CÁC PHƯƠNG PHÁP SẮP HÀNG ĐA CHUỖI NHANH

Website: Email : Tel (: 0918.775.368
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Nguyễn Hoàng Dũng
CÁC PHƯƠNG PHÁP SẮP HÀNG ĐA CHUỖI
NHANH
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY

Ngành: Công Nghệ Thông Tin
Cán bộ hướng dẫn: Tiến sĩ. Lê Sỹ Vinh
HÀ NỘI - 2010
LỜI CẢM ƠN
Đầu tiên, tôi xin gửi lời cảm ơn tới gia đình, nơi đã động viên và tạo mọi điều kiện
giúp tôi học hành tốt nhất trong suốt những năm qua.
Tôi xin chân thành cảm ơn các thầy cô giáo trong trường Đại học Công nghệ - Đại
học Quốc gia Hà Nội đã tận tình giúp đỡ và truyền đạt kiến thức cho tôi trong suốt 4
năm học qua để tôi có đủ kiến thức hoàn thành khóa luận này.
Đặc biệt, tôi xin gửi lời cảm ơn sâu sắc tới thầy Lê Sỹ Vinh – người đã nhiệt tình
giúp đỡ, định hướng cũng như động viên tôi trong quá trình nghiên cứu và hoàn thành
khóa luận.
Tôi xin gửi lời cảm ơn chân thành tới thầy Từ Minh Phương trường đại học Bưu
Chính Viễn Thông, người đã truyền dạy cho tôi những kiến thức quan trọng liên quan
trực tiếp đến đề tài của khóa luận.
Tôi cũng xin cảm ơn các bạn trong nhóm Tin sinh. Các bạn đã giúp đỡ tôi rất nhiều
trong việc hoàn thành khóa luận.
Mặc dù đã rất cố gắng hoàn thành khóa luận này, xong khóa luận sẽ khó tránh khỏi
những thiếu sót, kính mong quý thầy cô tận tình chỉ bảo giúp tôi. Một lần nữa tôi xin
cảm ơn tất cả mọi người.
Hà Nội, tháng 5 năm 2010
Sinh viên
Nguyễn Hoàng Dũng

Tóm tắt
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, khoa học máy tính, trí tuệ nhân tạo, hóa
học và hóa sinh để giải quyết các vấn đề sinh học. Sắp hàng đa chuỗi là một vấn đề
quan trọng trong lĩnh vực tin sinh học. Trong những năm gần đây, chất lượng của các
chương trình sắp hàng đa chuỗi đã được cải thiện rất nhiều bởi rất nhiều thuật toán mới.
Mặc dù vậy, lĩnh vực vẫn là một nhiệm vụ khó khăn cho các nhà khoa học. Mỗi một
thuật toán, một chương trình sắp hàng đa chuỗi đều có những ưu điểm và nhược điểm
riêng của mình. Vì thế cần tìm cách tối ưu từng ưu điểm của từng phương pháp, và hạn
chế nhược điểm của chúng.
Khóa luận sẽ trình bày về các phương pháp sắp hàng đa chuỗi được ứng dụng rộng
rãi hiện nay đồng thời phân tích và đưa ra một giải pháp nhằm phát huy tối đa ưu điểm
cũng như hạn chế tối thiểu nhược điểm của từng phương pháp.
Mục Lục:
Chương 1. Giới thiệu....................................................................................................................................1
1.1 Multiple alignment.............................................................................................................................1
1.2 Các chương trình sắp hàng đa chuỗi (multiple sequences alignment ) thông dụng hiện nay..........3
Chương 2. Các phương pháp bắt cặp đa chuỗi...........................................................................................5
2.1 CLUSTALW..........................................................................................................................................5
2.1.1 Tính toán ma trận khoảng cách giữa mọi cặp chuỗi...................................................................5
2.1.2 Tạo cây hướng dẫn (guide tree)..................................................................................................5
2.1.3 Progressive alignment.................................................................................................................6
2.2. MUSCLE.............................................................................................................................................7
2.2.1 Các loại khoảng cách và các cách xây dựng cây hướng dẫn.......................................................7
2.2.2 Profile alignment.........................................................................................................................8
2.2.3 Thuật toán...................................................................................................................................8
2.3 MAFFT..............................................................................................................................................10
2.3.1 Bắt cặp nhóm sử dụng FFT........................................................................................................10
2.3.2 Hệ thống tính điểm...................................................................................................................13
2.4 PROBCONS.......................................................................................................................................15

Chương 3. Cây quyết định.........................................................................................................................17
3.1 Cách giải quyết của Chuong B. Do và Kazutaka Katoh.....................................................................17
3.2 Vấn đề tốc độ...................................................................................................................................18
3.2.1 Dữ liệu với số lượng chuỗi lớn ( > 200 chuỗi)..........................................................................18
3.2.2 Dữ liệu với số lượng sequence nhỏ, tổng số amino axit nhỏ...................................................19
3.2.3 Dữ liệu với độ dài của chuỗi quá lớn ( > 2000 amino acids)....................................................20
3.3 Vấn đề điểm chuẩn (benchmark)....................................................................................................21
3.3.1 Với các chuỗi có độ tương đồng cao........................................................................................21
3.3.2 Với các chuỗi có độ tương đồng thấp......................................................................................21
3.4 Cây quyết định.................................................................................................................................22
3.4.1 Cây quyết định cho yêu cầu tốc độ xử lý cao...........................................................................23
3.4.2 Cây quyết định cho yêu cầu tốc điểm chuẩn cao.....................................................................24
Chương 4: Kết quả thực nghiệm và bình luận...........................................................................................26
4.1 Giới thiệu về BAliBASE.....................................................................................................................26
4.1.1 BAliBASE 2.................................................................................................................................26
4.1.2 BAliBASE 3.................................................................................................................................26
4.1.3 Cách đánh giá của BAliBASE......................................................................................................26
4.2 Kết quả thực nghiệm........................................................................................................................28
Chương 5: Kết Luận....................................................................................................................................34
Tài Liệu Tham Khảo....................................................................................................................................35
Mục Lục Bảng:
Bảng 1: Bắt cặp đa chuỗi ADN của Người, Mèo, Khỉ, Chó, Ngựa, Gà và Vịt với các phép thay thế ở vị trí
số 2, 3, 11, 13 và phép chén / xóa ở vị trí số 7 và số 10..............................................................................2
Bảng 2: Các chương trình bắt cặp đa chuỗi phổ biến nhất hiện nay..........................................................3
Bảng 3: Kiểm tra các MUSCLE, FFT-NS2, FFT-NS1 với các test có số lượng chuỗi từ 200 đến 500 chuỗi. 18
Bảng 4: Kiểm tra FFT-NS2 với các dữ liệu có số lượng chuỗi lớn hơn 400................................................19
Bảng 5: Thời gian chạy của PROBCONS theo tống số amino acid.............................................................19
Bảng 6: Tính toán SP(mi)............................................................................................................................27
Bảng 7: Kết quả các phương pháp với BAliBASE 2.....................................................................................29
Bảng 8: Kết quả các phương pháp với BAliBASE 3 – homologous.............................................................30

Bảng 9: Kết quả các phương pháp với BAliBASE 3 – ful llength................................................................31
Mục Lục Hình:
Hình 1: Ví dụ về k-mer [6]............................................................................................................................7
Hình 2: Các bước thực hiện của MUSCLE [6]...............................................................................................9
Hình 3: Ví dụ về độ trễ [4]..........................................................................................................................12
Hình 4: Ví dụ về việc tạo ma trận tương đồng [4].....................................................................................13
Hình 5: Ví dụ về global homology [4].........................................................................................................21
Hình 6: Ví dụ về local homology [4]...........................................................................................................22
Hình 7: Ví dụ về các đoạn gap nội khối [4].................................................................................................22
Hình 8: Cây quyết định với yêu cầu xử lý tốc độ cao.................................................................................23
Hình 9: Cây quyết định với yêu cầu xử lý với điểm chuẩn cao..................................................................24
Chương 1. Giới thiệu
1.1 Multiple alignment
Trình bày tổng quan dưới đây được tham khảo từ luận văn tiến sỹ của thầy Lê Sỹ
Vinh[1] và cuốn Inferring Phylogenies[2] của giáo sư Felsenstein.
Với sự phát triển như vũ bão của khoa học kỹ thuật, trong vài thập kỷ qua, sinh
học phân tử đã có nhiều bước tiến mạnh mẽ. Kèm theo đó là sự ra đời của hàng loạt
loại công cụ phục vụ cho sinh học, qua đó góp phần thúc đẩy mạnh mẽ quá trình giải mã
một số lượng lớn trình tự gen ở nhiều loài sinh vật. Cho đến nay, nhiều bộ gen của nhiều
loài vi khuẩn và sinh vật bậc cao đã được giải mã gần như hoàn toàn. Trong đó, một
khám phá đặc biệt là việc giải mã bộ gen người. Dự án Bản đồ gen người là một dự án
nghiên cứu khoa học mang tầm quốc tế. Dự án khởi đầu vào năm 1990 với người đứng
đầu là tiến sĩ James D. Watson. Bản phác thảo đầu tiên của bộ gen đã được cho ra đời
vào năm 2000 và hoàn thiện vào năm 2003. Một dự án song song cũng được thực hiện
bởi một công ty tư nhân tên là Celera Genomics. Tuy nhiên, hầu hết trình tự chuỗi được
xác định là tại các trường đại học và các viện nghiên cứu từ các nước Mỹ Cannada và
Anh. Việc xác định toàn bộ bộ gen người là một bước tiến quan trọng trong việc phát
triển thuốc và các khía cạnh chăm sóc sức khỏe khác. Qua những phát kiến này, lượng
thông tin sinh học ngày càng phong phú và đa dạng. Để có thể xử lý và ứng dụng khối
lượng thông tin đồ sộ như vậy, ngành Tin Sinh học (Bioinformatics) ra đời, đó là sự kết

hợp giữa công nghệ thông tin và sinh học nhằm phục vụ nhiều mục đích khác nhau.
Trong số đó, việc nghiên cứu phân tích trình tự (chuỗi AND và protein) đóng một vai
trò vô cùng quan trọng. Để đơn giản cho việc nghiên cứu, các trình tự DNA, protein
được tuần tự hóa và nghiên cứu dưới dạng chuỗi các kí tự. Khi một gen mới được phát
hiện, một trong những yêu cầu quan trọng là làm sao tìm được chức năng, tác dụng của
gen này, yêu cầu tương tự cũng được đặt ra với các amino acid mới. Một phương pháp
đơn giản để xử lý yêu cầu này là so sánh, đánh giá sự giống nhau (tương đồng) của các
chuỗi mới tìm ra với các chuỗi đã biết, từ đó ta có thể đưa ra dự đoán về các chức năng
của những chuỗi mới phát hiện này. Do đó, sắp hàng đa chuỗi (multiple sequence
alignment) các đoạn ADN / protein là một trong những bài toán phổ biến và quan trọng
nhất trong sinh học phân tử và các lĩnh vực liên quan. Sắp hàng đa chuỗi giúp chúng ta
giải quyết một số vấn đề sau:
- Tìm kiếm và chẩn đoán chức năng cho các chuỗi ADN / protein mới giải mã
1
- Tìm kiếm và chẩn đoán cấu trúc bậc cao cho chuỗi ADN / protein mới giải mã
- Phân tích phép biến đổi để xây dựng quá trình tiến hóa giữa các loài sinh vật.
- Xác định các vị trí biến đổi dẫn đến các bệnh liên quan đến di truyền, để từ đó
tìm ra phương pháp phát hiện và cứu chữa.
Trong quá trình tiến hóa, có 3 phép biến đổi phổ biến trên một trình tự: (1) thay
thế, (2) chèn, (3) xóa. Các phép biến đổi này làm cho các chuỗi tương đồng bị biến đổi
cả về nội dung cũng như kích thước. Sắp hàng đa chuỗi là quá trình chèn thêm các dấu
cách (biểu diễn cho nhưng amino acid bị xóa khỏi chuỗi trong quá trình tiến hóa) vào
các chuỗi sao cho tất cả các amino acid ở cùng một ví trí thì tương đồng. Sau khi sắp
hàng, tất cả các chuỗi đều có độ dài bằng nhau. Kết quả, ta sẽ thu được một tập các
chuỗi gọi là một ‘đa chuỗi thẳng hàng’ ( sequences alignment ). Ví dụ dưới đây thể
hiện một đa chuỗi thẳng hàng của 7 đoạn ADN của 7 loài sinh vật là Người, Mèo, Khỉ,
Chó, Ngựa, Gà và Vịt. Phân tích cho thấy ở vị trí thứ 2 tồn tại phép biến đổi giữa ‘C’
của nhóm động vật ( Người, Mèo, Khỉ, Chó ) và ‘G’ của nhóm động vật ( Ngựa, Gà, Vịt
). Tương tự như vậy ta thấy tồn tại các phép biến đổi ở các vị trí 3, 4, 11 và 13. Ở vị trí 7
và số 10, ta quan sát thấy phép biến đổi chèn / xóa ‘G’ và ‘C’ tương ứng.

Bảng 1: Bắt cặp đa chuỗi ADN của Người, Mèo, Khỉ, Chó, Ngựa, Gà và Vịt với các
phép thay thế ở vị trí số 2, 3, 11, 13 và phép chén / xóa ở vị trí số 7 và số 10.
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Người A C A A C T G G T C C G T T
Mèo A C G A C T G G T C C G T T
Khỉ A C G G C T G G T C C G T T
Chó A C G G C T G - T C C G G T
Ngựa A G G A C T G G T - C G G T
Gà A G T G C T - G T C G G G T
Vịt A G T A C T - G T - G G G T
Dễ dàng nhận thấy, chúng ta có thể sử dụng nhiều cách chèn dấu cách vào các vị
trí khác nhau để tạo ra các phương án bắt cặp đa chuỗi khác nhau. Trước đây, các nhà
sinh vật học có thể tiến hành bắt cặp đa chuỗi bằng mắt và kinh nghiệm. Không cần phải
nói cũng có thể hiểu được đó là một công việc vô cùng vất vả và khô khan. Mà kết quả
đạt được là rất hạn chế về chất lượng. Qua đó ta có thể thấy được tầm quan trọng của
sắp hàng đa chuỗi. Để nâng cao độ chính xác, các phép biến đổi có thể được gắn các
2
trọng số khác nhau sao cho các phép biến đổi ít khi xảy ra có trọng số lớn hơn các phép
biến đổi thường xuyên xảy ra. Đối với dữ liệu protein, người ta thường sử dụng ma trận
thay thế axit amin làm trọng số cho các phép thay thế giữa các cặp axit amin ( ma trận
thay thế axit amin phản ánh tốc độ thay thế giữa các axit amin ).
1.2 Các chương trình sắp hàng đa chuỗi (multiple sequences
alignment ) thông dụng hiện nay
Bài toán sắp hàng đa chuỗi là một trong những bài toán được quan tâm và nghiên
cứu nhiều nhất trong hai thập kỉ qua. Một trong các phương pháp nổi bật và thông dụng
trước đây là phương pháp CLUSTALW[3] được phát triển bởi Thompson và đồng
nghiệp từ những năm 1994. Phương pháp CLUSTALW[3] tiến hành sắp hàng các chuỗi
sao cho tổng số điểm phạt (điểm phạt cho phép thay thế, điểm phạt cho phép chèn /
xóa…) là nhỏ nhất. Để làm được việc đó, CLUSTALW[3] từng bước tiến hành sắp hàng
hai chuỗi (hay hai nhóm chuỗi đã được sắp hàng) để cuối cùng thu được một đa chuỗi

thẳng hàng hoàn chỉnh. Tiếp theo CLUSTALW[3], nhiều phương pháp khác đã được đề
xuất. Những phương pháp cho kết quả tốt nhất hiện nay là:MAFFT[4], PROBCONS[5],
và MUSCLE[6]. Trong đó MAFFT[4] là phương pháp mới được phát triển bao gồm
khá nhiều chương trình con cho các yêu cầu khác nhau.
Bảng 2: Các chương trình bắt cặp đa chuỗi phổ biến nhất hiện nay.
Chương trình Ưu điểm Nhược điểm
CLUSTALW[3]
Tiết kiệm bộ nhớ, có khả
năng chạy các test có chuỗi
có độ dài lớn.
Kém hơn về độ chính xác và tốc
độ so với một số chương trình
mới
MUSCLE[6]
Đạt độ chính xác khá cao và
tốc độ nhanh với kích thước
dữ liệu vừa phải.
Đối với những tập dữ liệu lớn
(>1000 chuỗi), nên chạy với cấu
hình tiết kiệm thời gian và bộ
nhớ
PROBCONS[5]
Cho độ chính xác cao khi
kiểm tra với một vài bộ dữ
liệu chuẩn.
Hạn chế về tốc độ và bộ nhớ,
không có khả năng thực hiện với
những bộ dữ liệu lớn (>100
chuỗi)
MAFFT[4] Phát triển với nhiều tùy Hạn chế về tốc độ với những yêu

3
chọn, cho phép thực hiện
nhiều yêu cầu từ tốc độ
nhanh đến độ chính xác rất
cao
cầu chạy chính xác, và cũng
không phải là phương pháp cho
kết quả cao nhất trên tất cả các
bộ dữ liệu chuẩn
Mặc dù việc sắp hàng đa chuỗi và tìm kiếm thành phần lặp có một lịch sử nghiên
cứu và phát triển khá lâu, nhưng nó vẫn là một bài toán quan trọng cần phải tiếp tục tập
trung nghiên cứu và phát triển để giải quyết các đòi hỏi ngày một cao của lĩnh vực sinh
học.
Hàng chục phương pháp sắp hàng đa chuỗi mới được đề xuất hàng năm. Mỗi
phương pháp đưa ra đều có ưu điểm và nhược điểm về độ chính xác và thời gian thực
hiện. Quan trọng hơn chúng thường chỉ phù hợp cho một số kiểu dữ liệu, và dẫn đến
khó khăn lớn cho người dùng trong việc lựa chọn phương pháp phù hợp nhất cho một
bộ dữ liệu cụ thể đang nghiên cứu. Ví dụ, đối với các bộ dữ liệu có chứa thành phần lặp,
chúng ta phải sử dụng phương pháp tiên tiến nhất cho phép bắt cặp đa chuỗi kết hợp với
tìm thành phần lặp. Vì vậy khóa luận sẽ tập trung giải quyết vấn đề trên bằng cách xây
dựng một chương trình sắp hàng đa chuỗi kết hợp các phương pháp tốt nhất hiện nay
thông qua việc sử dụng cây quyết định.
4