nghiên cứu thuật toán tìm kiếm chuỗi dna sử dụng phƣơng pháp tìm kiếm tƣơng tự nhanh luận

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN HOÀNG ANH

NGHIÊN CỨU THUẬT TOÁN TÌM KIẾM CHUỖI
DNA SỬ DỤNG PHƢƠNG PHÁP TÌM KIẾM TƢƠNG
TỰ NHANH

LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN

1

HÀ NỘI – 2016


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN HOÀNG ANH

NGHIÊN CỨU THUẬT TOÁN TÌM KIẾM CHUỖI
DNA SỬ DỤNG PHƢƠNG PHÁP TÌM KIẾM TƢƠNG
TỰ NHANH

Ngành: Hệ thống thông tin
Chuyên ngành: Hệ thống thông tin
Mã số: 60 48 01 04

LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN

NGƢỜI HƢỚNG DẪN KHOA HỌC: Tiến sĩ Nguyễn Thị Hậu

2

HÀ NỘI – 2016


LỜI CAM ĐOAN
Tôi xin cam đoan nội dung của luận văn “Nghiên cứu thuật toán tìm kiếm
chuỗi DNA sử dụng phương pháp tương tự nhanh” là sản phẩm do tôi thực hiện
dưới sự hướng dẫn của TS. Nguyễn Thị Hậu. Trong toàn bộ nội dung của luận văn,
những điều được trình bày hoặc là của cá nhân hoặc là được tổng hợp từ nhiều
nguồn tài liệu. Tất cả các tài liệu tham khảo đều có xuất xứ rõ ràng và được trích
dẫn hợp pháp.
Tôi xin hoàn toàn chịu trách nhiệm và chịu mọi hình thức kỷ luật theo quy
định cho lời cam đoan của mình.
Hà Nội, ngày 20 tháng 9 năm 2016
TÁC GIẢ

Nguyễn Hoàng Anh

3


LỜI CẢM ƠN
Trước tiên tôi xin gửi lời cảm ơn chân thành tới tập thể các các thầy cô giáo
trong Khoa Công nghệ Thông tin, Trường Đại học Công nghệ, Đại học Quốc gia
Hà Nội đã giúp đỡ tận tình và chu đáo để tôi có môi trường tốt học tập và nghiên
cứu.
Đặc biệt, tôi xin bày tỏ lòng biết ơn sâu sắc tới TS. Nguyễn Thị Hậu, người

trực tiếp đã hướng dẫn, chỉ bảo tôi tận tình trong suốt quá trình nghiên cứu và hoàn
thiện luận văn này.
Một lần nữa tôi xin được gửi lời cảm ơn đến tất cả các thầy cô giáo, bạn bè và
gia đình đã giúp đỡ tôi trong thời gian vừa qua. Tôi xin kính chúc các thầy cô giáo,
các anh chị và các bạn mạnh khỏe và hạnh phúc.
Hà Nội, ngày 20 tháng 9 năm 2016
TÁC GIẢ

Nguyễn Hoàng Anh

4


MỤC LỤC
LỜI CAM ĐOAN .....................................................................................................3
LỜI CẢM ƠN ...........................................................................................................4
DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT .......................................................7
GIỚI THIỆU ............................................................................................................8
CHƢƠNG 1. TỔNG QUAN VỀ CÁC THUẬT TOÁN TÌM KIẾM CHUỖI
DNA .........................................................................................................................13
1.1.

Phƣơng pháp tìm kiếm chuỗi DNA sử dụng mô hình Markov ẩn ............ 13

1.2.

Phƣơng pháp liên kết nhạy cảm đầy đủ....................................................... 15

1.3.

Phƣơng pháp tìm kiếm tƣơng tự nhanh ...................................................... 21

1.4.

Phƣơng pháp sử dụng mô hình phù hợp gần đúng .................................... 25

1.5.

Phƣơng pháp sử dụng mô hình kết hợp chính xác và gần chính xác........ 31

CHƢƠNG 2. N-GRAM VÀ PHƢƠNG PHÁP TÌM KIẾM CHUỖI TƢƠNG
TỰ NHANH ÁP DỤNG N-GRAM. ......................................................................35
2.1.

Mô hình N-Gram ............................................................................................ 35

2.1.1. Một số khái niệm ...................................................................................................... 35
2.1.2. Mô hình ngôn ngữ N-gram ....................................................................................... 36
2.1.3. Khó khăn khi xây dựng mô hình ngôn ngữ N-gram : ............................................... 37
2.1.4. Các phương pháp khắc phục cụm N-Gram phân bố không đều ............................... 38

2.2.

Phƣơng pháp tƣơng tự nhanh áp dụng N-gram tìm kiếm chuỗi DNA. .... 39

2.2.1. Phân đoạn DNA ........................................................................................................ 39
2.2.2. Các “từ DNA” ........................................................................................................... 40
2.2.3. Quá trình tìm kiếm chuỗi và hiển thị kết quả............................................................ 40

2.3. Bảng kết quả các lần thử phƣơng pháp tìm kiếm chuỗi tƣơng tự nhanh áp

dụng N-Gram ............................................................................................................ 48
2.3.1. Định dạng chuỗi cơ sở dữ liệu .................................................................................. 48
5


2.3.2. Bảng kết quả các lần thử phương pháp tìm kiếm chuỗi tương tự nhanh áp dụng NGram ................................................................................................................................... 50

2.4.

Đánh giá phƣơng pháp tìm kiếm chuỗi tƣơng tự nhanh áp dụng N-Gram51

2.4.1. Cải thiện thời gian tìm kiếm ..................................................................................... 51
2.4.2. Tiết kiệm bộ nhớ trong quá trình tìm kiếm .............................................................. 52

CHƢƠNG 3. THỰC NGHIỆM SO SÁNH PHƢƠNG PHÁP TÌM KIẾM
TƢƠNG TỰ NHANH DỰA TRÊN N-GRAM VỚI PHƢƠNG PHÁP BLAST
VÀ PHƢƠNG PHÁP SMITH-WATERMAN.....................................................53
3.1. Môi trƣờng thực nghiệm................................................................................... 54
3.2. Thực nghiệm đánh giá phƣơng pháp tìm kiếm tƣơng tự nhanh áp dụng N-Gram
với phƣơng pháp BLAST và phƣơng pháp Smith-Water Man ........................... 56
3.3. Phân tích và đánh giá kết quả thực nghiệm ................................................... 58

KẾT LUẬN .............................................................................................................60
TÀI LIỆU THAM KHẢO .....................................................................................62

6


DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT
Kí hiệu

DNA

Tiếng Anh
Deoxy Ribonucleic Acid

NST
A
T
G
C
SNP

Chromosome
Adenine
Thymine
Guanine
Cytosine
Single nucleotide polymorphisms

CPU
RAM
NCBI

Cental Processing Unit
Random access memory
National Center for
Biotechnology Information
Differential Direct coding

HMM

BLAST

Hidden Markov Modeling
Basic Local Alignment Search
Tool
High – Throughput Sequencing

HTS

7

Tiếng Việt
Phân tử mang cấu trúc gen
di truyền
Nhiễm sắc thể

Tính đa hình của phân tử
nucleotit. Mỗi SNP biểu
diễn một biến đổi trong một
khối chuỗi DNA
Bộ xử lý trung tâm
Bộ nhớ truy cập ngẫu nhiên
Trung tâm quốc gia thông
tin công nghệ sinh
Mã hóa trực tiếp phần khác
biệt
Mô hình Markov ẩn
Công cụ tìm kiếm cục bộ
theo mẫu có sẵn
Trình tự chuỗi đa lượng

GIỚI THIỆU
Việc phát hiện ra DNA là một bước ngoặt lớn trong khoa học sinh học nói
riêng và cuộc sống của con người nói chung. Hiện nay, các nhà khoa học đã tìm ra
rất nhiều cấu trúc DNA và giải thích được nhiều câu hỏi về di truyền ở các loài,
các căn bệnh, dị tật di truyền, khoa học hình sự,… và ngày càng phát hiện thêm rất
nhiều cấu trúc DNA mới, điều đó đã và đang tạo ra một khối lượng khổng lồ dữ
liệu các chuỗi gen phục vụ cho y sinh học hiện đại. Kích thước dữ liệu ngày càng
tăng đặt ra vấn đề về chi phí cho không gian lưu trữ và tốc độ truy cập, truyền tải.
DNA (DeoxyriboNucleic Acid) là tên hóa học chỉ các phân tử mang cấu trúc gen
trong tất cả các thực thể sống. DNA gồm một chuỗi được tạo nên từ 4 loại đơn vị
nucleotide, mỗi loại gồm: 1 đơn vị đường carbon 5 (2’-deoxyribose), 1 nhóm phốt
phát (phosphate) và 1 trong 4 thành phần cơ bản Adenine, Cystosine, Guanine và
Thymine gọi là các bazơ. Mỗi phân tử đường được gắn với ¼ thành phần cơ bản.
Mỗi thành phần cơ bản là 1 base. Số lượng base ở người là khoảng 3 tỷ, đó là con
số vô cùng lớn. Dạng đơn giản nhất của DNA trong 1 tế bào là 1 cấu trúc dây xoắn
đôi, trong đó 2 sợi DNA đơn xoắn quanh nhau theo hình xoắn ốc thuận tay phải.
Bộ gen của con người gồm khoảng 3 tỉ đặc trưng trên 23 cặp nhiễm sắc thể (NST).
Do đó, cơ sở dữ liệu hệ gen là vô cùng lớn và phức tạp. Để lưu trữ, truy cập và xử
lý dữ liệu này một cách hiệu quả là một nhiệm vụ rất khó khăn. DNA có chức năng
chính là lưu trữ, bảo quản và truyền đạt thông tin di truyền về cấu trúc và toàn bộ
các loại protein của cơ thể sinh vật, do đó quy định các tính trạng của cơ thể sinh
vật.
DNA có chức năng chính là lưu giữ truyền đạt và bảo quản thông tin di
truyền giữa các thế hệ. Có rất nhiều ứng dụng từ việc tìm kiếm chuỗi DNA cả
trong khoa học và đời sống con người, chẳng hạn như:
 Sự di truyền trí thông minh: Các nhà khoa học tiến hành lấy mẫu (có thể lấy
là tế bào máu, niêm mạc miệng, tế bào má, tóc có chân, móng tay, móng chân,
cuống rốn sau khi rụng...) và nghiên cứu chuỗi gen của những người có chỉ số

thông minh cao, sau đó tìm ra những đặc điểm chung. Tiến hành nghiên cứu trên
tập lớn các mẫu để xác định các chuỗi gen quyết định trí thông minh. Từ đó có thể
ứng dụng vào sinh học, y học cho con người. Qua nghiên cứu cụ thể, các nhà khoa
học nhận thấy rằng, 75% trí thông minh của con người do gen quyết định. [1]
8


 Kiểm tra quan hệ cùng huyết thống: Phương pháp này hiện nay được ứng
dụng phổ biến trong đời sống thường được gọi là xét nghiệm DNA. Xét nghiệm
DNA là một lĩnh vực đòi hỏi độ chính xác cao. Mỗi kết quả của một xét nghiệm
DNA huyết thống có thay đổi cuộc sống của một hoặc nhiều người, do vậy cần
phải đảm bảo việc xét nghiệm được thực hiện chính xác nhất có thể. Tất cả các quá
trình tư thu mẫu, tách chiết DNA, phân tích DNA và đọc kết quả đều được làm và
kiểm soát theo một quy trình chuẩn, từ đó các kết quả có độ chính xác và ổn định
cao nhất. Thông thường, có thể lấy hai mẫu xét nghiệm của hai người (hoặc sinh
vật khác) từ tóc, tế bào trên da, mẫu máu… Sau đó xét nghiệm các chuỗi gen xem
có độ tương đồng cao hay không. Thông thường nếu các mẫu DNA của mẹ, con và
bố nghi vấn khớp với nhau trong từng gene thì độ chính xác có quan hệ huyết
thống là 99.9999% có thể kết luận hai mẫu gen có cùng huyết thống [2].
 Phát hiện các loại gen gây bệnh: Bác sỹ lấy mẫu máu từ các bệnh nhân bị
bệnh, tìm kiếm các bắt cặp trình tự có độ tương đồng cao. Sau đó, so sánh các bắt
cặp trình tự cao đó với mẫu gen của người bình thường để xem các điểm khác nhau
của các mẫu gen đó. Từ đó đưa ra kết luận về các mẫu gen có thể gây bệnh. Tập
hợp các mẫu gen có thể gây bệnh đưa vào cơ sở dữ liệu để làm mẫu gen thử cho
các lần nghiên cứu sau.
 Khoa học hình sự: Các điều tra viên lấy các mẫu (tóc, máu, da…), dấu vết
tại hiện trường. Sau đó, mang đi giám định. Tiếp theo, tiến hành so sánh với cơ sở
dữ liệu chuỗi DNA đã lưu. Từ đó có thể biết được những ai đã có mặt tại hiện
trường vào thời điểm xảy ra vụ việc. Tiến hành lấy lời khai các nhân chứng. Căn
cứ vào đó có thể kết luận được hung thủ, thời gian, quá trình xảy ra vụ án. ADN

thường được sử dụng để xác định tội phạm theo một trong hai cách. Trường hợp
nghi ngờ: Một mẫu DNA của người đó được so sánh với bằng chứng từ hiện
trường vụ án. Kết quả của sự so sánh này có thể giúp xác định liệu các nghi can
phạm tội. Trường hợp nghi ngờ chưa được xác định, bằng chứng sinh học từ hiện
trường vụ án có thể được phân tích và so sánh với hồ sơ phạm tội trong cơ sở dữ
liệu ADN để giúp xác định thủ phạm. bằng chứng hiện trường vụ án cũng có thể
được liên kết với những cảnh tội phạm khác thông qua việc sử dụng các cơ sở dữ
liệu ADN. Hiện nay, với trình đô khoa học phát triển, các lớp đào tạo điều tra viên
được mở, giúp các học viên tiếp cận công nghệ mới một cách nhanh chóng. Có dự
án kêu gọi được nhiều nguồn tài chính lên tới 5 triệu đô la Mỹ [3].
9


 Lý thuyết tiến hóa: Các nhà sinh vật tiến hành lẫy mẫu gen từ các sinh vật
hóa thạch. So sánh với mẫu gen của các loài có hình thù, độ lớn, màu sắc, các sinh
vật nghi ngờ cùng loài… Nếu các mẫu gen của các loài đó giống nhau hoặc có mức
độ tương đồng cao có thể kết luận các sinh vật đó cùng loài hoặc tiến hóa từ mức
thấp lên mức cao hơn [4].
 ………………………………..
Đặc trưng phức tạp của một chuỗi DNA nằm ở chỗ đó là một chuỗi các chỉ
số độ dài khác nhau biểu diễn một phạm vi có thể dự đoán được của các thành
phần cơ bản cấu tạo nên DNA. Những đặc trưng phức tạp này cho phép tìm kiếm
những cấu trúc lặp bên trong một nhiễm sắc thể hoặc qua nhiều nhiễm sắc thể. Và
cũng chính những đặc trưng này được sử dụng để tìm ra khoảng cách tiến hóa và
cấu trúc nên cây phát sinh loài. Nên khó có thể đưa ra 1 thuật toán tối ưu để tìm
kiếm, giải trình tự các đoạn DNA hiệu quả nhất. Nhiều thuật toán tìm kiếm dành
riêng cho chuỗi DNA đã được phát triển từ khoảng 30 năm trước.
Hiện nay, kỹ thuật tìm kiếm dữ liệu chuỗi DNA được sử dụng rộng rãi trong
sinh học. Có hàng trăm thuật toán đã được đề xuất cho tìm kiếm dữ liệu DNA
nhưng nhìn chung các thuật toán tìm kiếm thường được sử dụng là:

 Phương pháp áp dụng Mô hình Markov ẩn[5] là phương pháp sử dụng mô
hình thống kê, tính toán xác suất. Thuật toán dùng phương pháp mô hình hóa quá
trình tìm kiếm chuỗi trong đó có sử dụng các tham số quan sát được và các tham số
không biết trước – mô hình Markov. Sau đó sẽ xác định các tham số không biết
trước từ các tham số quan sát được. Các tham số của mô hình được rút ra sau đó có
thể sử dụng để thực hiện các phân tích kế tiếp. Phương pháp này đã được sử dụng
rộng rãi trong tin sinh học tuy nhiên chi phí thời gian lớn và các hàm tính toán
phức tạp.
 Phương pháp liên kết nhạy cảm đầy đủ: Vd: thuật toán Smith&Waterman[6]
Phương pháp này được sử dụng để tìm sự giống nhau hoặc có độ tương đồng cao
của hai chuỗi. Bằng cách lập ma trận, tính độ đo để tìm ra sự giống hoặc có độ
tương đồng cao của tất cả độ dài các phân đoạn của hai xâu, hai chuỗi protein hoặc
nucleotide. Với chuỗi đã được tìm kiếm và có độ tương đồng cao trước đó, phương
pháp có thể mở rộng phạm vi tìm kiếm về hai phía (trước hoặc sau). Phương pháp
này có ưu điểm là độ chính xác cao. Tuy nhiên chi phí thời gian lớn. Phương pháp

10


đặc trưng của dạng này là phương pháp Smith & Waterman do hai nhà khoa học
T.F.Smith & M.S.Waterman công bố năm 1981. [6]
 Phương pháp tìm kiếm tương tự nhanh: Vd: BLAST [7] gần giống với
phương pháp liên kết nhạy cảm đầy đủ, thậm chí vẫn có thể sử dụng khi có những
giải pháp tốt hơn do chỉ việc phải so sánh chuỗi cần truy vấn với thư viện hoặc
CSDL chuỗi có sẵn. Sau đó, đối sánh chuỗi ở thư viện hoặc cơ sở dữ liệu với chuỗi
truy vấn theo một ngưỡng nhất định. Mặc dù có thời gian xử lý nhanh hơn nhưng
phương pháp này có độ chính xác không bằng phương pháp liên kết nhạy cảm đầy
đủ.
 Phương pháp sử dụng mô hình phù hợp gần đúng: Vd: Bowtie[8] (là kỹ
thuật tìm kiếm chuỗi phù hợp với một mô hình gần đúng (chứ không phải là chính

xác). Vấn đề phù hợp được hiểu thành hai ý: tìm kiếm chuỗi phù hợp gần đúng với
các phân đoạn một chuỗi cho trước và tìm kiếm chuỗi từ điển gần đúng với mẫu
cần truy vấn. Mô hình này sử dụng cách tiếp cận brute-force để tính “độ chỉnh sửa”
chuỗi mẫu sao cho gần đúng với tất cả các chuỗi con của chuỗi cần truy vấn, sau
đó chọn các chuỗi với “độ chỉnh sửa” tối thiểu. Tuy nhiên, thuật toán này sẽ có
thời gian chạy O(n3m). Ở đây m là độ dài chuỗi mẫu, n là độ dài chuỗi cần truy
vấn.)
 Phương pháp sử dụng mô hình kết hợp chính xác và gần chính xác: Vd:
mpscan[9]. Phương pháp sử dụng mô hình đánh dấu tập mẫu, tức là chia chuỗi cần
truy vấn thành các chuỗi mẫu con nhỏ với chiều dài cố định. Sau đó, so sánh các
chuỗi con đã được chia đó với chuỗi trong cơ sở dữ liệu để tìm kiếm sự tương
đồng, có thể thực hiện xử lý đồng thời nhiều mẫu. Phương pháp này thường được
dùng và rất có hiệu quả trong việc tìm kiếm một tập lớn các chuỗi DNA ngắn trong
một CSDL các chuỗi DNA. Phương pháp điển hình của dạng này là Mpscan.
Chương trình của Mpscancó thể đọc được bản đồ ngay trên giao diện. Có khả năng
tìm kiếm ngược, bổ sung mẫu. Tuy nhiên, thời gian thực hiện ở mức độ trung
bình). Là công cụ đánh dấu tập mẫu đạt hiệu quả chính xác cao cho việc giải trình
tự DNA.
Trong khuôn khổ luận văn, người viết chỉ trình bày một số thuật toán tiêu biểu
cho từng phương pháp đã nêu và hầu hết các phương pháp đều nhằm các mục đích
chính đó là tìm kiếm, giải trình tự chuỗi DNA nhanh và chính xác nhất có thể để
tiết kiệm không gian lưu trữ, bộ nhớ, đưa ra kết quả cũng như truy cập thông tin
11


nhanh chóng. Trong khuôn khổ bài viết này, người viết chỉ nêu một số phương
pháp tìm kiếm cơ bản và đưa ra phương pháp tìm kiếm mới với mong muốn cải
thiện tốc độ tìm kiếm một chuỗi DNA trong một cơ sở dữ liệu chuỗi có sẵn.
Bố cục luận văn được chia thành 3 chương. Chương 1 trình bày về tổng quan
các phương pháp sử dụng để tìm kiếm chuỗi DNA. Thuật toán tìm kiếm cụ thể mà

người viết tập trung nghiên cứu là thuật toán tìm kiếm chuỗi DNA sử dụng phương
pháp tìm kiếm tương tự nhanh áp dụng N-Gram được trình bày ở chương 2.
Chương 3 của luận văn mô tả môi trường thực nghiệm so sánh thuật toán tương tự
nhanh áp dụng N-gram với phương pháp tìm kiếm khác và một số phân tích đánh
giá của người viết về kết quả đạt được. Cuối cùng là kết luận về hiệu quả cũng như
hạn chế còn tồn tại và hướng phát triển trong tương lai cho việc nghiên cứu và cải
tiến phương pháp tìm kiếm chuỗi DNA.

12


CHƢƠNG 1. TỔNG QUAN VỀ CÁC THUẬT TOÁN TÌM KIẾM CHUỖI
DNA
Ở phầ n trước, người viết đã giới thiệu sơ lược về cấu trúc DNA, các ứng dụng
của DNA trong đời sống. Khái quát, một số phương pháp thường được sử dụng để
tìm kiếm chuỗi DNA. Chương này, người viết sẽ trình bày cụ thể hơn về các thuật
toán tìm kiếm chuỗi: Đặc trưng chung của các dạng tìm kiếm, các phương pháp nổi
bật của từng dạng, ưu điểm, nhược điểm của các dạng tìm kiếm chuỗi.
1.1. Phƣơng pháp tìm kiếm chuỗi DNA sử dụng mô hình Markov ẩn
Mô hình Markov ẩn được bắt đầu xây dựng và công bố từ những năm 1960, đây
là mô hình toán học về thống kê, tính toán xác suất. Nhiều năm sau đó (1980) mô
hình được bắt đầu được nghiên cứu để ứng dụng trong lĩnh vực nhận dạng. Thuật
toán tìm kiếm chuỗi sử dụng mô hình Markov ẩn dùng phương pháp mô hình hóa
quá trình tìm kiếm chuỗi trong đó có sử dụng các tham số quan sát được và các
tham số không biết trước – mô hình Markov. Sau đó sẽ xác định các tham số
không biết trước từ các tham số quan sát được. Các tham số của mô hình được rút
ra sau đó có thể sử dụng để thực hiện các phân tích kế tiếp. Với mô hình Markov
ẩn cấu trúc mô hình có thể thay đổi dễ dàng cho phù hợp với từng ứng dụng cụ thể.
Phƣơng pháp tìm kiếm chuỗi DNA sử dụng mô hình Markov ẩn
Thuật toán:

Cho 2 chuỗi:
Chuỗi quan sát: x = x1x2 ... xL.
Chuỗi so sánh: y = y1y2 ... yL, (ở mỗi vị trí xn thì có tương ứng yn ).
Xn là số vị trí của giá trị có thể từ tập quan sát O = {O1O2,...,ON}
Yn nhận giá trị từ tập trạng thái S = {1,2,...,M}. N và M biểu thị vị trí quan sát và
số lượng các trạng thái trong mô hình.
Cho chuỗi trạng thái ẩn xuất hiện đồng thời trong chuỗi Markov. Điều này có
nghĩa là trạng thái đầu vào j sau sẽ phụ thuộc vào trạng thái i trước đó. Trạng thái
này có thể sẽ không đổi.
P{yn+1=j|yn=i, yn −1=in−1,...,y1=i1}=P{yn+1=j| yn =i}=t(i,j)
với mọi i, j ∈ S và n≥1
[5]
13


Các trạng thái chuyển từ trạng thái i sang trạng thái j gọi là trạng thái chuyển
tiếp. Gọi hàm chuyển tiếp là t(i,j). Trạng thái bắt đầu Y1 có thể ở bất kỳ i ∈ S. Ở vị
trí quan sát xn=x có thể chỉ phụ thuộc vào trạng thái yn. Do vậy:
P{xn=x|yn=i,yn−1,xn−1,...}=P{xn=x|yn=i}=e(x|i)
[5]
Với mọi x ∈ O, mọi i ∈ S, và mọi n ≥ 1; e(x|i) là hàm giá trị x tạo ra tại trạng
thái i.
Ba độ đo: t(i, j), π(i), and e(x | i) là 3 tham số mô tả cho mô hình HMM. Gọi tập
3 tham số này là Θ.
Dựa vào 3 tham số trên, ta có thể tính được chuỗi quan sát x = x1 x2 ... xL sẽ sinh
ra chuỗi y = y1 y2 ... yL.
P{x,y |Θ}=P{x|y,Θ}P{y|Θ},
[5]
Với
P{x|y,Θ}=e(x1|y1)e(x2|y2)e(x3|y3)...e(xL|yL)

P{y|Θ}=π(y1)t(y1,y2)t(y2,y3)...t(yL−1,yL).
Như vậy dựa vào mô hinh khi biết chuỗi trạng tháivà đầu vào ta có thể biết được
chuỗi quan sát.
Ví dụ minh họa cho mô hình Markov ẩn:

Hình 1.1: Mô hình Markov ẩn [5]
a. Sắp xếp các chuỗi ban đầu.
14


b. Mô hình Markov ẩn (bỏ khoảng trống giữa các trạng thái).
c. Mô hình hóa sự liên kết theo Mô hình Markov ẩn
Mô hình Markov ẩn hiệu quả cho mô hình hóa thông tin về các chuỗi liên kết,
phù hợp cho các cấu trúc chuỗi mẫu vì mô hình này có cấu trúc trái sang phải
tuyến tính mà không chứa bất kỳ chu kỳ nào. Mô hình sử dụng ba loại trạng thái:
ẩn(delete), quan sát được(insert) và kết quả(match).
Ví dụ: Việc so sánh hai chuỗi sinh học theo Mô hình Markov ẩn sẽ sắp xếp các
chuỗi dựa trên sự giống nhau, tính toán số điểm liên kết của chúng, và đánh giá các
liên kết thống kê được. Tuy nhiên, để tìm ra sự liên kết tốt giữa các trình tự, chúng
ta phải đưa ra được một bảng xếp hạng dựa trên sự giống nhau của các chuỗi . Căn
cứ vào bảng này, chúng ta có thể chọn các liên kết nhằm tối đa hóa điểm số liên
kết.

Hình 1.2. Ví dụ về mô hình cặp HMM [5]
Mô hình cặp -HMM tạo ra cặp liên kết chuỗi. Hai chuỗi DNA x và z được
đồng thời tạo ra bởi các cặp-HMM, các dãy trạng thái cơ bản là y. Các trạng thái y
xác định chỉ 1 liên kết duy nhất giữa x và z.
Ưu điểm: Phương pháp này đã được sử dụng rộng rãi trong tin sinh học vì độ
chính xác cao. Cách mô hình hóa dễ sử dụng.
Nhược điểm: Chi phí thời gian lớn và các hàm tính toán phức tạp.

1.2.

Phƣơng pháp liên kết nhạy cảm đầy đủ

Phương pháp này được sử dụng để tìm sự giống nhau hoặc có độ tương đồng
cao của hai chuỗi. Bằng cách lập ma trận, tính độ đo để tìm ra sự giống hoặc có độ
15


tương đồng cao của tất cả độ dài các phân đoạn của hai xâu, hai chuỗi protein hoặc
nucleotide. Với chuỗi đã được tìm kiếm và có độ tương đồng cao trước đó, phương
pháp có thể mở rộng phạm vi tìm kiếm về hai phía (trước hoặc sau). Phương pháp
này có ưu điểm là độ chính xác cao. Tuy nhiên chi phí thời gian lớn. Phương pháp
đặc trưng của dạng này là phương pháp Smith & Waterman do hai nhà khoa học
T.F.Smith & M.S.Waterman công bố năm 1981. [6] Hiện nay, do những cải tiến về
máy tính và thuật toán tìm kiếm, phương pháp này có thể tìm kiếm đồng thời nhiều
chuỗi cùng lúc khoảng (1000 chuỗi). [18]
Thuật toán Smith & Waterman
Thuật toán Smith-Waterman là một thuật toán quy hoạch động dùng để tìm
kiếm cơ sở dữ liệu phát triển bởi T.F Smith và M.S Waterman vào năm 1981 và
dựa trên một mô hình thích hợp trước đó có tên Needleman và Wunsch. Thuật toán
sử dụng bảng ma trận để đánh giá sự tương đồng của hai chuỗi. Tìm kiếm lần lượt
từ đầu đến cuối trong hai chuỗi xem mức độ tương đồng ở mức nào (tương đồng
hoặc không tương đồng). Với các mức độ tương đồng khác nhau sẽ có những chỉ
số độ đo khác nhau.
Đặc điểm của thuật toán Smith-Waterman là thuật toán so sánh các cặp chuỗi
cục bộ dựa trên quy hoạch động để tính điểm cho quá trình so sánh.Giải thuật này
giúp nhận ra những miền tương đồng giữa hai chuỗi tìm kiếm cho giống chuỗi cục
bộ tối ưu hơn. Giải thuật Smith-Waterman thực hiện so sánh đối xứng ở dạng cục
bộ, khác với giải thuật so sánh đối xứng toàn cục (ví dụ: Needleman- Wunsch),

giải thuật sắp hàng hay so sánh đối xứng cục bộ chỉ thực hiện việc so sánh đối
xứng trên một số phần của các trình tự được so sánh.
Độ tương tự s(a,b) được đưa ra bởi các cặp (a,b). Để tìm cặp tương đồng (a,b) ta
lập ma trận H. Đặt:
HkO = HoL, = 0 for 0 ≤ k ≤ n and 0 ≤ l ≤ m.
[6]
Hij thể hiện mức độ tương đồng của ai,bj. Hij được tính bằng công thức:
Hij=max{Hi-1,j-1 + s(ai,bj).max(Hi-k,j - wk}.max{ Hi,j-l - wl},0} (1)
k≥1

l≥1

với l ≤ i ≤ n và l ≤ j ≤ m.
[6]
Công thức Hij tính bởi các giá trị ở cuối các đoạn tại bất kỳ giá trị ai và bj nào.
(1) Nếu ai và bj có liên kết, độ tương tự tính như sau:
16


Hi-1,j-1 + s(ai.bj)
(2) Nếu ai tại vị trí cuối của dãy xóa k, độ tương tự tính bằng công thức
Hi-k,j - Wk
(3) Nếu bj là vị trí cuối của vị trí xóa có độ dài l, độ tương tự xác định bởi
Hi-k,j – Wl
(4) Giá trị 0 đã bao gồm biểu thị cho mức độ không tương đồng, nó chỉ ra
rằng mức độ không tương đồng cho đến giá trị ai và bj
Giá trị H càng cao thì mức độ tương đồng của Hij càng lớn. Đầu tiên ta tìm chỉ
số cao nhất của ma trận. Sau đó, duyệt ngược trở lại. Ta sẽ tìm được mức độ tương
đồng của 2 chuỗi cần chọn.
Thuật toán:

- Đầu vào : Hai chuỗi S1 và S2 với chiều dài tương ứng là n, m. Ma trận thay thế
S.Gap d.
 Đầu ra : Hai chuỗi S1’, S2’.
 Bước 1 : Khởi tạo :
+ H(0,0) = 0
+ H(i,0) = 0 0 ≤ i ≤ m
+ H(0,j) = 0 0 ≤ j ≤ n
 Bước 2 : Điền giá trị vào ma trận. Tính H(i, j) theo công thức
H(i, j) = MAX (0, H(i-1,j-1) + S(i,j), H(i-1,j)+d, H(i,j-1) + d) (1)
[6]
Mỗi khi tính H(i, j) lưu lại chỉ số của số hạng ở vế phải (1)
 Bước 3 : Tìm ô (i_max, j_max) có điểm cao nhất (0  i  m, 0  j  n)
 Bước 4 : Quay lại bước 2.
 Xuất phát từ ô (i_max, j_max).Dựa vào những chỉ số đã lưu ở bước 2 để tìm giá
trị cho đến khi gặp ô H(i,j) = 0 thì dừng.
 Nếu đường đi theo chiều ngang hay từ ô (i,j-1) sang ô (i,j) thì thêm “-“ vào S2’
và thêm kí tự S1(j) vào S1’.
 Nếu đường đi theo chiều thẳng đứng hay từ ô (i-1, j) xuống ô (i,j) thì thêm “-“
vào S1’ và thêm kí tự S2(i) và S2’.
 Nếu đường đi theo đường chéo hay từ ô (i-1, j-1) đến ô (i,j) thì thêm kí tự S1(j)
vào S1’ và S2(i) vào S2’
 Đảo ngược S1’, S2’

17


Ví dụ:
Bước 1: Khởi tạo:

T

C
A
A
T
C

0
0
0
0
0
0
0

T
0
0
0
0
0
0
0

A
0
0
0
0
0
0

0

T
0
0
0
0
0
0
0

A
0
0
0
0
0
0
0

T
0
0
0
0
0
0
0

C

0
0
0
0
0
0
0

Bước 2: : Điền giá trị vào ma trận: giống nhau = 2, khác = 0, tương đồng = 1

T
C
A
A
T
C

0
0
0
0
0
0
0

T
0
2
0
1

1
2
0

A
0
1
1
2
2
0
0

T
0
2
0
1
1
2
0

A
0
1
1
2
2
0
0

T
0
2
0
1
1
2
0

C
0
0
2
0
1
0
2

T
0
2
1

C
0
0
2

Bước 3: Tìm H (i_max, j_max) có điểm cao nhất :

T
C

0
0
0

T
0
2
0

A
0
1
1

18

T
0
2
1

A
0
1
1

A
A
T
C

0
0
0
0

1
1
2
1

3
2
0
1

1
1
3
1

2
4
1
1

1
1
5
1

0
1
1
6

Bước 4: Duyệt ngược đến khi về H (1,1) thì kết thúc.

T
C
A
A
T
C

T
C
A
A
T
C

0
0
0

0
0
0
0

T
0
2
1
1
1
2
0

A
0
1
1
3
2
1
0

T
0
2
1
1
1
3

0

A
0
1
1
3
4
1
0

T
0
2
1
1
1
5
0

C
0
0
2
0
1
0
6

0

0
0
0
0
0
0

T
0
2
1
1
1
2
1

A
0
1
1
3
2
1
1

T
0
2
1
1

1
3
1

A
0
1
1
3
4
1
1

T
0
2
1
1
1
5
1

C
0
1
2
1
1
1
6

Bước 5: Lặp lại bước 2, duyệt trở về đầu ma trận. Ta có kết quả:
TATAT C
| | | | |
TCAATC
19


Ví dụ về ma trận thực hiện so sánh chuỗi của Smith & Waterman:

Hình 1.3. Bảng ma trận độ đo trong ví dụ 2 chuỗi của Smith & Waterman [2]
Chuỗi A-A-U-G-C-C-A-U-U-G-A-C-G-G
và chuỗi C-A-G-C-C-U-C-G-C-U-U-A-G
Ở hình 1.3 chỉ số (3-3) là chỉ số cao nhất của ma trận. Duyệt theo đường chéo,
lấy giá trị cao nhất. Nếu có giá trị thấp, xét các vùng lân cận để lấy chỉ số cao.
Duyệt ngược trở lại. Lấy giá trị cao nhất. Lặp lại bước này. Cuối cùng ta có độ
tương đồng của 2 chuỗi là:
-G-C-C-A-U-U-G-G-C-C --- U-C-GƯu điểm: Do phải duyệt và so sánh lần lượt thứ tự từng nucleotide nên phương
pháp này có độ chính xác cao.
20


Nhược điểm: Chi phí thời gian lớn do phải lập ma trận đánh giá mức độ tương
đồng, lập chỉ số so sánh giá trị của các phần tử trong ma trận của các chuỗi. Thuật
toán cũng phải so sánh các giá trị ở chuỗi mẫu với chuỗi dữ liệu.
1.3.

Phƣơng pháp tìm kiếm tƣơng tự nhanh

Phương pháp này sử dụng giải thuật so sánh chuỗi cần truy vấn với CSDL

chuỗi có sẵn dựa trên việc đánh giá chuỗi cơ sở dữ liệu với chuỗi truy vấn theo một
ngưỡng nhất định (đánh giá, cho điểm theo chỉ số cụ thể). Dựa vào bảng kết quả
đánh giá, sẽ đưa ra kết quả về mức độ tương đồng của hai chuỗi. Mặc dù có thời
gian xử lý nhanh nhưng phương pháp này có độ chính xác không bằng phương
pháp liên kết nhạy cảm đầy đủ. Thuật toán điển hình của phương pháp này là
BLAST (hiện nay phương pháp BLAST được dùng rất phổ biến và có nhiều biến
thể để so sánh với từng trường hợp cụ thể).
Thuật toán BLAST
BLAST ban đầu tìm kiếm các chuỗi con ngắn với chiều dài cố định có tính
tương tự cao. Sau đó, dựa vào kết quả trước, mở rộng phạm vi tìm kiếm để tìm
những bắt cặp trình tự có điểm số cao giữa chuỗi truy vấn và các chuỗi trong cơ sở
dữ liệu. Ở thuật toán bắt cặp trình tự tối ưu của Smith-Waterman, phương pháp đó
sẽ rất chậm khi tìm kiếm trong một cơ sở dữ liệu gen quá lớn như Ngân hàng Gen
(GenBank). Giải thuật BLAST dùng một hướng tiếp cận heuristic, dù ít chính xác
hơn Smith-Waterman nhưng lại cho tốc độ nhanh hơn. Tốc độ và sự chính xác
tương đối của BLAST là những cải tiến kĩ thuật quan trọng của các chương trình
BLAST và những điều đó cho thấy lí do vì sao công cụ này lại là công cụ tìm kiếm
phổ biến nhất trong tin sinh học.[7]
Đầu vào:
-

Chuỗi truy vấn (chuỗi đích)(Định dạng ở dạng FASTA hoặc Genbank).

-

Cơ sở dữ liệu chuỗi (Định dạng ở dạng FASTA hoặc Genbank).
21


Đầu ra:

-

Những bắt cặp trình tự có điểm số cao khi so sánh chuỗi truy vấn với CSDL

chuỗi. Kết quả có thể ở các định dạng khác nhau như: HTML, văn bản, XML…
VD: Ở trang chủ của NBCI định dạng đầu ra ở dạng HTML.
BLAST sẽ tìm kiếm các chuỗi con trong chuỗi truy vấn giống với các chuỗi
con trong cơ sở dữ liệu chuỗi. Thông thường, khi sử dụng, chuỗi truy vấn là nhỏ
hơn rất nhiều so với cơ sở dữ liệu, ví dụ: chuỗi truy vấn có thể chỉ gồm 1 nghìn
nucleotide trong khi cơ sở dữ liệu chuỗi có hàng tỉ nucleotide. Thuật toán của
BLAST có 2 phần, một phần tìm kiếm và một phần đánh giá thống kê dựa trên kết
quả tìm được.
Thuật toán tìm kiếm của BLAST bao gồm 3 bước sau:
Bước 1: Chương trình sẽ tìm kiếm các chuỗi con ngắn với chiều dài cố định L
có tính tương tự cao (không cho phép khoảng trống gaps) giữa chuỗi truy vấn và
các chuỗi trong cơ sở dữ liệu. Những chuỗi con với chiều dài L được BLAST gọi
là một “từ”. Thông thường chương trình chọn giá trị một “từ” cho Protein là 3 và
DNA là 11. Những chuỗi con này được đánh giá và cho điểm dựa trên ma trận thay
thế (Substitutions matrix) BLOSUM hoặc PAM, những chuỗi con nào có số điểm
lớn hơn một giá trị ngưỡng V (threshold value) thì được gọi là tìm thấy và được
BLAST gọi là Hit. Ví dụ, khi cho sẵn các chuỗi GATTAG và FCATAC và một
“từ” có chiều dài L = 3, BLAST sẽ xác định chuỗi con TAG và TAC với số điểm
theo ma trận PAM là 3 + 2 + 3 = 8 và gọi chúng là một Hit. [7]
Bước 2: BLAST tiếp tục tìm kiếp những cặp Hit tiếp theo dựa trên cơ sở những
Hit đã tìm được trong bước 1. Những cặp Hit này được BLAST giới hạn bởi một
giá trị cho trước d, gọi là khoảng cách giữa những Hit. Những cặp Hits có khoảng
cách lớn hơn d sẽ bị BLAST bỏ qua. Giá trị d phụ thuộc vào độ dài L ở bước 1,
(VD: L = 2 thì có thể chọn d = 18).

22

Bước 3: Cuối cùng BLAST mở rộng những cặp Hits đã tìm được theo cả hai
chiều và đồng thời đánh số điểm. Quá trình mở rộng kết thúc khi điểm của các cặp
Hit không thể mở rộng thêm nữa. Một điểm chú ý ở đây là phiên bản gốc của
BLAST không cho phép chỗ trống (gap) trong quá trình mở rộng, nhưng ở phiên
bản mới hơn đã cho phép chỗ trống. Những cặp Hits sau khi mở rộng có điểm số
cao hơn một giá trị ngưỡng S (threshold value) thì được BLAST gọi là "cặp điểm
số cao" (High-scoring Segment Pair) HSP.
Ví dụ, với chuỗi AGTTAHTQ và ACFTAQAC với Hit TAH và TAQ sẽ được
mở rộng như sau:
AGTTAHTQ
xxx| | | |x
ACFTAQAC
Những cặp HSP đã tìm được được BLAST sắp xếp theo giá trị đánh giá giảm
dần, đưa ra màn hình, và thực hiện phần đánh giá thống kê trên những cặp HSP
này.Trong phần đánh giá thống kê, BLAST dựa trên cơ sở đánh giá của một cặp
HSP để tính ra một giá trị gọi là ''Bit-Score'', giá trị này không phụ thuộc vào ma
trận thay thế và được sử dụng để đánh giá chất lượng của các bắt cặp. Giá trị càng
cao chứng tỏ khả năng tương tựu của các bắt cặp càng cao. Ngoài ra BLAST tính
toán một giá trị trông đợi E-Score (Expect-Score) phụ thuộc vào Bit-Score. Giá trị
E-Score này thể hiện xác suất ngẫu nhiên của các bắt cặp, giá trị càng thấp càng
chứng tỏ những bắt cặp này được phát sinh theo quy luật tự nhiên, ít phụ thuộc vào
tính ngẫu nhiên. [7]

23


Hình 1.4. Thiết lập “từ” với ba “ký tự” để truy vấn theo danh sách

[5]

Ngày nay, có rất nhiều chương trình được mở rộng từ BLAST (thường được gọi
chung là “họ BLAST”) chẳng hạn như:
-

Nucleotide-Nucleotide BLAST (BLASTn): Chương trình này, khi đưa vào

một DNA truy vấn, sẽ trả về các chuỗi DNA gần giống nhất từ cơ sở dữ liệu DNA
mà người dùng chỉ định.
-

Protein-Protein BLAST (BLASTp): Chương trình này, khi đưa vào một

protein truy vấn, sẽ trả về các chuỗi protein gần giống nhất từ cơ sở dữ liệu protein
mà người dùng chỉ định.
-

Position-Specific Iterative BLAST (PSI-BLAST): Một trong những chương

trình BLAST mới nhất, chương trình này dùng để tìm kiếm các mối quan hệ xa
(distant relative) của một protein. Trước tiên, một danh sách các protein liên quan
sẽ được tạo ra. Sau đó, những protein này được kết hợp thành một "profile" dưới
dạng chuỗi trung bình (average sequence). Một câu truy vấn tới một cơ sở dữ liệu
protein sẽ được thực thi nhờ profile này, và một nhóm lớn hơn các protein được
tìm thấy. Nhóm lớn này lại được dùng để tạo ra một profile khác, và quá trình này
cứ lặp lại. Bằng cách thêm các protein liên quan vào việc tìm kiếm, PSI-BLAST
24

trở nên tốt hơn trong việc lựa ra các mối quan hệ tiến hóa cách xa nhau hơn là phần
mềm chuẩnprotein-protein BLAST..
-

Nucleotide 6frame translation protein (BLASTx): Chương trình so sánh các

sản phẩm chuyển đổi (trừu tượng) sang 6-khung của một chuỗi nucleotide truy vấn
(cả 2 dải) với một cơ sở dữ liệu chuỗi protein. Quá trình này có thể rất chậm.
-

Nucleotide-nucleotide 6-frame translation (tblastx): Chương trình này chậm

nhất trong họ BLAST. Nó chuyển chuỗi nucleotide truy vấn thành mọi 6 khung
(frame) có thể và so sánh các proteins tạo thành. Mục tiêu của tblastx là tìm kiếm
mối quan hệ rất xa giữa các chuỗi nucleotide.
-

Protein-nucleotide 6-frame translation (tblastn): Chương trình này chuyển cơ

sở dữ liệu đích thành mọi 6-khung (frame) và so sánh với chuỗi protein truy vấn.
-

Large number of query sequence (MegaBLAST): Khi so sánh một số lượng

lớn các chuỗi đầu vào qua chỉ một BLAST dạng dòng lệnh, "megablast" là nhanh
hơn rất nhiều so với chạy BLAST nhiều lần.
Ưu điểm: Do chỉ việc phải so sánh chuỗi cần truy vấn với thư viện hoặc CSDL
chuỗi có sẵn. Sau đó, đối sánh chuỗi ở thư viện hoặc cơ sở dữ liệu với chuỗi truy
vấn theo một ngưỡng nhất định nên phương pháp có thời gian xử lý nhanh.
Nhược điểm: Phương pháp này có độ chính xác không cao (VD: so với phương

pháp liên kết nhạy cảm đầy đủ phương pháp này độ chính xác không bằng).
1.4.

Phƣơng pháp sử dụng mô hình phù hợp gần đúng

Kỹ thuật tìm kiếm chuỗi phù hợp với một mô hình gần đúng (chứ không phải là
chính xác). Vấn đề phù hợp được hiểu thành hai ý: tìm kiếm chuỗi phù hợp gần
đúng với các phân đoạn một chuỗi cho trước và tìm kiếm chuỗi từ điển gần đúng
với mẫu cần truy vấn. Mô hình này sử dụng cách tiếp cận brute-force để tính “độ
chỉnh sửa” chuỗi mẫu sao cho gần đúng với tất cả các chuỗi con của chuỗi cần truy
vấn, sau đó chọn các chuỗi với “độ chỉnh sửa” tối thiểu. Tuy nhiên, thuật toán này
25