[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_transcriptomics{\"limit\":5}":3,"_public_topic_byId_transcriptomics":51},{"code":4,"data":5,"meta":17},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":49,"vietnamLatest":50},[],[8,23,37],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":17,"publishYear":17,"totalCitation":19,"url":20,"doi":21,"summary":22},"c1f4143e-b262-4a3d-a184-3f710f9e5d9e","Tích hợp transcriptomics không gian với transcriptomics đơn bào làm sáng tỏ bức tranh biểu hiện gene không-thời gian của thận người đang phát triển","Integrating spatial transcriptomics with single-cell transcriptomics reveals a spatiotemporal gene landscape of the human developing kidney",[13,14,15],"Hongwei Wu","Fanna Liu","Yu Shangguan",13,null,false,5,"https:\u002F\u002Fcellandbioscience.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs13578-022-00801-x","10.1186\u002Fs13578-022-00801-x","\u003Cp>A developmental biology investigation couples single-cell RNA sequencing with high-density spatial \u003Cb class=\"publication-topic-keywords\">transcriptomics\u003C\u002Fb> to construct an exquisite, high-resolution molecular spatiotemporal atlas of human embryonic kidney organogenesis. Spatial trajectory mapping resolves transcriptional dynamics governing nephron progenitor lineage specification and cellular differentiation across defined renal anatomical compartments. The generated comprehensive database serves as a foundational benchmark reference for regenerative nephrology, disease modeling, and bioengineered renal organoids.\u003C\u002Fp>",{"publicationId":24,"title":25,"originalTitle":26,"authorNames":27,"authorCount":31,"journalName":17,"vietnamJournal":18,"publishDate":32,"publishYear":33,"totalCitation":17,"url":34,"doi":35,"summary":36},"11066580-9dbe-4cfd-a920-3d7379d4fa6d","Phân tích gộp transcriptomics hé lộ rối loạn chức năng phagosome và hệ miễn dịch bẩm sinh như những cơ chế tiềm năng ở vỏ não của các dòng chuột nhắt bệnh Alzheimer","Transcriptomics Meta-Analysis Reveals Phagosome and Innate Immune System Dysfunction as Potential Mechanisms in the Cortex of Alzheimer’s Disease Mouse Strains",[28,29,30],"Michael Anekson Widjaya","Chia-Hsin Liu","Shin-Da Lee",4,"2023-09-21",2023,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12031-023-02152-9","10.1007\u002Fs12031-023-02152-9","\u003Cp>A comprehensive molecular meta-analysis employs multi-cohort functional \u003Cb class=\"publication-topic-keywords\">transcriptomics\u003C\u002Fb> profiling across transgenic Alzheimer mouse models to systematically identify conserved gene expression perturbations in the cerebral cortex. Differential expression mapping highlights severe pathological dysfunction in phagosome maturation, microglial activation, and innate immunity cascades. The study uncovers promising mechanistic biomarker candidates for early neurodegenerative disease diagnosis, disease monitoring, and targeted translational therapeutics.\u003C\u002Fp>",{"publicationId":38,"title":39,"originalTitle":17,"authorNames":40,"authorCount":19,"journalName":17,"vietnamJournal":18,"publishDate":44,"publishYear":45,"totalCitation":17,"url":46,"doi":47,"summary":48},"61016cd4-9511-4346-81a1-c223c111f718","Integrating transcriptomics and proteomics to show that tanshinone IIA suppresses cell growth by blocking glucose metabolism in gastric cancer cells",[41,42,43],"Li-Ling Lin","Chieh-Ren Hsia","Chia-Lang Hsu","2015-02-05",2015,"https:\u002F\u002Fbmcgenomics.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12864-015-1230-0","10.1186\u002Fs12864-015-1230-0","\u003Cp>Nghiên cứu sinh học phân tử tích hợp công nghệ phân tích \u003Cb class=\"publication-topic-keywords\">transcriptomics\u003C\u002Fb> và proteomics để làm sáng tỏ cơ chế tanshinone IIA ức chế tăng sinh tế bào ung thư dạ dày. Dữ liệu giải trình tự biểu hiện gen chỉ ra hợp chất ngăn chặn quá trình chuyển hóa glucose và phân giải đường hiếu khí. Phát hiện đóng góp bằng chứng quan trọng cho phát triển thuốc nhắm trúng đích chuyển hóa tế bào ác tính.\u003C\u002Fp>",[],[],{"code":4,"data":52,"meta":17},{"id":53,"title":54,"description":55,"content":56,"term":57,"englishTitle":58,"synonyms":17,"definition":59,"discipline":60,"references":61,"faqs":82,"createUser":92,"publishUser":96,"keywords":100,"keywordCount":17,"enrichTopicLink":18,"status":101,"createTime":102,"updateTime":103,"publishTime":104,"linkEnrichedTime":17,"publicationScanTime":105,"contentErrorMessage":17,"viewCount":106,"relateTopics":107},"transcriptomics","Transcriptomics là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Transcriptomics (Transcriptomics \u002F RNA profiling): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên ...","\u003Cp>\u003Cstrong>Transcriptomics\u003C\u002Fstrong> (\u003Cem>Transcriptomics \u002F RNA profiling\u003C\u002Fem>) là (hệ phiên mã học) là phân ngành sinh học phân tử nghiên cứu toàn diện tập hợp tất cả các phân tử RNA (bao gồm mRNA, rRNA, tRNA và các RNA không mã hóa) được phiên mã từ hệ gen của một tế bào, mô hoặc sinh vật tại một thời điểm hoặc trong một điều kiện sinh lý cụ thể.\u003C\u002Fp>\n\u003Ch2>Giới thiệu và định nghĩa\u003C\u002Fh2>\n\u003Cp>Transcriptomics là lĩnh vực nghiên cứu toàn diện về toàn bộ các phân tử RNA (transcriptome) được biểu hiện trong một tế bào hoặc mô nhất định tại một thời điểm cụ thể. Không chỉ bao gồm các RNA mã hóa (mRNA), transcriptome còn chứa các RNA không mã hóa như miRNA, lncRNA, snRNA và snoRNA, đóng vai trò điều hòa biểu hiện gen sau phiên mã. Phân tích transcriptome giúp xác định các gen đang hoạt động, mức độ biểu hiện tương đối và thay đổi biểu hiện trong các điều kiện sinh lý hoặc bệnh lý khác nhau.\u003C\u002Fp>\n\u003Cp>Transcriptomics cung cấp cái nhìn sâu sắc về cơ chế điều hòa gen, phản ứng của tế bào trước kích thích ngoại sinh hoặc nội sinh, đồng thời hỗ trợ phát hiện các dấu ấn sinh học (biomarker) và mục tiêu điều trị. Do tính toàn diện và độ nhạy cao, transcriptomics ngày càng trở thành công cụ không thể thiếu trong nghiên cứu ung thư, miễn dịch, phát triển phôi thai và dịch tễ học phân tử.\u003C\u002Fp>\n\u003Cp>Định nghĩa chi tiết: NCBI PMC – What is Transcriptomics?\u003C\u002Fp>\n\n\u003Ch2>Lịch sử phát triển\u003C\u002Fh2>\n\u003Cp>Từ cuối thập niên 1990, transcriptomics bắt đầu với phương pháp SAGE (Serial Analysis of Gene Expression) cho phép đánh giá biểu hiện gen bằng cách phân tích chuỗi phân đoạn cDNA ngắn. Mặc dù chính xác nhưng SAGE giới hạn ở số lượng mẫu nhỏ và độ nhạy trung bình.\u003C\u002Fp>\n\u003Cp>Sự ra đời của microarray vào đầu những năm 2000 đánh dấu bước nhảy vọt: chip microarray chứa hàng nghìn oligonucleotide gắn cố định, cho phép phát hiện và định lượng hàng loạt gen cùng lúc. Microarray có ưu điểm chi phí thấp và thao tác tương đối đơn giản, nhưng độ nhạy với các transcript có biểu hiện rất thấp vẫn còn hạn chế và phụ thuộc vào thiết kế probe.\u003C\u002Fp>\n\u003Cp>Từ 2008, công nghệ RNA-Seq trên nền tảng giải trình tự thế hệ mới (NGS) như Illumina và sau này Oxford Nanopore, Pacific Biosciences đã thay thế microarray. RNA-Seq cho phép phát hiện transcript mới, biến thể nối ghép (splice variants), và lượng tuyệt đối transcript mà không cần probe thiết kế trước.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>SAGE (1995): Đo lường biểu hiện gen thông qua phân tích đoạn cDNA ngắn.\u003C\u002Fli>\n  \u003Cli>Microarray (2000): Chip lai gắn probe, phân tích mRNA hàng loạt.\u003C\u002Fli>\n  \u003Cli>RNA-Seq (2008): Giải trình tự cDNA theo luồng NGS, phát hiện transcript mới.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Tham khảo: Nature Rev Genet – A brief history of transcriptomics\u003C\u002Fp>\n\n\u003Ch2>Các công nghệ thu thập dữ liệu\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>Microarray:\u003C\u002Fstrong> Sử dụng tấm kính phủ probe oligonucleotide đại diện cho từng gene. Mẫu RNA được chuyển ngược thành cDNA gắn nhãn huỳnh quang, sau đó lai với microarray để định lượng cường độ tín hiệu. Ưu điểm: chi phí thấp, quy trình chuẩn hóa; hạn chế: chỉ phát hiện được các gene đã biết, độ động phạm vi hạn chế.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>RNA-Seq Illumina:\u003C\u002Fstrong> RNA được phân đoạn, tổng hợp cDNA và thêm adapter để tạo thư viện. Thư viện được giải trình tự theo phương pháp “sequencing by synthesis”, tạo ra hàng triệu reads ngắn (50–300 bp). Reads sau đó được ánh xạ vào bộ gen tham chiếu để đếm số lần xuất hiện, từ đó suy ra mức độ biểu hiện gene.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Chuỗi ngắn (short-read): độ chính xác cao, chi phí trên mỗi base thấp, phân tích splice variant khó hơn.\u003C\u002Fli>\n  \u003Cli>Chuỗi dài (long-read, Oxford Nanopore, PacBio): xác định isoform và transcript hoàn chỉnh, độ lỗi cao hơn và chi phí cao hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>Spatial transcriptomics (mới):\u003C\u002Fstrong> Kết hợp đánh dấu vị trí không gian của transcript trên lát cắt mô, cho phép tái tạo bản đồ biểu hiện gene theo cấu trúc mô học. Thí dụ: Visium (10x Genomics) dùng pad in situ gắn oligo barcodes tương ứng vị trí.\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Công nghệ\u003C\u002Fth>\n      \u003Cth>Độ dài read\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Hạn chế\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Illumina RNA-Seq\u003C\u002Ftd>\n      \u003Ctd>50–300 bp\u003C\u002Ftd>\n      \u003Ctd>Độ chính xác cao, chi phí thấp\u003C\u002Ftd>\n      \u003Ctd>Khó xác định isoform\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Oxford Nanopore\u003C\u002Ftd>\n      \u003Ctd>>1 kb\u003C\u002Ftd>\n      \u003Ctd>Đọc transcript đầy đủ, xác định isoform\u003C\u002Ftd>\n      \u003Ctd>Lỗi cao, chi phí cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Spatial Transcriptomics\u003C\u002Ftd>\n      \u003Ctd>50–150 bp\u003C\u002Ftd>\n      \u003Ctd>Bản đồ không gian biểu hiện gen\u003C\u002Ftd>\n      \u003Ctd>Độ phân giải vùng trung bình\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Chi tiết kỹ thuật: EMBO Reports – RNA-Seq technologies\u003C\u002Fp>\n\n\u003Ch2>Chuẩn bị và xử lý mẫu\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>Chiết tách RNA tổng cộng:\u003C\u002Fstrong> Mẫu mô hoặc tế bào được nghiền nát trong dung dịch phenol-chloroform (Trizol) hoặc kit column để thu RNA. Chất lượng RNA được đánh giá bằng tỷ lệ A260\u002FA280 (1.8–2.0) và A260\u002FA230 (>2.0) trên máy đo quang phổ.\u003C\u002Fp>\n\u003Cp>Độ phân mảnh RNA (RIN) được xác định qua máy phân tích điện di chip (Agilent Bioanalyzer). Mẫu RIN ≥7.0 được coi là đạt chuẩn cho RNA-Seq, giúp giảm nhiễu nền do RNA bị phân mảnh quá mức.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>RIN 7–10: RNA nguyên vẹn, phù hợp cho toàn bộ phương pháp NGS.\u003C\u002Fli>\n  \u003Cli>RIN 5–7: RNA bị phân mảnh vừa, có thể dùng cho transcriptomics mục tiêu.\u003C\u002Fli>\n  \u003Cli>RIN <5: RNA hỏng, không khuyến khích sử dụng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>Chọn lọc poly(A) hoặc loại bỏ rRNA:\u003C\u002Fstrong> Đối với RNA-Seq hướng đến mRNA, dùng kits oligo-dT magnetic beads để bắt poly(A) tails, loại bỏ RNA không phải mRNA. Đối với phân tích toàn bộ transcriptome (bao gồm lncRNA, miRNA), sử dụng phương pháp rRNA depletion (Ribo-Zero) để loại bỏ rRNA chiếm >80% tổng RNA.\u003C\u002Fp>\n\u003Cp>Chuẩn bị thư viện cDNA bao gồm phân đoạn RNA, tổng hợp sợi đầu tiên\u002Fđầu hai, kết nối adapter, và khuếch đại PCR. Kiểm soát kích thước thư viện (200–500 bp) bằng máy Bioanalyzer trước khi giải trình tự.\u003C\u002Fp>\n\u003Cp>Hướng dẫn chi tiết: JoVE – RNA-Seq Library Preparation\u003C\u002Fp>\n\u003Ch2>Tiền xử lý và định lượng\u003C\u002Fh2>\n\u003Cp>Sau khi thu thập reads thô từ máy giải trình tự, bước đầu tiên là kiểm tra chất lượng dữ liệu bằng công cụ FastQC để xác định những reads có chất lượng thấp, chứa adapter hoặc nhiễu. Kết quả FastQC bao gồm biểu đồ phân phối chất lượng base, tỷ lệ GC và độ dài reads. Dựa trên đó, sử dụng Trim Galore! hoặc Trimmomatic để cắt bỏ adapter, loại bỏ reads ngắn hơn ngưỡng (thường ≥ 30 bp) và sửa lỗi base có chất lượng thấp (phred score < 20).\u003C\u002Fp>\n\u003Cp>Tiếp theo, ánh xạ reads đã xử lý lên bộ gen tham chiếu bằng phần mềm HISAT2 hoặc STAR. HISAT2 sử dụng chỉ mục dựa trên graph để tăng tốc độ và độ chính xác, trong khi STAR tối ưu cho reads dài, hỗ trợ phát hiện splice junction mới. Kết quả ánh xạ lưu trong file BAM, chứa thông tin vị trí genomic, chất lượng ánh xạ và flag. Thông thường, tỉ lệ ánh xạ ≥ 70% được coi là đạt chuẩn cho RNA-Seq.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Chất lượng reads: FastQC báo cáo, phred score, adapter content\u003C\u002Fli>\n  \u003Cli>Cắt và lọc: Trim Galore! \u002F Trimmomatic, ngưỡng độ dài min 30 bp, phred ≥ 20\u003C\u002Fli>\n  \u003Cli>Ánh xạ lên bộ gen tham chiếu: HISAT2 (graph index), STAR (splice-aware)\u003C\u002Fli>\n  \u003Cli>File kết quả: BAM (alignment), SAMtools để sort và index\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Định lượng biểu hiện gen thông qua công cụ featureCounts hoặc HTSeq-count, đếm số reads gắn vào từng exon hoặc gene. Kết quả đầu ra là ma trận counts (gene × sample), chuẩn bị cho bước chuẩn hóa và phân tích thống kê tiếp theo.\u003C\u002Fp>\n\n\u003Ch2>Chuẩn hóa dữ liệu\u003C\u002Fh2>\n\u003Cp>Dữ liệu counts thô chứa nhiều biến thiên kỹ thuật như độ sâu đọc (sequencing depth) và độ dài gene. Chuẩn hóa nhằm loại bỏ các sai lệch này để so sánh biểu hiện giữa các mẫu. Các chỉ số phổ biến bao gồm RPKM\u002FFPKM (Reads\u002FFragments Per Kilobase of transcript per Million mapped reads) và TPM (Transcripts Per Million). TPM được ưa chuộng hơn nhờ tính ổn định khi so sánh tương quan mẫu.\u003C\u002Fp>\n\u003Cp>RPKM tính theo công thức:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n  \\mathrm{RPKM} = \\frac{\\text{counts} \\times 10^9}{\\text{gene length (bp)} \\times \\text{total mapped reads}}\n\u003C\u002Fscript>\n\u003Cp>TPM chuẩn hóa đầu tiên theo độ dài gene, rồi chia cho tổng giá trị đã hiệu chỉnh của tất cả gene trong mẫu, cho phép so sánh trực tiếp mức độ giữa các mẫu.\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phương pháp\u003C\u002Fth>\n      \u003Cth>Công thức chính\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Hạn chế\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>RPKM\u002FFPKM\u003C\u002Ftd>\n      \u003Ctd>Counts\u002F(Len×Depth)×10\u003Csup>9\u003C\u002Fsup>\u003C\u002Ftd>\n      \u003Ctd>Đơn giản, tính nhanh\u003C\u002Ftd>\n      \u003Ctd>Không ổn định khi so sánh mẫu\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>TPM\u003C\u002Ftd>\n      \u003Ctd>RPKM\u002F∑RPKM×10\u003Csup>6\u003C\u002Fsup>\u003C\u002Ftd>\n      \u003Ctd>So sánh mẫu trực tiếp\u003C\u002Ftd>\n      \u003Ctd>Vẫn cần hiệu chỉnh batch\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>DESeq2 normalization\u003C\u002Ftd>\n      \u003Ctd>Median-of-ratios\u003C\u002Ftd>\n      \u003Ctd>Loại bỏ biến thiên kỹ thuật\u003C\u002Ftd>\n      \u003Ctd>Không cho giá trị tuyệt đối\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Đối với dữ liệu đa mẫu, sử dụng DESeq2 hoặc edgeR để thực hiện chuẩn hóa median-of-ratios hoặc TMM (Trimmed Mean of M-values), loại bỏ hiệu ứng batch bằng ComBat (sẵn trong gói sva) khi cần.\u003C\u002Fp>\n\n\u003Ch2>Phân tích biểu hiện khác biệt\u003C\u002Fh2>\n\u003Cp>Mục tiêu của phân tích này là xác định các gene có sự thay đổi biểu hiện đáng kể giữa hai hoặc nhiều nhóm điều kiện (ví dụ: bệnh – đối chứng). DESeq2 sử dụng mô hình negative binomial để ước tính dispersion và độ biến thiên kỹ thuật, áp dụng Wald test hoặc likelihood ratio test để xác định gene khác biệt (DEGs).\u003C\u002Fp>\n\u003Cp>EdgeR cũng dựa trên phân phối negative binomial, bổ sung phương pháp quasi-likelihood F-test để kiểm soát sai số loại I. Các bước cơ bản bao gồm:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Import ma trận counts và metadata (nhóm mẫu).\u003C\u002Fli>\n  \u003Cli>Estimate size factors (DESeq2) hoặc normalization factors (edgeR).\u003C\u002Fli>\n  \u003Cli>Estimate dispersion (common, trended, tagwise).\u003C\u002Fli>\n  \u003Cli>Thực hiện kiểm định thống kê, lọc DEGs theo ngưỡng |log2FC| ≥ 1 và FDR < 0.05.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Kết quả đầu ra gồm bảng DEGs với các cột: log2FoldChange, p-value và padj (FDR). Forest plot hoặc volcano plot giúp trực quan hóa kết quả.\u003C\u002Fp>\n\n\u003Ch2>Chú thích chức năng và con đường\u003C\u002Fh2>\n\u003Cp>Sau khi thu được danh sách DEGs, bước tiếp theo là khám phá ý nghĩa sinh học thông qua phân tích Gene Ontology (GO) và pathway enrichment. GO chia thành ba ontology: Biological Process, Molecular Function và Cellular Component. DAVID, g:Profiler và Enrichr là các công cụ phổ biến, sử dụng Fisher’s exact test hoặc hypergeometric test để kiểm tra sự quá đại diện của term trong danh sách DEGs so với nền gene.\u003C\u002Fp>\n\u003Cp>Phân tích pathway thường dựa trên cơ sở dữ liệu KEGG, Reactome hoặc BioCyc. GSEA (Gene Set Enrichment Analysis) không yêu cầu ngưỡng DEGs, mà sử dụng toàn bộ dữ liệu thứ tự gene để phát hiện pathway bị ảnh hưởng nhẹ nhưng đồng bộ. GSEA định nghĩa enrichment score (ES) và tính mức ý nghĩa qua permutation test.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>GO enrichment: DAVID, g:Profiler, Enrichr\u003C\u002Fli>\n  \u003Cli>Pathway enrichment: KEGG pathway, Reactome\u003C\u002Fli>\n  \u003Cli>GSEA: ES, NES (normalized ES), FDR q-value\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng lâm sàng và sinh học cơ bản\u003C\u002Fh2>\n\u003Cp>Transcriptomics đóng vai trò then chốt trong phát hiện dấu ấn sinh học (biomarkers) cho ung thư, bệnh tim mạch và rối loạn thần kinh. Ví dụ, bộ gene PAM50 phân loại các dòng ung thư vú thành các phân nhóm lâm sàng, hỗ trợ quyết định điều trị.\u003Csup>[1]\u003C\u002Fsup> Trong miễn dịch học, transcriptomics giúp đặc tả các trạng thái bạch cầu, nghiên cứu phản ứng cytokine và phát triển vaccine.\u003C\u002Fp>\n\u003Cp>Trong nghiên cứu phát triển phôi thai, single-cell RNA-Seq (scRNA-Seq) vẽ được bản đồ tiến hóa tế bào, phân nhóm tế bào gốc và xác định markergene đặc hiệu từng dòng. Spatial transcriptomics cho phép kết hợp dữ liệu RNA và hình ảnh mô học, dùng trong nghiên cứu vi mô ung thư để xác định microenvironment tế bào ung thư và tế bào miễn dịch.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Biomarkers ung thư: PAM50, Oncotype DX\u003C\u002Fli>\n  \u003Cli>Miễn dịch: đặc trưng tế bào T, cytokine profiling\u003C\u002Fli>\n  \u003Cli>Phôi thai: lineage tracing qua scRNA-Seq\u003C\u002Fli>\n  \u003Cli>Microenvironment: spatial transcriptomics trong mô ung thư\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Thách thức và hướng nghiên cứu tương lai\u003C\u002Fh2>\n\u003Cp>Mặc dù transcriptomics đã đạt nhiều thành tựu, vẫn tồn tại các thách thức như độ nhạy thấp với các transcript hiếm, sai sót trong ánh xạ reads chéo gene có vùng trình tự tương tự, và khó khăn trong phân tích dữ liệu đa chiều (multi-omics). Đặc biệt, xử lý batch effect phức tạp trong scRNA-Seq và spatial data cần giải pháp mới.\u003C\u002Fp>\n\u003Cp>Xu hướng nghiên cứu tương lai tập trung vào tích hợp multi-omics (genomics, epigenomics, proteomics) và áp dụng trí tuệ nhân tạo để xây dựng mô hình dự đoán chức năng gene và tương tác phân tử. Công nghệ long-read cùng với error correction hứa hẹn cải thiện độ chính xác isoform, trong khi spatial multi-omics sẽ cung cấp cái nhìn toàn diện về tổ chức không gian và chức năng tế bào.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Multi-omics integration: MOFA, iCluster\u003C\u002Fli>\n  \u003Cli>AI\u002FML trong phân tích biểu hiện: deep learning, graph neural networks\u003C\u002Fli>\n  \u003Cli>Long-read error correction: Iso-Seq, CONSORT\u003C\u002Fli>\n  \u003Cli>Spatial multi-omics: 10x Visium + proteomics\u003C\u002Fli>\n\u003C\u002Ful>","Transcriptomics","Transcriptomics \u002F RNA profiling","Transcriptomics (hệ phiên mã học) là phân ngành sinh học phân tử nghiên cứu toàn diện tập hợp tất cả các phân tử RNA (bao gồm mRNA, rRNA, tRNA và các RNA không mã hóa) được phiên mã từ hệ gen của một tế bào, mô hoặc sinh vật tại một thời điểm hoặc trong một điều kiện sinh lý cụ thể.","NATURAL_SCIENCES",[62,69,75],{"citationText":63,"title":64,"authors":65,"source":66,"year":67,"doi":68,"url":17},"Wang, Gerstein, Snyder (2009). RNA-Seq: a revolutionary tool for transcriptomics. Nature Reviews Genetics. doi:10.1038\u002Fnrg2484","RNA-Seq: a revolutionary tool for transcriptomics","Wang, Gerstein, Snyder","Nature Reviews Genetics",2009,"10.1038\u002Fnrg2484",{"citationText":70,"title":71,"authors":72,"source":66,"year":73,"doi":74,"url":17},"Cloney (2016). Dual RNA-seq for host–pathogen transcriptomics. Nature Reviews Genetics. doi:10.1038\u002Fnrg.2016.15","Dual RNA-seq for host–pathogen transcriptomics","Cloney",2016,"10.1038\u002Fnrg.2016.15",{"citationText":76,"title":77,"authors":78,"source":79,"year":80,"doi":81,"url":17},"Lehrach (2013). Faculty Opinions recommendation of RNA-Seq: a revolutionary tool for transcriptomics.. Faculty Opinions – Post-Publication Peer Review of the Biomedical Literature. doi:10.3410\u002Ff.1128830.793481779","Faculty Opinions recommendation of RNA-Seq: a revolutionary tool for transcriptomics.","Lehrach","Faculty Opinions – Post-Publication Peer Review of the Biomedical Literature",2013,"10.3410\u002Ff.1128830.793481779",[83,86,89],{"question":84,"answer":85},"Sự khác biệt kỹ thuật căn bản giữa Microarray biểu hiện gen và giải trình tự RNA (RNA-Seq) là gì?","Microarray dựa trên nguyên lý lai huỳnh quang với các mẫu dò (probes) đã biết trước nên bị giới hạn bởi hệ gen chú giải sẵn và có dải động hẹp; trong khi RNA-Seq giải trình tự trực tiếp hàng triệu đoạn cDNA bằng máy NGS, cho phép phát hiện các transcript mới, biến thể ghép nối exon (splicing) và đột biến điểm với dải động cực rộng.",{"question":87,"answer":88},"Giải trình tự RNA đơn tế bào (scRNA-seq) mang lại bước tiến đột phá nào cho sinh học và y học?","scRNA-seq cho phép định lượng mức biểu hiện gen ở độ phân giải từng tế bào riêng lẻ, giúp phát hiện các quần thể tế bào hiếm, giải mã tính không đồng nhất của tế bào ung thư và vẽ nên bản đồ phân hóa dòng tế bào trong quá trình phát triển phôi thai.",{"question":90,"answer":91},"Các bước tin sinh học chuẩn trong quy trình phân tích dữ liệu RNA-seq gồm những gì?","Quy trình chuẩn gồm: 1. Kiểm soát chất lượng đoạn đọc (FastQC) và cắt lọc adapter (Trimmomatic); 2. Gióng hàng lên hệ gen tham chiếu (STAR hoặc HISAT2); 3. Định lượng số lượng đoạn đọc trên từng gen (featureCounts); 4. Phân tích biểu hiện sai khác (DESeq2 hoặc edgeR) và phân tích làm giàu đường dẫn sinh học (GSEA, KEGG, GO).",{"id":93,"researcherId":17,"name":94,"imageUrl":95},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":97,"researcherId":17,"name":98,"imageUrl":99},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[53],"PUBLISHED","2025-07-20T03:33:09.059+00:00","2026-09-03T07:19:41.600+00:00","2025-07-21T10:25:37.670+00:00","2026-09-03T07:19:41.598+00:00",511,[108,111,120,125,129,134,139,144,149,154],{"id":109,"title":110,"term":109,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"độc tính bán trường diễn","Độc tính bán trường diễn là gì? Các nghiên cứu khoa học",{"id":112,"title":113,"term":112,"englishTitle":114,"definition":115,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"bộ gen","Bộ gen là gì? Cấu trúc hệ gen người, chức năng và công nghệ giải trình tự","genome","Bộ gen là toàn bộ tập hợp vật chất di truyền (ADN hoặc ARN ở một số virus) của một sinh vật, bao gồm cả các gen mã hóa protein và các trình tự không mã hóa, chứa đựng toàn bộ thông tin hướng dẫn cấu trúc và vận hành sự sống.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":121,"title":122,"term":121,"englishTitle":123,"definition":124,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"phân tích di truyền","Phân tích di truyền là gì? Phương pháp, công nghệ NGS và ứng dụng","genetic analysis","Phân tích di truyền là tập hợp các phương pháp và kỹ thuật phân tích cấu trúc, chức năng, sự biến dị và quy luật di truyền của gen và bộ gen trong sinh vật.",{"id":126,"title":127,"term":126,"englishTitle":126,"definition":128,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"proton","Proton là gì? Cấu trúc và ứng dụng của Proton","Proton là một hạt hạ nguyên tử bền vững thuộc nhóm baryon cấu tạo từ hai quark lên và một quark xuống, mang điện tích nguyên tố dương và có khối lượng nghỉ xấp xỉ 1.6726 x 10^-27 kg nằm trong hạt nhân nguyên tử.",{"id":130,"title":131,"term":130,"englishTitle":132,"definition":133,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"nhiệt độ nóng chảy","Nhiệt độ nóng chảy là gì? Các nghiên cứu khoa học liên quan","nhiet do nong chay","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học tự nhiên, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":135,"title":136,"term":135,"englishTitle":137,"definition":138,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"hằng số tốc độ","Hằng số tốc độ là gì? Các bài nghiên cứu khoa học liên quan","rate constant","Hằng số tốc độ (Reaction Rate Constant, ký hiệu k) là một hệ số tỷ lệ đặc trưng trong phương trình động học biểu thị tốc độ của phản ứng hóa học khi nồng độ của tất cả các chất phản ứng bằng đơn vị.",{"id":140,"title":141,"term":140,"englishTitle":142,"definition":143,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"động vật linh trưởng","Động vật linh trưởng là gì? Tiến hóa Perelman, giải phẫu Fleagle và Estrada","primates","Động vật linh trưởng là một bộ thú có vú bậc cao đặc trưng bởi bàn tay ngón cái đối diện, thị giác lập thể 3D và vỏ não phát triển, tiến hóa qua các nhánh Mũi ướt và Mũi khô theo nghiên cứu Perelman-Fleagle.",{"id":145,"title":146,"term":145,"englishTitle":147,"definition":148,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"đồng vị","Đồng vị là gì? Phân loại và ứng dụng trong khoa học hiện đại","isotope","Đồng vị là các biến thể của cùng một nguyên tố hóa học có cùng số proton trong hạt nhân nhưng khác nhau về số neutron, dẫn đến khối lượng nguyên tử khác nhau.",{"id":150,"title":151,"term":150,"englishTitle":152,"definition":153,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"chu trình sinh địa hóa","Chu trình sinh địa hóa: Khái niệm, nguyên lý và ứng dụng","Biogeochemical cycle","Chu trình sinh địa hóa là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực natural sciences, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":155,"title":156,"term":155,"englishTitle":157,"definition":158,"discipline":60,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"ethylene","Ethylene là gì? Cấu trúc hóa học, vai trò sinh học và ứng dụng","Ethylene","Ethylene (ethene, công thức hóa học C2H4) là một hydrocarbon không no thuộc nhóm anken đơn giản nhất, tồn tại ở thể khí không màu, đồng thời là một phytohormone dạng khí điều hòa sự chín và rụng ở thực vật."]