Phân tích trình tự trong tin sinh học và ứng dụng trên cơ sở dữ liệu genome tôm sú

Phân tích trình tự trong tin sinh học và ứng dụng trên cơ sở dữ liệu genome tôm sú Phân tích trình tự trong tin sinh học và ứng dụng trên cơ sở dữ liệu genome tôm sú Phân tích trình tự trong tin sinh học và ứng dụng trên cơ sở dữ liệu genome tôm sú Phân tích trình tự trong tin sinh học và ứng dụng trên cơ sở dữ liệu genome tôm sú

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

MỤC LỤC

MỤC LỤC 1

Danh mục các thuật ngữ 4

Danh sách bảng 5

Danh sách hình vẽ 6

MỞ ĐẦU 7

MỞ ĐẦU 7

Chương 1 CÁC KHÁI NIỆM CƠ BẢN 9

1.1 Các khái niệm cơ bản trong sinh học phân tử 9

1.2 Các bài toán cơ bản trong tin sinh học 12

1.3 Các ứng dụng của tin sinh học 13

1.4 Một số cơ sở dữ liệu sinh học lớn trên thế giới 14

Chương 2 BÀI TOÁN PHÂN TÍCH MỐI QUAN HỆ GIỮA CÁC TRÌNH TỰ 19

2.1 Bài toán phân tích mối quan hệ giữa hai trình tự 19

2.1.1 Giới thiệu bài toán 19

2.1.2 Phương pháp giải quyết bài toán 20

2.1.3 Thuật toán Needleman-Wunsch 23

2.2 Bài toán phân tích mối quan hệ cục bộ giữa hai trình tự 26

2.1.4 Giới thiệu bài toán 26

2.1.5 Thuật toán phân tích mối quan hệ cục bộ giữa hai trình tự 27

2.3 Tìm kiếm trình tự tương đồng bằng BLAST 31

2.3.1 Giới thiệu bài toán 31

2.3.2 Thuật toán BLAST 31

2.4 Bài toán phân tích mối quan hệ giữa đa trình tự 34

2.4.1 Giới thiệu bài toán 34

2.4.2 Thuật toán quy hoạch động 36

2.4.3 Thuật toán ngôi sao 39

2.4.4 Thuật toán sắp hàng lũy tiến 42

Chương 3 XÂY DỰNG CSDL HỆ GIEN TÔM SÚ VÀ TÍCH HỢP CÔNG CỤ BLAST 48

3.1 Kiến trúc hệ thống 48

3.2 Thiết kế cơ sở dữ liệu 49

3.2.1 Nguồn số liệu đầu vào 49

3.2.2 Thiết kế cơ sở dữ liệu 49

3.3 Thiết kế chức năng hệ thống 53

3.3.1 Mô hình phân cấp chức năng 53

3.3.2 Mô hình luồng dữ liệu 55

3.3.3 Đặc tả chi tiết một số chức năng cơ bản 57

3.4 Một số giao diện chương trình 64

3.4.1 Giao diện trang chủ 64

3.4.2 Nạp dữ liệu từ tệp XML 64

3.4.3 Nhập dữ liệu các trình tự Protein, Nucleotide, EST 64

3.4.4 Tra cứu thông tin 66

3.4.5 Tìm kiếm chuỗi tương đồng bằng BLAST 67

KẾT LUẬN 68

Tài liệu tham khảo 69

Danh mục các thuật ngữ

Bioinformatics Tin sinh học

Molecular biology Sinh học phân tử

Danh sách bảng

Bảng 1.1 Tên đầy đủ, tên viết tắt của 5 loại nuclêôtít: 9

Bảng 1.2 Tên đầy đủ, tên viết tắt của 5 loại nuclêôtít 11

Bảng 2.1 Hai trình tự AND X và Y 19

Bảng 2.2 Hai trình tự và sau khi được sắp hàng 20

Bảng 2.3 Các cách sắp hàng khác nhau hai trình tự X và Y 21

Bảng 2.4 Ma trận điểm giữa các nuclêôtít 22

Bảng 2.5 Các cách sắp hàng khác nhau với tổng điểm khác nhau 23

Bảng 2.6 Bảng F của thuật toán quy hoạch động trên hai trình tự ADN 25

Bảng 2.7 Sắp hàng hai trình tự X và Y với tổng điểm lớn nhất 26

Bảng 2.8 Ma trận quy hoạch động F của bài toán sắp hàng cục bộ hai trình tự AND X và Y 30

Bảng 2.9 Sắp hàng cục bộ hai trình tự X và Y 30

Bảng 2.10 Minh họa ý tưởng của thuật toán BLAST 32

Bảng 2.11 Ba bắt cặp XY, XZ, YZ tương thích với nhau có thể kết hợp thành sắp hàng 3 trình tự 36

Bảng 2.12 Ba bắt cặp XY, XZ, YZ không tương thích với nhau để kết hợp thành sắp hàng 3 trình tự 36

Bảng 2.13 Sắp hàng tối ứu ba trình tự X, Y, Z 39

Danh sách hình vẽ

Hình 1.1 Minh họa cấu trúc một Axit amin 10

Hình 1.2 Trung tâm thông tin công nghệ sinh học Hoa Kỳ 15

Hình 1.3 Cấu trúc cơ bản của NCBI 16

Hình 2.1 Sắp hàng lũy tiến với 5 trình tự 43

Hình 3.1 Kiến trúc hệ thống CSDL hệ gien tôm Sú 49

Hình 3.2 Mô hình CSDL hệ gien tôm Sú 50

MỞ ĐẦU

Tin sinh học (bioinformatics) là một lĩnh vực khoa học sử dụng các công nghệ của các ngành tin học, toán học ứng dụng, thống kê và khoa học máy tính để giải quyết các bài toán trong sinh học Tin sinh học bao gồm việc xây dựng, quản lý và lưu trữ nguồn dữ liệu quy mô toàn cầu liên quan đến sinh học, trên đó xây dựng và hoàn thiện các chương trình máy tính xử lý dữ liệu, là công cụ hỗ trợ hiệu quả cho việc nghiên cứu, khám phá bản chất sinh học của giới tự nhiên và sản xuất ra các sản phẩm sinh học mong muốn phục vụ đời sống con người Tin sinh học có tính ứng dụng cao trong cuộc sống, đặc biệt là trong lĩnh vực công nghệ sinh học, nông

nghiệp và y dược Các bài toán cơ bản trong tin sinh học bao gồm: quản lý và lưu trữ dữ liệu, phân tích mối quan hệ giữa các trình tự, dự đoán cấu trúc các trình tự,

mô hình hóa, nghiên cứu tiến hóa [4]

Một trong những bài toán quan trọng trong tin sinh học là phân tích mối quan

hệ giữa các trình tự, gọi tắt là phân tích trình tự Các bài toán cơ bản trong phân tích trình tự là: tìm kiếm trình tự tương đồng trong cơ sở dữ liệu; sắp hàng trình tự; chuyển đổi trình tự Mục tiêu của phân tích trình tự là:

Xác định các gien và các chức năng của từng gien

Xác định sự lặp lại của các trình tự

Xác định protêin dựa trên quy tắc sắp đặt của các biểu thức gien

Xác định các vùng chức năng khác nhau của ADN

Mục tiêu của luận văn là:

1) Nắm bắt được các khái niệm cơ bản trong tin sinh học và các cơ sở dữ liệu sinh học lớn trên thế giới, các phương pháp giải quyết bài toán sắp hàng trình tự, một trong những bài toán cơ bản trong phân tích trình tự

2) Xây dựng cơ sở dữ liệu cục bộ lưu trữ các chuỗi gien tôm sú (bao gồm các chuỗi nuclêôtít, protêin và EST) và tích hợp các công cụ phân tích trình tự nhằm mục đích làm sáng tỏ các vấn đề nghiên cứu lý thuyết Dữ liệu được thu thập từ Phòng công nghệ AND ứng dụng - Viện Công nghệ sinh học (nay là Viện Genome học) và từ các cơ sở dữ liệu sinh học trên Internet

Đối tượng nghiên cứu của luận văn là các chuỗi gene tôm Sú được thu thập từ

Viện Công nghệ sinh học và các chuỗi gene tôm Sú từ ngân hàng gene thế giới (genbank), bao gồm các chuỗi EST, Nucleotide và Protein

Phạm vi nghiên cứu lý thuyết là bài toán phân tích trình tự trong tin sinh học,

phạm vi nghiên cứu thực nghiệm là xây dựng cơ sở dữ liệu và tích hợp công cụ BLAST tìm kiếm trình tự tương đồng trong cơ sở dữ liệu các trình tự gien tôm Sú (bao gồm các trình tự nucleôtít, protêin và EST)

Phương pháp nghiên cứu của luận văn là nghiên cứu lý thuyết và nghiên cứu

thực nghiệm Về nghiên cứu lý thuyết: luận văn thực hiện tổng hợp các khái niệm

và các kết quả nghiên cứu về sắp hàng trình tự Về nghiên cứu thực nghiệm: luận văn thực hiện xây dựng cơ sở dữ liệu và tích hợp công cụ tìm kiếm trình tự tương đồng BLAST trên cơ sở dữ liệu được xây dựng nhằm sáng tỏ các vấn đề về lý thuyết

Bố cục của luận văn gồm phần mở đầu và hai chương nội dung, phần kết luận

và danh mục các tài liệu tham khảo

Chương 1 trình bày các khái niệm cơ bản trong tin sinh học, các bài toán cơ bản trong tin sinh học, các cơ sở dữ liệu sinh học lớn trên thế giới và một số ứng dụng của tin sinh học Chương 2 trình bày bài toán phân tích mối quan hệ giữa các trình tự và các thuật toán so sánh trình tự Chương 3 trình bày nội dung về ứng dụng thử nghiệm làm sáng tỏ các vấn đề nghiên cứu lý thuyết, bao gồm thiết kế và xây dựng một cơ sở dữ liệu lưu trữ các trình tự gien của con tôm Sú, tích hợp công

cụ tìm kiếm trình tự tương đồng BLAST trên cơ sở dữ liệu cục bộ được xây dựng

Cuối cùng, phần kết luận nêu những đóng góp của luận văn, hướng phát triển tiếp theo

Chương 1 CÁC KHÁI NIỆM CƠ BẢN 1.1 Các khái niệm cơ bản trong sinh học phân tử

Tin sinh học (Bioinformatics) là lĩnh vực khoa học mới có tính ứng dụng cao trong cuộc sống, đặc biệt là trong lĩnh vực công nghệ sinh học, nông nghiệp và y-dược Tin sinh học là lĩnh vực khoa học liên ngành, trong đó sinh học và tin học đóng vai trò chủ đạo Về cơ bản, tin sinh học tập trung vào nghiên cứu, phát triển

và áp dụng các phương pháp và công cụ tin học để giải quyết các bài toán trong sinh học

Tiếp theo, luận văn giới thiệu một số khái niệm cơ bản trong sinh học phân tử Sinh học phân tử (molecular biology) là một nhánh của sinh học (biology), tập trung nghiên cứu các sinh vật ở mức độ phân tử Cụ thể là, sinh học phân tử tập trung giải trình tự (sequencing) và phân tích các trình tự nuclêôtít (trình tự ADN), các trình tự axít amin (trình tự prôtêin) Trong phần này, luận văn tập trung giới thiệu các kiến thức cơ bản trong sinh học phân tử để sử dụng ở các chương sau

1) Axít nuclêic và nuclêôtít

Axít nuclêic (nucleic acid) là một đại phân tử sinh học (large biological molecule) mang thông tin di truyền mã hóa các chức năng, và đặc điểm của mọi sinh vật sống Axít nuclêic gồm hai loại: ADN ( Axít Deoxyribo Nuclêic) và ARN (Axít Ribo Nuclêic)

Thành phần cơ bản cấu tạo một trình tự axít nuclêic là các phân tử hóa học nuclêotít (nucleotide) Trình tự ADN chứa bốn loại nuclêôtít khác nhau là: Adenine, Cytosine, Guanine, và Thymine Trình tự ARN có thành phần tương tự như trình tự ADN, ngoại trừ nuclêôtít Thymine được thay thế bởi nuclêôtít Uracil Tức là, ARN chứa 4 loại nuclêôtít: Adenine, Cytosine, Guanine, và Uracil Tên đầy đủ, tên viết tắt của năm loại nuclêôtít được mô tả ở Bảng 1.1

Bảng 1.1 Tên đầy đủ, tên viết tắt của 5 loại nuclêôtít:

Do đó, thông tin về một trình tự ADN được biểu diễn bằng một trình tự các nuclêôtít nằm trên một sợi (các nuclêôtít nằm trên sợi còn lại có thể suy luận dựa theo quy tắc trên) Để đơn giản, một trình tự ADN sẽ được biểu diễn bởi một xâu kí

tự chứa 4 loại kí tự: A, C, G và T (tên viết tắt của 4 loại nuclêôtít) Ví dụ,

"CAGTTGACGGCGAACCGTGCGAGCAGACGGTCGTT" là một trình tự ADN Với cách biểu diễn này, thông tin về các trình tự DN có thể được lưu giữ, tìm kiếm,

và trao đổi một cách hiệu quả

2) Protein và axit amin

Prôtêin/trình tự prôtêin (protein) là loại dữ liệu phổ biến và quan trọng trong sinh học phân tử Nó quyết định đến chức năng, quá trình phát triển, cũng như các bệnh tật của các sinh vật sống Prôtêin được cấu tạo bởi một trình tự các axít amin (amino acid), trong đó mỗi axít amin là một hợp chất hữu cơ được tạo bởi ba thành phần chính là: nhóm amin (NH2), nhóm cacboxyl (COOH) và nhóm R quyết định tính chất của axít amin (xem Hình 1.1)

Hình 1.1 Minh họa cấu trúc một Axit amin

Trong tự nhiên có 20 loại axít amin khác nhau như mô tả ở Bảng 1.2 Mỗi axít amin có tên đầy đủ, tên viết tắt 3 kí tự và tên viết tắt 1 kí tự Thông thường, chúng

ta sử dụng tên viết tắt một kí tự để biểu diễn một axít amin

Trình tự axít amin có thể được biểu diễn bằng một xâu kí tự chứa 20 loại kí tự khác nhau, là tên viết tắt của 20 loại axít amin khác nhau Ví dụ:

„ESPQIRRDMGRLCATWPSKDSEDGAGTALRAATPLTANGATTTGLSVTLAPKQTNWDECWSSPCQNGGTCVDGVAYYNCTCPEGFSGSNCEENVDE‟ là một trình tự axít amin Với cách biểu diễn này, chúng ta có thể dễ dàng lưu giữ các

trình tự axít amin trong các cơ sở dữ liệu nhằm phục vụ nhiều mục đích khác nhau

Bảng 1.2 Tên đầy đủ, tên viết tắt của 5 loại nuclêôtít

STT Tên axít amin Tên viết tắt (3 ký tự) Tên viết tắt (1 ký tự)

Nhiêm sắc thể (chromosome) là một cấu trúc trong tế bào chứa hai loại thông

tin là trình tự ADN và các prôtêin histone có nhiệm vụ kết hợp/đóng gói và điều

khiển các chức năng của trình tự ADN Độ dài của trình tự ADN trong một nhiễm sắc thể có thể từ vài nghìn cho đến hàng trăm triệu nuclêôtít Số lượng nhiêm sắc thể trong môi sinh vật có thể khác nhau Ví dụ, loài người có 23 cặp nhiễm sắc thể với tổng độ dài lên tới 3 tỉ nuclêôtít

Tập hợp tất cả các nhiêm sắc thể của một sinh vật được gọi là hệ gien của sinh

vật Hệ gien sẽ mang toàn bộ thông tin di truyền quyết định đến chức năng và đặc điểm của sinh vật Một hệ gien có thể chứa nhiều gien khác nhau Ví dụ hệ gien người chứa khoảng 25 nghìn gien khác nhau Hai hệ gien của hai cá thể của cùng

một loài (ví dụ của hai người khác nhau) thường rất giống nhau Sự khác nhau giữa

hệ gien của hai cá thể sẽ tạo ra sự khác nhau giữa hai cá thể đó

4) EST (expressed sequence tag)

EST, hay còn gọi là nhãn xác định trình tự biểu hiện, thực chất là các đoạn trình tự ngắn được trích ra từ một trình tự ADN đã biết Các trình tự ADN ngẫu nhiên (có thể là trình tự đầy đủ hay các trình tự một phần EST) được xác định bằng

sử dụng phương pháp giải mã trình tự ngẫu nhiên rồi được đối chiếu với các đoạn

khung của hệ gen Các vùng tương ứng với các EST được xác định là các exon, còn các vùng nằm giữa các exon tương ứng với các intron (mặc dù, nguyên tắc cắt intron khác nhau có thể sử dụng một exon không có mặt trong ADN hay EST được

giải mã trình tự)

Các thông tin giải mã trình tự ADN và EST cũng giúp tìm được sự liên kết

giữa các contig, giữa các đoạn khung và giữa chúng với nhau Chẳng hạn như giả

sử có một phân tử ADN được phiên mã từ một gen kích thước rất lớn có chiều dài intron là 100 KB hoặc hơn Có hai đoạn khung cùng chứa các trình tự khác nhau của phân tử ADN chung này, thì nhiều khả năng chúng là các vùng liên kết của hệ gen và biểu hiện là các đoạn của cùng một gen

1.2 Các bài toán cơ bản trong tin sinh học

Một số bài toán cơ bản và quan trọng trong tin sinh học bao gồm:

1) Quản lý dữ liệu

Một trong các bài toán quan trọng đầu tiên của tin sinh học là xây dựng các hệ thống dữ liệu để quản lý và khai thác một cách hiệu quả lượng dữ liệu sinh học khổng lồ Dữ liệu sinh học bao gồm nhiều loại khác nhau, trong đó chủ yếu là các trình tự nuclêôtít, và các trình tự axít amin Lượng dữ liệu sinh học có thể lên đến hàng triệu megabyte và được cập nhật liên tục theo thời gian Chi tiết về cấu trúc và cách sử dụng các hệ thống dữ liệu sinh học sẽ được trình bày chi tiết ở chương Cơ

sở dữ liệu sinh học phân tử

2) Phân tích mối quan hệ giữa các trình tự

Phát triển các mô hình, các phương pháp và các công cụ tính toán để phân tích mối quan hệ giữa các trình tự sinh học (chủ yếu là các trình tự nuclêôtít/prôtêin)

là lớp bài toán cốt lõi trong tin sinh học Một số bài toán điển hình là sắp hàng hai trình tự, hay sắp hàng đa trình tự, đo độ giống nhau giữa các trình tự

3) Nghiên cứu tiến hóa

Nghiên cứu quá trình tiến hóa và mối quan hệ giữa các loài sinh vật là bài toán quan trọng trong sinh học Tin sinh học tập trung vào phát triển các mô hình

và phương pháp nhằm xây dựng mối quan hệ tiến hóa giữa các loài sinh vật dựa vào phân tích mức độ giống nhau giữa các trình tự sinh học của chúng

4) Dự đoán cấu trúc bậc cao của các trình tự

Ngày nay, các máy giải trình tự thế hệ mới có thể giải trình tự hệ gien người trong vòng một ngày với chi phí khoảng 50 nghìn Đô la Mỹ Tuy nhiên, việc xác định được cấu trúc bậc cao của của các trình tự (phổ biến là các trình tự prôtêin) vẫn là một bài toán khó cả về mặt thời gian và chi phí c ác nghiên cứu tin sinh học giúp phát triển các mô hình, phương pháp và công cụ tính toán để dự đoán cấu trúc bậc cao của các trình tự dựa vào phân tích nội dung và mối quan hệ của chúng với các trình tự khác Các phương pháp dự đoán sẽ giảm thiểu một lượng lớn thời gian

và chi phí cho việc xác định cấu trúc bậc cao của các trình tự

1.3 Các ứng dụng của tin sinh học

Một số ứng dụng quan trọng của tin sinh học bao gồm:

1) Kiểm soát dịch bệnh

Đây là một vấn đề quan trọng trên thế giới, đặc biệt là đối với Việt Nam Tin sinh học sẽ phát triển các hệ thống theo dõi và dự đoán sự lây lan của các dịch bệnh Các nghiên cứu trong tin sinh phân tích và tìm ra nguồn ngốc xuất hiện của các bệnh dịch, đặc biệt là các bệnh dịch ảnh hưởng lớn đến sức khỏe con người, cũng như kinh tế xã hội

2) Phát triển thuốc và chẩn đoán bệnh

Các phương pháp và công cụ tin sinh học đóng vai trò quan trọng và không thể thiếu được trong việc phát triển và chế tạo các loại dược phẩm khác nhau Các

mô hình và phương pháp dự đoán cấu trúc sẽ giúp quá trình phát triển các loại thuốc mới diên ra nhanh hơn với chi phí thấp hơn Bên cạnh đó, các phương pháp tin sinh học cũng được sử dụng để chẩn đoán các bệnh liên quan đến gien, đặc biệt

là các bệnh di truyền

3) Phát triển các giống cây trồng, vật nuôi

Một trong các ứng dụng nổi bật của tin sinh học là phát triển các phương pháp phân tích nhằm tìm ra các gien quý hiếm ở các loại vật nuôi, cây trồng Việc này sẽ giúp đẩy nhanh quá trình tạo ra các giống vật nuôi cây trồng cho năng suất và hiệu quả kinh tế cao

1.4 Một số cơ sở dữ liệu sinh học lớn trên thế giới

Các công nghệ giải trình tự phát triển liên tục giúp chúng ta thu thập được một số lượng lớn các trình tự ADN, cũng như các trình tự prôtêin tương ứng Đặc biệt là các công nghệ giải trình tự thế hệ mới (next generation sequencing technologies) cho phép chúng ta giải trình tự một lượng khổng lồ dữ liệu ADN trong một khoảng thời gian ngắn với chi phí thấp Nếu như trước đây, chúng ta phải tốn khoảng 3 tỉ Đô la Mỹ trong vòng 15 năm để giải trình tự hệ gien người, thì với công nghệ ngày này, chúng ta có thể giải trình tự hệ gien của một người trong vòng một ngày với chi phí chỉ khoảng vài chục nghìn Đô la Mỹ

Theo số liệu từ cơ sở dữ liệu ngân hàng gen trên thế giới (GenBank - http://www.ncbi.nlm.nih.gov/Genbank/), đến năm 2012 số lượng trình tự ADN được lưu giữ tại cơ sở dữ liệu Genbank vào khoảng 160 triệu trình tự Số liệu từ cơ

sở dữ liệu UniProt (http://www.uniprot.org/) cho thấy, đến năm 2012 số lượng trình

tự prôtêin được lưu giữ ở cơ sở dữ liệu UniProt vào khoảng 27 triệu trình tự Việc giải trình tự và thu thập dữ liệu sinh học phân tử được tiến hành tại nhiều trung tâm công nghệ sinh học khác nhau ở nhiều quốc gia trên thế giới Mặc dù việc giải trình

tự diễn ra ở nhiều nơi trên thế giới, gần như tất cả các dữ liệu thu được đều được lưu giữ và chia sẻ tại các trung tâm thông tin về công nghệ sinh học lớn trên thế giới như là:

(1) Trung tâm thông tin công nghệ sinh học quốc gia Hoa Kỳ NCBI (National Center Biotechnology Information): http://www.ncbi.nlm.nih.gov/

(2) Trung tâm thông tin công nghệ sinh học Châu Âu EBI (European Biotechnology Information): http://www.ebi.ac.uk/

(3) Ngân hàng dữ liệu ADN của Nhật Bản (DNA Data Bank of Japan):

http://www.ddbj.nig.ac.jp/

Dữ liệu về các trình tự ADN từ ba trung tâm này thường xuyên được cập nhật, trao đổi với nhau hàng ngày để đảm bảo tính đầy đủ và thống nhất về các trình tự ADN lưu giữ Phần tiếp theo, luận văn giới thiệu chi tiết về cơ sở dữ liệu của NCBI tại địa chỉ http://www.ncbi.nlm.nih.gov/

1) Trung tâm thông tin công nghệ sinh học Hoa Kỳ

Hình 1.2 Trung tâm thông tin công nghệ sinh học Hoa Kỳ

NCBI là trung tâm thông tin trực tuyến bao gồm nhiều cơ sở dữ liệu khác nhau cũng như hàng loạt các công cụ tìm kiếm và phân tích dữ liệu trực tuyến Một

số chức năng chính của NCBI cung cấp cho người dùng là:

Tìm kiếm các loại dữ liệu sinh học phân tử theo các tiêu chí khác nhau Cho phép lưu giữ, sao chép và chia sẻ dữ liệu trên các cơ sở dữ liệu khác nhau do NCBI quản lý

Phân tích dữ liệu sử dụng các công cụ trực tuyến do NCBI tích hợp và cung cấp

Hình 1.3 là cấu trúc cơ bản về các cơ sở dữ liệu (CSDL) của NCBI với 5 thành phần chính là: CSDL Nucleotide, CSDL Protein, CSDL Genome, CSDL Structure, và CSDL PubMed

CSDL Nucleotide: Cơ sở dữ liệu lưu giữ toàn bộ các trình tự ADN của các loài sinh vật đã được giải trình tự, lưu giữ và chia sẻ trên NCBI

CSDL Protein: Cơ sở dữ liệu lưu giữ toàn bộ các trình tự prôtêin của các

loài sinh vật đã được giải trình tự, lưu giữ và chia sẻ trên NCBI

CSDL Genome: Cơ sở dữ liệu lưu giữ hệ gien của các loài sinh vật khác nhau đã được giải trình tự, lưu giữ và chia sẻ trên NCBI

CSDL Structure: Cơ sở dữ liệu lưu giữ thông tin, hình ảnh về cấu trúc bậc cao (thường là cấu trúc không gian 3 chiều) của các trình tự prôtêin

CSDL PubMed: Cơ sở dữ liệu lưu giữ các tài liệu (chủ yếu là các bài báo, sách trực tuyến) liên quan đến các chủ đề trong sinh học và khoa học sự sống

Các cơ sở dữ liệu trên được liên kết với nhau giúp người dùng có thể dễ dàng tìm kiếm và sử dụng Việc tìm kiếm dữ liệu từ các cơ sở dữ liệu của NCBI được thực hiện bởi máy tìm kiếm Entrez

Hình 1.3 Cấu trúc cơ bản của NCBI

2) Định dạng chuẩn dữ liệu FASTA

Dữ liệu về các trình tự ADN được giải trình tự bởi các trung tâm công nghệ sinh học khác nhau trên thế giới Dữ liệu về trình tự ADN thường bao gồm một số thông tin chính sau:

(1) Tên loài sinh vật giải trình tự, tên này thường là tên khoa học, ví dụ như Homo Sapien (Người), Mus musculus (Chuột)

(2) Tên của trình tự ADN được giải trình tự

(3) Độ dài của trình tự ADN

(4) Các loại số hiệu của trình tự trong CSDL Genbank (số hiệu truy cập, số hiệu GI, số hiệu phiên bản.)

(5) Nội dung các nuclêôtít trên trình tự ADN

Một trong các công việc khó khăn đầu tiên mà các nhà quản lý thông tin gặp phải là dữ liệu từ các trung tâm khác nhau có thể được lưu giữ với các định dạng khác nhau Hơn nữa, dữ liệu tại các trung tâm thông tin khác nhau như NCBI, EBI, DDBJ cũng được lưu giữ theo các định dạng khác nhau Để giải quyết bài toán liên quan đến sự khác biệt về định dạng dữ liệu, chúng ta cần định ra các định dạng dữ liệu chuẩn nhằm mục đích lưu giữ, và chia sẻ dữ liệu

FASTA là một trong các định dạng dữ liệu chuẩn, đơn giản và quan trọng được đề xuất bởi William Pearson vào năm 1985 Đây là định dạng kiểu văn bản (text) để lưu giữ thông tin về các trình tự ADN (hay prôtêin) Định dạng FASTA được sử dụng một cách rộng rãi như một định dạng chuẩn quốc tế cho tất cả các cơ

sở dữ liệu, và chương trình phần mềm

Định dạng FASTA được dùng để mô tả thông tin về một trình tự AND

(prôtêin) bao gồm hai phần: Phần tiêu đề và phần nội dung

Tiêu đề (headline) bao gồm 1 dòng bắt đầu bằng kí tự '>' và kết thúc bởi một kí tự xuống dòng (return) Phần này sẽ lưu giữ toàn bộ thông tin mô tả

về trình tự ADN/prôtêin như tên trình tự, độ dài của trình tự, ngày tháng tiến hành giải trình tự, loại dữ liệu v.v

Thông tin về các nuclêôtít của trình tự: Tất cả các kí tự không thuộc về phần tiêu đề sẽ là dữ liệu mô tả các nuclêôtít của trình tự ADN Phần thông tin này có thể chứa các kí tự cách

Ví dụ: Một tệp dữ liệu theo định dạng FASTA như sau:

Tiêu đề: >gi|1293613|gb|U49845.1|SCU49845 Saccharomyces cerevisiae

Tiêu đề: Chứa các thông tin cơ bản về trình tự như là số hiệu GI của trình

>gi|1293613|gb|U49845.1|SCU49845 Saccharomyces cerevisiae

TCP1-beta gene, partial cds; and Axl2p (AXL2) and Rev7p (REV7) genes, complete cds

GATCCTCCATATACAACGGTATCTCCACCTCAGGTTTAGATCTCAACA ACGGAACCATTGCCGACATGAGACAGTTAGGTATCGTCGAGAGTTAC AAGCTA

AAACGAGCAGTAGTCAGCTCTGCATCTGAAGCCGCTGAAGTTCTACT

AAG

tự (1293613), GB (U49845.1), tên trình tự (SCU49845), tên sinh vật lấy

mẫu (Saccharomyces cerevisiae), tên các đoạn gien trên trình tự (Axl2p,

Rev7p) và một loạt các thông tin khác

Thông tin về các nuclêôtít của trình tự:

GATCCTCCATATACAACGGTATCTCCACCTCAGGTTTAGATCTCAACAACGGAACCATTGCCGACATGAGACAGTTAGGTATCGTCGAGAGTTACAAGCTA

Ngoài ra, còn dạng chuẩn ALN/ClustalW và dạng chuẩn GenBank

Chương 2 BÀI TOÁN PHÂN TÍCH MỐI QUAN HỆ GIỮA

CÁC TRÌNH TỰ 2.1 Bài toán phân tích mối quan hệ giữa hai trình tự

2.1.1 Giới thiệu bài toán

Bài toán phân tích mối quan hệ giữa hai trình tự là bài toán so sánh một trình

tự chưa biết với một trình tự đã biết nhằm xác định mức độ giống nhau giữa hai

trình tự Với trình tự AND, mức độ giống nhau giữa hai trình tự ADN cho biết mối quan hệ tiến hóa, cũng như sự giống nhau về chức năng của chúng Về cơ bản, hai trình tự ADN càng giống nhau, thì khả năng càng cao chúng tương đồng với nhau (cùng tiến hóa từ một trình tự ADN tổ tiên) và có sự giống nhau về chức năng Tức

là, xác định được mức độ giống nhau giữa hai trình tự ADN có thể giúp chúng ta xác định được đặc điểm và chức năng cho các trình tự ADN mới dựa vào đặc điểm

và chức năng của các trình tự ADN đã biết trong cơ sở dữ liệu

Xét hai trình tự ADN X bao gồm 9 nuclêôtít và Y bao gồm 10 nuclêôtít được

cho ở Bảng 2.1 dưới đây Trong quá trình tiến hóa, các phép đột biến thay thế nuclêôtít làm cho nội dung của hai trình tự khác nhau, các phép đột biến thêm/mất nuclêôtít làm cho độ dài của hai trình tự khác nhau

Bảng 2.1 Hai trình tự AND X và Y

Trình tự X A C T A C G G T T

Trình tự Y A G T G A C G G G T

Một loạt câu hỏi đặt ra khi tiến hành so sánh hai trình tự X và Y:

Mức độ giống nhau giữa hai trình tự ADN X và Y ?

Với mỗi nuclêôtít X ở vị trí thứ i trên trình tự X, cần biết:

1) X tương ứng với nuclêôtít nào trên trình tự Y?

2) X là một nuclêôtít mới được thêm vào trình tự X trong quá trình tiến hóa? 3) Nuclêôtít tương đồng với X trên trình tự Y đã bị mất khỏi trình tự trong quá trình tiến hóa?

2.1.2 Phương pháp giải quyết bài toán

Để trả lời các câu hỏi trên, nghĩa là để giải quyết bài toán phân tích mối quan

hệ giữa hai trình tự, trong tin sinh học sử dụng một kỹ thuật gọi là sắp hàng hai trình tự (pairwise alignment) X và Y

Sắp hàng hai trình tự X và Y là quá trình chèn thêm các kí tự cách ' ' (mỗi kí

tự ' ' cho biết một nuclêôtít đã bị mất khỏi trình tự), vào cả hai trình tự ADN để thu

được hai trình tự mới và thỏa mãn các điều kiện ràng buộc sau:

1) Hai trình tự và có độ dài bằng nhau

2) Hai nuclêôtít ở cùng một vị trí trên hai trình tự và được cho là cùng tiến hóa từ một nuclêôtít tổ tiên chung

3) Không tồn tại bất cứ một vị trí i nào, mà cả trình tự và cùng chứa dấu

' ' Nói cách khác, việc chèn kí tự ' ' vào cùng một ví trí trên cả hai trình

được chèn thêm vào trình tự Y, ta gọi phép đột biến ở vị trí 4 là

"thêm/mất" hay gọi tắt là "indel"

Một đột biến ở vị trí số 9, nuclêôtít T ở trình tự bị đột biến thành nuclêôtít G ở trình tự hoặc ngược lại

Bảng 2.2 Hai trình tự và sau khi được sắp hàng

Trình tự A C T A C G G T T

Trình tự A G T G A C G G G T

Tức là, có 3 phép đột biến (hai phép thay thế và một phép thêm/mất) giữa hai

trình tự X và Y Dễ thấy có nhiều cách sắp hàng khác nhau hai trình tự X, Y Bảng 2.3 biểu diễn hai cách sắp hàng khác của hai trình tự X và Y:

Có 4 phép đột biến trong cách sắp hàng X1 và Y1; trong đó có 3 phép thay

Một sắp hàng được gọi là tốt nhất (tối ưu) nếu như mức độ giống nhau giữa hai trình tự ADN và sau khi sắp hàng là lớn nhất

Tiếp theo sẽ trình bày cách đo độ giống nhau giữa hai trình tự ADN sau khi được sắp hàng Gọi A A C G T, , , , là tập các kí tự có thể xuất hiện trên trình tự ADN, trong đó:

A, C, G, T là bốn loại nuclêôtít

' ' là kí tự cách biểu diễn cho một nuclêôtít đã bị mất khỏi trình tự

Gọi là ma trận điểm xác định mức độ giống nhau giữa các kí tự, trong đó

(x, y) là điểm giống nhau giữa hai kí tự xx y, A Bảng 2.4 mô tả một ví dụ về ma trận điểm , trong đó:

Điểm giữa hai nuclêôtít giống nhau (match score) là 2 Điểm này thường

có giá trị dương, cho nên thường gọi là điểm thưởng

Điểm giữa hai nuclêôtít khác nhau (mismatch score) là -1 Đây là điểm cho một một phép thay thế nuclêôtít

Điểm giữa một nuclêôtít và kí tự ' ' (indel score) là -2 Đây là điểm cho một phép thêm/mất Điểm này có giá trị âm, cho nên thường gọi là điểm phạt

Điểm giữa 2 kí tự ' ' là 0 Điều này thể hiện việc chèn thêm hai kí tự ' ' vào cùng một vị trí trên hai trình tự là vô nghĩa, nó sẽ không làm thay đổi mức độ giống nhau giữa hai trình tự

Lưu ý, ma trận điểm là ma trận đối xứng, tức là (x, y) = (y, x) với mọi

Một trình tự ADN bao gồm n nuclêôtít được biểu diễn bởi một xâu gồm n kí

có tổng điểm là 10; trong khi cách sắp hàng X1 với Y1; hay X2 với Y2 có tổng điểm tương ứng là 7 và 1 Vậy cách sắp hàng và tốt hơn cách sắp hàng X1 và Y1 hay X2 và Y2

Bảng 2.5 Các cách sắp hàng khác nhau với tổng điểm khác nhau

2.1.3 Thuật toán Needleman-Wunsch

Với hai trình tự ADN X và Y, có thể sắp hàng chúng theo nhiều cách khác

nhau Phần tiếp theo sẽ trình bày thuật toán Quy hoạch động Needleman-Wunsch

[4] để sắp hàng tối ưu X và Y với tổng điểm lớn nhất

Tư tưởng của thuật toán quy hoạch động là xây dựng lời giải của bài toán lớn dựa trên lời giải của các bài toán có kích thước nhỏ hơn (gọi là các bài toán con) Nghiệm của các bài toán con được lưu vào bảng quy hoạch động để không phải giải bài toán con nhiều lần; đồng thời làm cơ sở để xây dựng nghiệm của bài toán lớn Thuật toán quy hoạch động gồm những bước chính sau đây:

Bước 1: Tìm bài toán cơ sở mà nghiệm tối ưu của bài toán cơ sở có thể dễ

dàng tìm được Trong trường hợp bài toán sắp hàng hai trình tự, bài toán

cơ sở là bài toán sắp hàng hai trình tự có độ dài bằng 0 Nghiệm tối ưu của bài toán là 0

Bước 2: Xây dựng công thức truy hồi để có thể tìm nghiệm tối ưu của bài

toán có kích thước lớn dựa vào nghiệm của các bài toán có kích thước nhỏ hơn Trong trường hợp bài toán sắp hàng hai trình tự, nghiệm tối ưu của bài toán với hai trình tự tiền tố và được xây dựng dựa vào nghiệm tối ưu

của ba bài toán có kích thước nhỏ hơn là:

Nghiệm của bài toán với hai trình tự tiền tố 1 1

Thuật toán Needleman-Wunsch được mô tả chi tiết như sau:

Thuật toán Needleman-Wunsch bắt cặp hai trình tự AND

Dữ liệu vào: Hai trình tự X x1, ,x p và Y y1, ,y q ; ma trận điểm C đo mức

độ giống nhau giữa các kí tự thuộc tập kí tự A A C G T, , , ,

Yêu cầu: Chèn thêm các kí tự ' ' vào hai trình tự X và Y để tổng điểm giữa hai trình

Tức là, F i j, được tính theo công thức truy hồi như sau:

F i j C y là giá trị lớn nhất, nuclêôtít y j ở vị trí thứ j trên trình

tự Y sẽ được bắt cặp với ' ' Tức là nuclêôtít y j bị mất khỏi trình tự X

Bước 3 : Gọi F p q, là nghiệm tốt nhất của bài toán cho hai trình tự X và

Y Sử dụng bảng F để thực hiện chèn các kí tự ' ' vào hai trình tự X và Y

để thu được hai trình tự sắp hàng X và Y tương ứng

Ví dụ: Xét hai trình tự X = „ACTACGGTT‟ bao gồm 9 nuclêôtít và Y =

„AGTGACGGGT‟ bao gồm 10 nuclêôtít, ta có bảng F như ở Bảng 2.6

Bảng 2.6 Bảng F của thuật toán quy hoạch động trên hai trình tự ADN

Từ Bảng 2.6 ta thấy nghiệm tốt trong bài toán sắp hàng hai trình tự X =

„ACTACGGTT‟ và Y = „AGTGAC GGGT‟ là 10 Kết qua sắp hàng X và Y để thu

2.2 Bài toán phân tích mối quan hệ cục bộ giữa hai trình tự

2.1.4 Giới thiệu bài toán

Khi phân tích hai trình tự ADN, chúng ta thường quan tâm đến những đoạn có

độ tương đồng cao giữa chúng Những đoạn này có thể là những đoạn mã hóa prôtêin và quyết định đến đặc điểm và chức năng của trình tự (những đoạn quyết định chức năng của trình tự thường không thay đổi nhiều trong quá trình tiến hóa

cho nên chúng có độ giống nhau rất cao khi so sánh hai trình tự ADN) Xét hai trình tự và như sau:

X=„TTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTGATTATTGGTTGTTGCGGCATTGCCCTGACTGCGGAGTGCATCTTCTCATCTTGTATCACAGCAGCAACACAACAAGACTTTTTCACACCCAACCTCTTCCTGGGTGTGGGGTGCCCTCCAAACAATGATGACCAGTGGAAAAACAATG"

Y=„GACAACTCAACTGTTCGTTGCTTCCAGGGCCTGCTGATTTTTGGAAATGTGATTATTGGTTGTTGCGGCATTGCCCTGACTGCGGAGTGCATCTTCTCATCTTGTATCACAGCAGCAACACAACAAGACTTTTTCACACCCAACCTCTTCCTGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC‟

Ta thấy đoạn:

„GATTATTGGTTGTTGCGGCATTGCCCTGACTGCGGAGTGCCAACCTCTTCCTG‟xuất hiện trên cả hai trình tự X và Y

Bài toán tìm cặp đoạn có độ giống nhau cao giữa hai trình tự ADN được gọi

là bài toán phân tích mối quan hệ cục bộ, hay bài toán sắp hàng cục bộ hai trình tự

(local pairwise alignment) và được phát biểu như sau:

Cho hai trình tự ADN X x1, ,x p và Y y1, ,y q , hãy tìm cặp đoạn con liên tiếp X i j, x i, ,x j trên trình tự X và Y k t, y k, ,y t trên trình tự Y có

độ giống nhau cao nhất

2.1.5 Thuật toán phân tích mối quan hệ cục bộ giữa hai trình tự

Chúng ta có thể biến đổi thuật toán quy hoạch động giải quyết bài toán phân tích mối quan hệ cục bộ hai trình tự, gọi tắt là thuật toán sắp hàng cục bộ hai trình

tự Tư tưởng của thuật toán là: Nghiệm tối ưu của bài toán sắp hàng cục bộ với hai

trình tự tiền tố X p và Y q được xây dựng trên nghiệm tối ưu của ba bài toán sắp hàng cục bộ hai trình tự có kích thước nhỏ hơn:

Nghiệm tối ưu của bài toán sắp hàng cục bộ hai trình tự tiền tố X p , Y q

Nghiệm tối ưu của bài toán s ắp hàng cục bộ hai trình tự tiền tố X p-1 , Y q

Nghiệm tối ưu của bài toán sắp hàng cục bộ hai trình tự tiền tố X p , Y q-1

Hơn thế nữa, nghiệm tối ưu của bài toán sắp hàng cục bộ hai trình tự tiền tố

X p và Y q trong trường hợp tồi nhất là cặp hai đoạn rỗng (đoạn có độ dài bằng 0 và

không chứa nuclêôtít nào) với độ giống nhau bằng 0

Thuật toán sắp hàng cục bộ hai trình tự ADN được trình bày chi tiết như sau:

Thuật toán sắp hàng cục bộ hai trình tự AND (local pairwise alignment)

Dữ liệu vào: Hai trình tự X x1, ,x p và Y y1, ,y q ; ma trận điểm C đo mức

độ giống nhau giữa các kí tự thuộc tập kí tự A A C G T, , , ,

Yêu cầu: Tìm cặp đoạn con liên tiếp X i j, x i, ,x j trên trình tự X và

Dữ liệu ra: Cặp đoạn con liên tiếp X i j, x i, ,x j trên trình tự X và

Bước 3: Tìm phần tử F k t, có giá trị lớn nhất trong bảng F ( F k t, là

nghiệm tốt nhất của bài toán sắp hàng cục bộ hai trình tự X và Y)

Bước 4: Sử dụng bảng F để thực hiện chèn các kí tự ' ' vào hai trình tự X

và Y để thu được cặp hai đoạn X i j, x i, ,x j trên trình tự X và

Y k t y y trên trình tự Y có độ giống nhau là F k t,

Điểm khác biệt giữa công thức quy hoạch động cho bài toán sắp hàng hai trình tự và bài toán sắp hàng cục bộ hai trình tự nằm ở dòng đầu tiên của công thức (2.2), thể hiện rằng nghiệm tồi nhất của bài toán sắp hàng địa phương hai trình tự là

0

Xét ví dụ hai trình tự X = "TCGGTGACC" và Y = "AGGGGACGGG", ma

trận quy hoạch động F tính theo công thức (2.2) được biểu diên trên Bảng 2.8 Giá trị F(k, t) = 9 là lớn nhất trong bảng F với k = 8, t = 7 Bảng 2.9 là sắp hàng cục bộ

tốt nhất của hai trình tự X và Y Cặp đoạn (3,8) và (3,8) có độ giống nhau bằng

9 và lớn nhất Lưu ý, cặp đoạn (3,8) và (3,8) tương ứng với X(3,8) trên trình tự

Nhận xét: Độ phức tạp tính toán của thuật toán quy hoạch động để sắp hàng

địa phương hai trình tự là O(pq) với p và q là độ dài tương ứng của hai trình tự Với

độ phức tạp này, thuật toán quy hoạch động có thể sắp hàng địa phương hai trình tự với độ dài hàng nghìn nuclêôtít

2.3 Tìm kiếm trình tự tương đồng bằng BLAST

2.3.1 Giới thiệu bài toán

Xác định cấu trúc và chức năng của một trình tự mới được giải mã X là một

trong những bài toán quan trọng trong lĩnh vực nghiên cứu về tin sinh học Có

nhiều cách để xác định cấu trúc và chức năng của một trình tự X Thông thường, dự đoán chức năng và cấu trúc của X dựa vào chức năng và cấu trúc của các trình tự

đã biết và có độ giống nhau cao với X

Bài toán phân tích mối quan hệ của hai trình tự X và Y đã trình bày ở trên, hay bài toán sắp hàng hai trình tự X và Y, để tìm ra cặp đoạn giống nhau lớn nhất giữa

hai trình tự đã được giải quyết bằng thuật toán quy hoạch động với độ phức tạp là

O(pq), trong đó p và q là độ dài tương ứng của hai trình tự X và Y Có thể sử dụng

thuật toán quy hoạch động trên để tìm tất cả các cặp đoạn có độ giống nhau cao

giữa X và Y Tuy nhiên, độ phức tạp của thuật toán quy hoạch động không cho phép

so sánh trình tự X với toàn bộ các trình tự (khoảng 130 triệu trình tự) hiện có trong

cơ sở dữ liệu Genbank của NCBI

Các phương pháp gần đúng đã được đề xuất để giải quyết bài toán tìm tất cả các trình tự trong cơ sở dữ liệu có độ giống nhau cao với một trình tự cho trước Một trong các phương pháp hiệu quả và phổ biến nhất là BLAST (Basic Local Alignment Search Tool) được đề xuất bởi Alschul và đồng nghiệp vào những năm

1970 Thuật toán BLAST cho phép so sánh rất nhanh một trình tự X với các trình tự

trong cơ sở dữ liệu để tìm ra các cặp đoạn có độ giống nhau cao giữa chúng Thuật toán BLAST được phát triển để có thể làm việc được với nhiều loại dữ liệu khác nhau

2.3.2 Thuật toán BLAST

Thuật toán BLAST được đề xuất để tìm các cặp đoạn có độ giống nhau cao

giữa một trình tự đầu vào X (query) với các trình tự có sẵn trong cơ sở dữ liệu Để

dễ dàng hiểu được thuật toán BLAST, luận văn sẽ trình bày thuật toán BLAST để

tìm các cặp đoạn có độ giống nhau cao giữa hai trình tự nuclêôtít X và Y

Xét hai trình tự nuclêôtít X x1 , ,x p và Y y1 , ,y q , thuật toán BLAST

xuất phát từ nhận xét sau: „Cặp đoạn có độ giống nhau cao giữa hai trình tự X và Y

thường phải chứa một đoạn chung giống hệt nhau (identical), gọi là đoạn hạt giống

(seed), với độ dài lớn hơn hoặc bằng k (mặc định k = 11)‟ Tư tưởng chính của

thuật toán BLAST như sau (xem minh họa ở Bảng 2.10):

Tìm tất cả các đoạn hạt giống giữa hai trình tự X và Y

Với mỗi đoạn hạt giống:

Xác định vị trí xuất hiện của nó trên hai trình tự X và Y

Mở rộng nó về cả hai phía trái và phải để thu được cặp đoạn có độ giống nhau cao giữa X và Y Quá trình mở rộng sẽ dừng lại nếu như việc mở rộng thêm 1 vị trí sẽ làm điểm giống nhau của cặp đoạn mở rộng nhỏ hơn điểm giống nhau cao nhất tìm được trong quá trình mở rộng một ngưỡng cho trước

Bảng 2.10 Minh họa ý tưởng của thuật toán BLAST

Trình tự X

Trình tự Y

AAAAAAAAAAAAAGCGCGCGCGCTTTTTTTTTTTTT TTAAATGCGCGCGCGCTGTTTTTGGGGGGGG

Trình tự X

Trình tự Y

AAAAAAAAAAAAAGCGCGCGCGCTTTTTTTTTTTTT TTAAATGCGCGCGCGCTGTTTTTGGGGGGGG

Trình tự X

Trình tự Y

S = „GCGCGCGCGCT‟ là một đoạn hạt giống giữa X và Y

AAAAAAAAAAAAAGCGCGCGCGCTTTTTTTTTTTTT TTAAATGCGCGCGCGCTGTTTTTGGGGGGGG

Mở rộng đoạn hạt giống về hai phía để thu được cặp đoạn có độ

giống nhau cao giữa hai trình tự X và Y (phần in đậm)

Thuật toán BLAST đơn giản cho hai trình tự ADN

Dữ liệu vào: Hai trình tự ADN X x1, ,x p và Y y1, ,y q ; ma trận điểm giống nhau C giữa các nuclêôtít; ngưỡng giảm điểm ; độ dài k của đoạn hạt giống (mặc định k = l l đối với hai trình tự ADN)

Yêu cầu: Liệt kê tất cả các cặp đoạn có độ giống nhau cao giữa hai trình tự X và Y

Dữ liệu ra: Các cặp đoạn có độ giống nhau cao giữa hai trình tự X và Y

Thuật toán

Bước 1: Tạo tập các đoạn con liên tiếp có độ dài k trên trình tự X Gọi

1 , ,

X x x là đoạn con liên tiếp trên X có độ dài bằng k và bắt đầu từ

vị trí thứ i

Bước 2: Với môi đoạn con X i , nếu X i xuất hiện trên trình tự Y tại vị trí j (X i =

Y j ), ta gọi (X i , Y j ) là cặp đoạn hạt giống Bước này có th ể tiến hành nhanh

nhờ sử dụng các kĩ thuật bảng băm

Bước 3: Với mỗi cặp đoạn hạt giống (X i , Y j ), mở rộng cặp đoạn X i , Y j sang cả

bên trái và sang cả bên phải để thu được cặp đoạn giống nhau dài hơn theo quy tắc: Quá trình mở rộng sẽ dừng lại nếu như việc mở rộng thêm 1 vị trí sẽ làm điểm giống nhau của cặp đoạn mở rộng nhỏ hơn điểm giống nhau cao nhất tìm được trong quá trình mở rộng một ngưỡng Quá trình mở rộng sẽ được tiến hành lặp đi lặp lại cho đến khi không thể mở rộng được nữa Gọi

(X i , Y j ) là cặp đoạn thu được sau khi kết thúc quá trình mở rộng Cặp đoạn (X i , Y j ) được gọi là cặp đoạn có điểm giống nhau cao giữa X và Y (High

Scoring Segment Pair - HSP)

Bước 4: Với mỗi cặp đoạn có điểm giống nhau cao (X i , Y j ), tính giá trị E -

value theo công thức sau:

và Y mà có điểm giống nhau lớn hơn hoặc bằng S Giá trị

,

E value X Y càng cao, thể hiện khả năng càng cao rằng cặp đoạn (X i , Y j )

là xuất hiện ngẫu nhiên; giá trị E value X Y i, j càng nhỏ thể hiện hai đoạn

X i , Y j có quan hệ với nhau; việc bắt cặp chúng với nhau có khả năng thấp là

do ngẫu nhiên

2.4 Bài toán phân tích mối quan hệ giữa đa trình tự

2.4.1 Giới thiệu bài toán

Bài toán phân tích mối quan hệ giữa hai trình tự X và Y được thực hiện bằng phương pháp sắp hàng giữu hai trình tự X và Y như mô tả ở phần 2.1 Để phân tích mối quan hệ giữa nhiều trình tự khác nhau, giống như ý tưởng bài toán phân tích mối quan hệ giữa 2 trình tự, ta cần tiến hành sắp hàng nhiều trình tự ADN với nhau, gọi là bài toán sắp hàng đa trình tự Sắp hàng đa trình tự cho biết được mức độ giống nhau và quan hệ giữa nhiều trình tự ADN Sắp hàng đa trình tự là bài toàn tổng quát của sắp hàng hai trình tự và được phát biểu đơn giản như sau:

Sắp hàng đa trình tự là quá trình chèn thêm các kí tự ' ' (cho biết một nuclêôtít đã bị mất khỏi trình tự) vào các trình tự ADN để sau khi sắp hàng thu được các trình tự ADN thỏa mãn các điều kiện ràng buộc sau:

Các trình tự sau khi sắp hàng có độ dài bằng nhau, và độ dài đó được gọi

là độ dài của đa trình tự sắp hàng

Các nuclêôtít ở cùng một vị trí trên các trình tự được cho tương đồng, tức

là cùng tiến hóa từ một nuclêôtít tổ tiên chung

Không tồn tại bất cứ một vị trí i nào mà tất cả các trình tự cùng chứa kí tự

' ' Nói một cách khác, việc chèn kí tự ' ' vào cùng một vị trí trên tất cả các trình tự là không có ý nghĩa

Tương tự như bài toán sắp hàng hai trình tự, dễ thấy tồn tại nhiều đa sắp hàng

khác nhau cho một tập n trình tự đầu vào A Giống như bài toán sắp hàng hai trình

tự, cần xác định một tiêu chuẩn để lựa chọn đa sắp hàng tốt nhất (tối ưu):

Một đa sắp hàng được gọi là tốt nhất (tối ưu) nếu như tổng mức độ giống nhau giữa các trình tự ADN sau khi sắp hàng là lớn nhất

Điểm giống nhau của một đa trình tự

Sau đây luận văn trình bày cách xác định điểm giống nhau của một đa trình tự sắp hàng Nhắc lại, A A C G T, , , , là tập bao gồm 4 kí tự biểu diễn bốn loại nuclêôtít A, C, G, T và kí tự ' ' biểu diên một nuclêôtít đã bị xóa khỏi trình tự Gọi

1 , , n

A X X là tập n trình tự ADN với độ dài lần lượt là k1 , ,k n; X i s A là

nuclêôtít thứ s của trình tự ADN X i