LuanVan.vnLuận Văn
Gửi thư

Tích hợp đa omics và học máy trong dự đoán tổ hợp gen gây chết ở dòng tế bào ung thư

Luận văn · Thạc sĩ · năm 2025 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảPhạm Ngọc Tân
Người hướng dẫnNguyễn Thanh Bình
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2025
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

Hiện tượng gây chết tổng hợp (Synthetic lethality - SL) là một tương tác di truyền, đặc trưng bởi việc đồng thời mất đi chức năng ở cả 2 gene gây ra tử vong tế bào. Trong khi ta can thiệp bằng cách bất hoạt và ức chế biểu hiện từng gene riêng lẻ lại không ảnh hưởng đến khả năng sống sót của chúng. Thách thức trong việc dự đoán các tổ hợp gene gây chết đến từ sự mất cân bằng, mức độ phân tán nghiêm trọng của dữ liệu và việc lựa chọn phù hợp các nguồn tín hiệu sinh học cho các bài toán dự đoán sàng lọc. Các dữ liệu trong lĩnh vực nghiên cứu này thường chỉ bao gồm các dữ liệu đơn omic và thường chỉ bao gồm các tổ hợp gene dương tính. Trong luận văn này, Tổng hợp 1 tập dữ liệu về các tương tác SL có độ tin cậy cao từ các thí nghiệm sinh học ở nhiều dòng tế bào ung thư. Dữ liệu được tổng hợp bao gồm 38 752 cặp gene tương tác, trong đó có 7791 cặp tương tác dương tính và 30 960 cặp âm tính. Các cặp tương tác gene được sử dụng đều có độ tin cậy về thống kê > 60%. Tạo ra 1 kho dữ liệu đa omics cho mỗi gene có trong tập dữ liệu đã được tạo ra ở trên. Kho dữ liệu đa omics này bao gồm 5 loại dữ liệu omics: (1) biểu hiện gene trong quá trình phiên mã (transcriptomics), (2-3) mức độ phụ thuộc gene của tế bào sau khi bị bất hoạt bằng 2 phương pháp sàng lọc gene và (4-5) dữ liệu về hệ gene di truyền (chuỗi ADN và chuỗi amino acid). 2 phương pháp sàng lọc gene được sử dụng để đo lường mức độ phụ thuộc gene sau khi bất hoạt là: can thiệp RNA (RNA interference - RNAi) và CRISPR (Clustered Regularly Interspaced Palindromic Repeats). Ngoài ra, luận văn này cũng đề xuất một mô hình đa thể thức gồm các mô đun khác nhau được thiết kế chuyên biệt để phân tích từng loại dữ liệu đơn omic phù hợp. Việc xử lí bằng cách phân tích mô đun này giúp mô hình có thể xử lý và hiểu được các khía cạnh sinh học khác nhau cho cùng một gene. Dù đơn giản về mặt thiết kế, các kết quả định lượng cho thấy rằng phương pháp được đề xuất có kết quả tốt ở cả độ đặc hiệu, độ nhạy và độ chính xác trong dự đoán các tổ hợp gene gây chết ở dòng tế bào ung thư với độ đặc hiệu 99.75%, độ nhạy 90.55% và độ chính xác là 97.88%. Kết quả này cao hơn so với các phương pháp khác phức tạp hơn trong cùng 1 bài toán và tập dữ liệu như các mô hình sử dụng mạng neural đồ thị (graph neural network).
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.

Tải ứng dụng AI Học Thuật

Tư vấn học thuật, luận văn, công bố quốc tế với chuyên gia — miễn phí trên iPhone, iPad và Android.

Download on the App Store Tải trên Google Play