS), phổ khối (mass spectrometry), công nghệ tế bào đơn và các khám phá về cơ chế sinh học phân tử, di truyền học cũng như y học chính xác. Bài viết này trình bày các tầng dữ liệu sinh học đặc trưng, các quy trình phân tích chuẩn mực từ mức chuỗi đến đơn tế bào, các mô hình thống kê chuyên sâu, cùng các thách thức và hướng phát triển hiện đại.

Bản chất và cấu trúc của dữ liệu sinh học hiện đại

Sự bùng nổ của các công nghệ thông lượng cao đã chuyển đổi sinh học từ một ngành khoa học quan sát định tính sang khoa học dựa trên dữ liệu định lượng lớn. Dữ liệu sinh học phân tử được cấu trúc theo nhiều tầng bậc phức tạp:

Dữ liệu hệ gen (Genomics): Bao gồm chuỗi nucleotide của hệ gen, các biến dị nucleotide đơn (SNPs), các biến dị cấu trúc (CNVs, đảo đoạn, chuyển vị) và các đoạn đọc giải trình tự ngắn hoặc dài.
Dữ liệu hệ phiên mã (Transcriptomics): Phản ánh số lượng và mức độ biểu hiện của các phân tử RNA thông tin (mRNA), RNA không mã hóa (ncRNA) trong mẫu mô tổng thể (bulk RNA-seq) hoặc tại từng tế bào riêng lẻ (single-cell RNA-seq).
Dữ liệu hệ biểu sinh (Epigenomics): Ghi nhận các biến đổi hóa học trên phân tử DNA (methyl hóa DNA) và protein histone (ChIP-seq, CUT&Tag) cũng như trạng thái mở của chất nhiễm sắc (ATAC-seq).
Dữ liệu hệ protein (Proteomics) và hệ chuyển hóa (Metabolomics): Định lượng hàm lượng protein, các biến đổi sau dịch mã và các chất chuyển hóa trung gian thông qua phương pháp phổ khối.

Đặc điểm cốt lõi của các tập dữ liệu này là tính đa chiều cực cao, trong đó số lượng biến số sinh học cần đo đạc (hàng chục nghìn gen hoặc hàng triệu biến dị) lớn hơn rất nhiều so với số lượng mẫu thực nghiệm quan sát được ( $p \gg n$ ). Điều này đòi hỏi các giải pháp phân tích đặc thù để tránh hiện tượng quá khớp và suy diễn sai lệch.

Quy trình tiền xử lý và gióng hàng chuỗi sinh học

Trong các thí nghiệm giải trình tự gen và phiên mã, dữ liệu thô xuất ra từ thiết bị giải trình tự thường ở định dạng FASTQ, chứa hàng chục triệu đoạn đọc kèm theo chỉ số chất lượng Phred score cho từng nucleotide. Quy trình xử lý bao gồm các giai đoạn kế tiếp nhau:

1. Kiểm soát chất lượng và lọc dữ liệu thô

Kiểm tra phân bố chất lượng đọc, hàm lượng GC và sự hiện diện của đoạn mồi (adapter). Các nucleotide có chất lượng thấp ở hai đầu đoạn đọc được cắt tỉa để tránh gây nhiễu cho các thuật toán gióng hàng tiếp theo.

2. Gióng hàng chuỗi vào hệ gen tham chiếu

Gióng hàng là bài toán tìm vị trí nguồn gốc của từng đoạn đọc trên hệ gen tham chiếu. Do kích thước hệ gen lớn, các thuật toán quy hoạch động truyền thống (như Needleman-Wunsch hay Smith-Waterman) không khả thi về mặt thời gian tính toán.

Để giải quyết bài toán tìm kiếm tương đồng cục bộ trong cơ sở dữ liệu chuỗi lớn, Altschul và cộng sự (1990) đã giới thiệu thuật toán BLAST (Basic Local Alignment Search Tool). Thuật toán sử dụng phương pháp heuristic dựa trên việc tìm kiếm các từ hạt giống ngắn (seed words hoặc k-mers) có điểm số tương đồng vượt ngưỡng xác định, sau đó mở rộng sang hai phía để tạo thành các đoạn gióng hàng cục bộ có điểm số cao (High-scoring Segment Pairs - HSPs) mà không cần lấp đầy toàn bộ ma trận quy hoạch động.

Đối với dữ liệu giải trình tự thế hệ mới với hàng trăm triệu đoạn đọc ngắn, Li và Durbin (2009) đã phát triển phần mềm BWA (Burrows-Wheeler Aligner). BWA ứng dụng biến đổi Burrows-Wheeler (BWT) kết hợp cấu trúc mảng chỉ số FM-index, cho phép nén toàn bộ hệ gen người vào bộ nhớ RAM chỉ khoảng 2 GB đến 4 GB (với chỉ mục thực tế yêu cầu khoảng 3 GB bộ nhớ) và thực hiện tìm kiếm chuỗi với độ phức tạp thời gian tỷ lệ thuận với chiều dài đoạn đọc.

Nối tiếp hướng tiếp cận này, Langmead và Salzberg (2012) công bố thuật toán Bowtie 2, mở rộng cấu trúc FM-index để hỗ trợ cơ chế gióng hàng có chèn khoảng trống (gapped alignment) và chế độ gióng hàng cục bộ, đặc biệt hiệu quả đối với các đoạn đọc dài hơn 50 base pairs và cho phép phát hiện các biến dị mất đoạn hoặc chèn đoạn nhỏ.

Mô hình thống kê trong phân tích biểu hiện gen RNA-seq

Sau khi gióng hàng, số lượng đoạn đọc rơi vào từng vùng gen được đếm để định lượng mức độ biểu hiện. Do bản chất dữ liệu đếm là các số nguyên không âm và có sự biến thiên sinh học lớn giữa các mẫu lặp, các giả định phân phối chuẩn thông thường không phù hợp.

1. Mô hình phân phối nhị thức âm (Negative Binomial Distribution)

Trong dữ liệu đếm RNA-seq, phương sai thực nghiệm luôn lớn hơn giá trị trung bình (hiện tượng phân tán vượt mức - overdispersion), khiến phân phối Poisson bị vi phạm. Love, Huber và Anders (2014) trong gói phần mềm DESeq2 đã thiết lập mô hình hồi quy tuyến tính tổng quát nhị thức âm (Negative Binomial GLM):

K_{ij} \sim \text{NB}(\mu_{ij}, \alpha_i)

Trong đó, $K_{ij}$ là số lượng đoạn đọc của gen $i$ trong mẫu $j$ , $\mu_{ij}$ là giá trị trung bình kỳ vọng, và $\alpha_i$ là tham số độ phân tán của gen $i$ . Mối quan hệ giữa phương sai và giá trị trung bình được xác định bởi công thức:

\text{Var}(K_{ij}) = \mu_{ij} + \alpha_i \mu_{ij}^2

DESeq2 sử dụng kỹ thuật co ước lượng Bayes thực nghiệm (Empirical Bayes shrinkage) để chia sẻ thông tin phân tán giữa hàng nghìn gen, giúp ổn định ước lượng phương sai ngay cả khi số lượng mẫu lặp sinh học rất nhỏ.

2. Kiểm soát tỷ lệ phát hiện sai (False Discovery Rate - FDR)

Khi tiến hành so sánh biểu hiện của hàng chục nghìn gen đồng thời, bài toán kiểm định giả thuyết nhiều lần (multiple testing problem) làm gia tăng đột biến sai số loại I (dương tính giả). Việc áp dụng hiệu chỉnh Bonferroni quá nghiêm ngặt dẫn đến mất đi nhiều phát hiện sinh học thực tế.

Quy trình của Benjamini và Hochberg (1995) đưa ra phương pháp kiểm soát tỷ lệ phát hiện sai (FDR), định nghĩa là tỷ lệ kỳ vọng của các kết quả dương tính giả trên tổng số các kết quả được coi là có ý nghĩa thống kê. Các giá trị p-value được sắp xếp theo thứ tự tăng dần $P_{(1)} \le P_{(2)} \le \dots \le P_{(m)}$ . Thủ tục step-up xác định chỉ số lớn nhất $k$ thỏa mãn bất đẳng thức:

P_{(k)} \le \frac{k}{m} Q

và bác bỏ toàn bộ các giả thuyết không $H_{(1)}, \dots, H_{(k)}$ . Trong công thức này, $P_{(k)}$ là giá trị p-value xếp hạng thứ $k$ , $m$ là tổng số gen (hoặc giả thuyết) được kiểm định đồng thời, và $Q$ là ngưỡng tỷ lệ phát hiện sai mong muốn được ấn định trước.

Phân tích dữ liệu đơn tế bào và đa tầng omics (Single-Cell & Multi-Omics)

Các công nghệ giải trình tự đơn tế bào cho phép khảo sát tính không đồng nhất của quần thể tế bào ở độ phân giải chưa từng có. Tuy nhiên, dữ liệu đơn tế bào mang các đặc trưng toán học phức tạp như ma trận đếm thưa thớt, tỷ lệ giá trị bằng không cao do hiện tượng rơi rụng kỹ thuật (drop-out) và nhiễu kỹ thuật mẻ (batch effect).

Tiêu chí so sánh	Phân tích RNA-seq tổng thể (Bulk RNA-seq)	Phân tích RNA-seq đơn tế bào (scRNA-seq)
Độ phân giải sinh học	Mức độ trung bình của hàng triệu tế bào trong một khối mô.	Độ phân giải từng tế bào riêng biệt.
Cấu trúc ma trận dữ liệu	Ma trận gen tương ứng với số lượng mẫu (số mẫu thường nhỏ).	Ma trận gen tương ứng với từng tế bào (hàng chục nghìn tế bào, độ thưa cao).
Mô hình giảm chiều chính	Phân tích thành phần chính (PCA).	Kết hợp PCA với UMAP hoặc t-SNE trên đồ thị láng giềng.
Mục tiêu sinh học chính	Xác định gen biểu hiện khác biệt giữa các nhóm bệnh lý.	Phát hiện loại tế bào mới, trạng thái tế bào và quỹ đạo biệt hóa.

Hao và cộng sự (2021) trong bộ công cụ Seurat v4 đã giới thiệu phương pháp phân tích mạng láng giềng có trọng số (Weighted Nearest Neighbor - WNN). Thuật toán này cho phép tích hợp đồng thời nhiều phương thức dữ liệu đo đạc trên cùng một tế bào đơn (ví dụ kết hợp dữ liệu phiên mã scRNA-seq với dữ liệu biểu hiện protein bề mặt CITE-seq), tự động học trọng số đặc trưng của từng phương thức để tái cấu trúc không gian trạng thái tế bào một cách chính xác.

Các phương pháp khai phá tri thức chức năng sinh học

Sau khi xác định danh sách các gen hoặc phân tử có ý nghĩa thống kê, bước tiếp theo trong phân tích dữ liệu sinh học là gắn kết các phân tử này với các chức năng sinh lý và con đường tín hiệu tế bào:

Phân tích làm giàu tập gen (Over-Representation Analysis - ORA): Sử dụng kiểm định siêu bội (Hypergeometric test) hoặc kiểm định chính xác Fisher để xác định xem danh sách gen mục tiêu có tập trung bất thường vào một thuật ngữ bản thể học gen (Gene Ontology - GO) hoặc con đường tín hiệu KEGG hay không.
Phân tích làm giàu tập gen theo xếp hạng (Gene Set Enrichment Analysis - GSEA): Không sử dụng ngưỡng cắt cứng mà xếp hạng toàn bộ các gen theo mức độ thay đổi biểu hiện, đánh giá xem các tập gen chức năng có xu hướng tập trung ở đỉnh hoặc đáy của danh sách xếp hạng hay không.
Phân tích mạng tương tác sinh học (Network Biology): Xây dựng mạng tương tác protein-protein (PPI) hoặc mạng đồng biểu hiện gen (WGCNA) để xác định các gen trung tâm (hub genes) điều phối mạng lưới sinh học.

Thách thức tính toán và ranh giới nghiên cứu mở

Mặc dù các phương pháp phân tích dữ liệu sinh học đã phát triển vượt bậc, ngành khoa học này vẫn đang đối mặt với nhiều thách thức căn bản:

Vấn đề hiệu ứng mẻ và khả năng tái lập: Dữ liệu sinh học cực kỳ nhạy cảm với các yếu tố kỹ thuật như lô hóa chất, người thao tác, ngày tiến hành thí nghiệm. Các phương pháp hiệu chỉnh hiệu ứng mẻ (như ComBat, Harmony) đôi khi có nguy cơ triệt tiêu luôn cả các biến thiên sinh học thực sự nếu thiết kế thí nghiệm bị mất cân bằng.
Tích hợp dữ liệu không gian (Spatial Omics): Sự xuất hiện của công nghệ phiên mã không gian (Spatial Transcriptomics) đặt ra bài toán mô hình hóa đồng thời tọa độ không gian 2D/3D của mô cùng với ma trận biểu hiện gen, đòi hỏi các thuật toán thống kê không gian và học sâu đồ thị mới.
Ứng dụng các mô hình nền tảng (Biological Foundation Models): Các mô hình ngôn ngữ lớn huấn luyện trên hàng triệu tế bào và chuỗi gen (như scGPT, Geneformer) đang mở ra hướng suy luận cơ chế phân tử mới nhưng đòi hỏi tài nguyên tính toán khổng lồ và các tiêu chuẩn kiểm thử thực nghiệm chặt chẽ để tránh suy diễn sai lệch.