Khóa luận Kiểm định và so sánh các mô hình biến đổi amino acid cho virút cúm
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Phan Duy Tùng
KIỂM ĐỊNH VÀ SO SÁNH CÁC MÔ HÌNH BIẾN
ĐỔI AMINO ACID CHO VIRÚT CÚM
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: khoa học máy tính
HÀ NỘI - 2009
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Phan Duy Tùng
KIỂM ĐỊNH VÀ SO SÁNH CÁC MÔ HÌNH BIẾN
ĐỔI AMINO ACID CHO VIRÚT CÚM
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: khoa học máy tính
Cán bộ hướng dẫn: TS. Lê Sỹ Vinh
HÀ NỘI - 2009
Tóm tắt khóa luận
Khóa luận với đề tài “kiểm định và so sánh các mô hình biến đổi amino acid cho
virút cúm”. Đề tài này chúng tôi đã thực hiện những công việc sau:
1. Nghiên cứu tổng quan về sinh học phân tử và tin sinh học.
2. Nghiên cứu mô hình biến đổi amino acid.
3. Kiểm thứ mô hình I09 cho virút cúm và so sánh với các mô hình khác như: LG,
WAG, HIVw, HIVb, JTT ……
Kết quả cho thấy I09 [31] tốt hơn các mô hình khác khi áp dụng cho dữ liệu virút cúm.
Lời cảm ơn
Tôi xin chân thành cảm ơn Tiến sỹ Lê Sỹ Vinh là người trực tiếp, nhiệt tình
hướng dẫn tôi làm khóa luận tốt nghiệp trong thời gian qua.
Tôi xin gửi lời cảm ơn tới thạc sỹ Đặng Cao Cường người đã giúp đỡ tôi rất
nhiều trong quá trình làm khoán luận tốt nghiệp.
Tôi xin gửi lời cảm ơn tới toàn thể các thầy giáo, cô giáo tại Trường Đại Học
Công Nghệ những người đã hết lòng dạy cho tôi những kiến thức hết sức bổ ích trong
4 năm học tại trường.
Xin cảm ơn gia đình và những người bạn đã dành cho tôi tình thương yêu và sự
hỗ trợ tốt nhất.
Mục lục
Lời nói đầu ...................................................................................................................... 1
Chương 1: Tổng quan về sinh học phân tử và .................................................................. 2
Một số khái niệm khái niệm tin sinh ................................................................................ 2
1.1 Sinh học phân tử......................................................................................................2
1.2 Sắp hàng đa chuỗi ...................................................................................................4
1.3 Cây phân loài ..........................................................................................................6
Chương 2: Mô hình thay thế nucleotide và....................................................................... 7
Mô hình thay thế amino acids .......................................................................................... 7
2.1 Mô hình của chuỗi tiến hóa .....................................................................................7
2.2 Mô hình thay thế của nucleotide..............................................................................9
2.3 Mô hình thay thế của amino acid...........................................................................13
Chương 3: Virút............................................................................................................. 17
3.1 Khái niệm cơ bản về virút .....................................................................................17
3.2 Phân loại Virút ......................................................................................................17
3.3 Virút cúm..............................................................................................................18
Chương 4: Quá trình thực hiện kết quả .......................................................................... 21
4.1 Sơ lược về chương trình ........................................................................................22
4.2 Những điểm cần chú ý trong chương trình.............................................................22
4.3 Quá trình thực hiện................................................................................................24
Kết luận ......................................................................................................................31
Chương 5: Tổng kết – Đánh giá..................................................................................... 32
5.1 Tổng kết................................................................................................................32
5.2 Những đóng góp....................................................................................................32
5.3 Hướng phát triển ...................................................................................................32
Tài liệu tham khảo ......................................................................................................... 33
Hình tham khảo ............................................................................................................. 36
Lời nói đầu
Tin sinh (Bioinformatics), Bio:sinh học phân tử (Molecular Biology), Informatics
(Khoa học máy tính). Bioinformatics: giải quyết các bài toán sinh học bằng việc sử
dụng các phương pháp của khoa học máy tính. Với sự phát triển mạnh mẽ của công
nghệ sinh học, một khối lượng lớn dữ liệu sinh học phân tử (gene, protein, genome) đã
được thu thập, lưu trữ và chia sẻ tại các ngân hàng dữ liệu thế giới như NCBI
(National center for biotechnology information). Tin sinh học hiện đang được ứng
dụng phổ biến trong sinh học phân tử, nông nghiệp, công nghệ thực phẩm, môi trường,
y - dược học, và kiểm soát bệnh.
Trong những năm gần đây trên toàn cầu đã bùng nổ những đại dịch cúm như đại
dịch H5N1 và gần đây nhất mới phát hiện ra đại dịch mới do chủng H1N1 (đã đột
biến) gây ra, có thể lây từ người sang người. Các nhà khoa học trên toàn thế giới đang
ra sức nghiên cứu, tìm hiểu về loại virút cúm mới này. Vì vậy việc tìm ra một mô hình
thay thế amino acid tốt nhất để giúp các nhà khoa học nghiên cứu tốt hơn các loại virút
cúm là rất cần thiết. Với đề tài khóa luận tốt nghiệp “Kiểm định và so sánh các mô
hình biến đổi Amino Acid cho virút cúm” chúng tôi hi vọng sẽ có những đóng góp vào
việc sản xuất và điều chế ra vacxin điều trị cúm. Sau quá trình nghiên cứu và kiểm tra
chúng tôi đã thu được một số kết quả sau. Chúng tôi đã tìm ra mô hình I09 [31] là tốt
nhất để nghiên cứu các loại dữ liệu virút cúm. Mặc dù mô hình này mới ở giai đoạn
đầu phát triển nhưng nó đã có những thuộc tính nổi trội cao so với các mô hình khác.
Kiểm tra giá trị log likelihood trên 489 aligment độc lập đã cho chúng ta những kết
quả như sau: I09 tốt hơn HIVb 455 bộ trên 489 aligmenent, tồi hơn 34 bộ, và I09 tốt
hơn HIVw 476 bộ trên 489 aligmenent và tồi hơn 13 bộ, I09 tốt hơn JTT 464 bộ trên
489 aligmenent và tồi hơn 25 bộ, I09 tốt hơn LG 468 bộ trên 489 aligmenent và tồi
hơn 21 bộ.
- 1 -
Chương 1: Tổng quan về sinh học phân tử và
Một số khái niệm khái niệm tin sinh
1.1 Sinh học phân tử
Mọi cơ thể sống đều cấu tạo từ các tế
bào. Tế bào có cấu tạo gồm: vỏ, nhân. Nhân
tế bào đều chứa acid nucleic. Đó là những
phân tử lớn gồm nhiều các nucleotide. Có
hai loại nucleic: DNA và RNA. Để dễ hình
dung hơn chúng ta có thể xem hình 1 thể
hiện mô hình của một tế bào được phóng to
ra.
Hình 1: Cấu tạo tế bào.
ADN (Acid deoxyribonucleic): là chuỗi
xoán kép, mang thông tin di truyền, được cấu
tạo từ 4 thành phần cơ bản sau: Adenine (A),
Cytosine (C), Guanine (G), Thymine (T).
Những đặc điểm này được thể hiện ở hình 2,
hình này mô tả chuỗi xoán kép DNA và các
liên kết A-T và C-G.
Hình 2: Cấu trúc xoắn kép của DNA.
- 2 -
Trật tự các base dọc theo chiều dài của chuỗi DNA gọi là trình tự, trình tự này rất
quan trọng vì nó chính là mật mã nói lên đặc điểm hình thái của sinh vật. Tuy nhiên, vì
mỗi loại base chỉ có khả năng kết hợp với 1 loại base trên sợi kia, cho nên chỉ cần trình
tự base của 1 chuỗi là đã đại diện cho cả phân tử DNA.
Đột biến hiểu đơn giản là hậu quả của những sai sót hoá học trong quá trình nhân
đôi. Bằng cách nào đó, một base đã bị bỏ qua, chèn thêm, bị sao chép nhầm hay có thể
chuỗi DNA bị đứt gẫy hoặc gắn với chuỗi DNA khác. Về mặt cơ bản, sự xuất hiện
những đột biến này là ngẫu nhiên và xác suất rất thấp.
- Sự thay thế: thay thế một nucleotide bởi cái khác trong chuỗi.
- Sự bỏ đi: xóa một hoặc nhiều hơn nucleotide từ chuỗi.
- Thêm vào: thêm một hoặc nhiều nucleotide trong chuỗi.
- Transitions: thay thế một purine trong purine khác (A G) hoặc một
pyrimidine trong pyrimidine (C T).
- Transversion: thay thế một purine trong một pyrimidine A C, AT, GC,
GT.
RNA cũng tương tự như DNA nhưng trong thành phần cơ bản của nó thì T được
thay bằng U (Uracil).
Mối quan hệ của DNA, RNA, Protein được thể hiện qua sơ đồ sau:
Translation
Transcription
DNA
tmRNA
Protein
Protein là thành phần quan trọng trong tế bào của virút. Protein được cấu tạo từ
20 loại amino axit. Sự khác nhau về lượng và trình tự sắp xếp các amino axit tạo thành
các protein khác nhau.
- 3 -
20 loại amino axit: một bộ ba các A, C,
G, T tương ứng với một amino acid gọi là
bộ ba mã hóa (codon). Các bộ ba này ứng
với các amino acid thể hiện trong hình 3, với
các loại amino acid như sau: Phe, Leu, Ser,
Tyr, Cys, Trp, Pro, His, Gln, Arg, lle, Thr,
Asn, Lys, Arg, Val, Ala, Asp, Glu, Gly.
Hình 3: 20 amino acid.
Trong quá trình tiến hóa và biến đổi của các chuỗi DNA, RNA, có xảy ra những
những đột biến (thêm vào, chèn, xóa – đã được định nghĩa trong phần 1.1). Chính vì
vậy đã tạo ra sự khác nhau của các cuỗi DNA, RNA của cùng một loài. Vì vậy để
nghiên cứu được về các chuỗi này điều đầu tiên chúng ta cần làm là sắp hàng các
chuỗi này.
1.2 Sắp hàng đa chuỗi
Sắp hàng đa chuỗi (gióng hàng đa chuỗi) là cách sắp hàng các chuỗi DNA, RNA
hay protein sao cho chúng giống nhau nhất. Các chuỗi này sau khi sắp hàng sẽ có cùng
chiều dài. Một số chương trình dùng để sắp hàng đa chuỗi như: CLUSTALW [28], T-
COFFEE [17], hoặc MUSCLE [5].
Sắp hàng 2 chuỗi: là trường hợp riêng của sắp hàng đa chuỗi.Ví dụ chúng ta có
hai chuỗi DNA của người và tinh tinh:
- 4 -
1
2
3
4
5
6
7
8
9
10 11 12
Người
A
A
A
C
C
C
C
T
T
T
T
T
T
C
C
C
C
C
C
T
T
T
T
Tinh Tinh
Sau khi sắp hàng ta có kết quả:
1
2
3
4
C
-
5
6
7
8
9
10 11 12
Người
A
A
C
C
C
T
T
T
T
T
T
C
C
C
C
C
C
T
T
T
T
Tinh Tinh A
Sắp hàng đa chuỗi thay vì so sánh 2 cặp thì là việc tìm sự giống nhau của đồng
thời nhiều chuỗi.
Ví dụ: có sắp hàng đa chuỗi của 7 chuỗi sau:
1
A
G
C
T
T
T
T
2
3
4
C
-
5
T
T
T
T
T
T
T
6
T
T
T
T
T
T
T
7
T
T
T
T
T
T
T
8
9
10 11 12
Người
Tinh Tinh
Khỉ đột
Bò
A
A
A
C
C
G
G
C
C
C
C
C
C
T
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
T
T
T
T
T
T
T
T
T
T
T
T
T
T
C
-
Chó
-
Chuột
Chim
-
-
Sau khi các chuỗi được sắp hàng xong chúng sẽ được sử dụng với nhiều mục
đích khác nhau. Một trong những mục đích quan trọng là xây dựng cây phân loài.
- 5 -
1.3 Cây phân loài
Cây phân loài biểu diễn mối quan hệ tiến hóa giữa các loài sinh vật. Có nhiều
phương pháp để xây dựng cây phân loài như Maximum parsimony, Distance Based,
hay Maximum Likelihood [15]. Nhưng ngày nay, phương pháp Maximum Likelihood
được sử dụng phổ biến nhất. Sử dụng phần mềm PhyML [23] để xây đựng cây phân
loài bằng phương pháp Maximum Likelihoood. Hình 4 là một ví dụ về cây phân loài
của 4 loài: người, tinh tinh, gorilla, khỉ Rhesus.
Hình 4: Ví dụ về cây phân loài
Muốn xây dựng những cây phân loài tốt và chuẩn xác thì cần phải có những kiến
thức cơ bản về những mô hình thay thế nucleotide hoặc mô hình thay thế amino acid.
Những mô hình này là nền tảng của việc xây dựng nên cây phân loài. Lựa chọn được
mô hình tốt sẽ dẫn tới việc có cây phân loài tốt. Phần tiếp theo sẽ nói chi tiết hơn về
các mô hình thay thế nucleotide và mô hình thay thế amino acid.
- 6 -
Chương 2: Mô hình thay thế nucleotide và
Mô hình thay thế amino acids
Sau đây chúng tôi trình bày tổng quan về mô hình tiến hóa, mô hình thay thế của
nucleotide, mô hình thay thế của amino acid. Chi tiết có thể tham khảo tại [15, 29].
2.1 Mô hình của chuỗi tiến hóa
Sau khi đã được chuỗi sắp hàng đồng nhất, mối quan hệ có thể được phân tích
trên các ký tự đồng nhất của chúng. Ước lượng của sắp cặp khoảng cách (khoảng cách
tiến hóa) giữa chuỗi là nhiệm vụ cơ bản và quan trọng trong phân tích chuỗi chẳng hạn
như tìm kiếm có liên quan chặt chẽ đến chuỗi trong cơ sở dữ liệu và xây dựng lại
khoảng cách cơ bản của cây phân loài [24].
Chính xác, Chúng ta có A= {A, C, G, T} theo thứ tự là 4 nucleotide tình trạng có
thể thực hiện được. Giống nhau, của 20 trạng thái amino acid viết tắt với A= {A, C, D,
E, F, G, H, I, K, L, M, N, P, Q, R, S, T, V, W, Y}. Nhìn 2 sắp hàng chuỗi (Nucleotide
hoặc amino acids) x=(x1, x2,…, xm) và y=(y1, y2, ….,ym) khi xi, yiA với i=1 …m.
Hình 5: quan hệ giữa khoảng cách quan sát và khoảng cách gen giữa 2 chuỗi.
- 7 -
Nếu khoảng cách gen là nhỏ, nó có thể ước lượng bởi khoảng cách quan sát. Tuy
nhiên, khoảng cách quan sát tăng lên thì bão hòa và đó là giới hạn của nó. Bởi vậy,
khoảng cách quan sát đánh giá bởi khoảng cách gen.
Định nghĩa: Khoảng cách gen dg(x,y) giữa 2 chuỗi tương đồng x=(x1,x2,….,xm)
và y=(y1,y2…..,ym) A với i=1 …. m là số thay thế có thật giữa x và y trên site.
Ước lượng khoảng cách gen giữa chuỗi điển hình phụ thuộc vào thống kê mô tả
của xử lý thay thế giữa nucleotie hoặc amino acids, gọi là mô hình thay thế.
Trước khi miêu tả mô hình, chẳng hạn một sự đi chệch trong khoảng cách quan
sát 2 chuỗi cái mà đơn giản nhất và thuộc về ước lượng trực giác của khoảng cách gen
[24].
Định nghĩa: khoảng cách nhìn thấy d0(x,y) giữa chuỗi đồng nhất x=(x1, x2,
…..,xn) và y=(y1,y2, … ,ym) với xi,yi A với i=1,… m là tỷ lệ của vị trí không ghép đôi
trong sắp cặp chuỗi tương ứng. Toán học,
m
(xi yi )
i1
do (x,y)=
(2.1)
m
Hình 6: Tiến hóa của 2 chuỗi từ chuỗi tổ tiên
khi
- 8 -
(2.2)
nếu khoảng cách gen dg(x,y) là nhỏ, nó đã ước lượng một cách đúng đắn bởi
khoảng cách quan sát do(x,y) như biểu đồ minh họa hình 5. Tuy nhiên, một tỷ lệ thay
thế cao hoặc một thời gian tiến hóa giữa chuỗi có thể là nguyên nhân không đánh giá
được khoảng cách gen từ khoảng cách quan sát. Rõ ràng hơn ở hình 6 hiển thị ví dụ về
nhiều thay thế, thay thế song song và thay thế sau, trong cái khoảng cách quan sát giữa
2 chuỗi là nhỏ hơn số của thay thế thực tế giữa chúng.
Nhiều thay thế (multiple subsituations): có 2 hoặc nhiều hơn thay thế xảy ra
tại vị trí giống nhau. Tuy nhiên, một thay thế quan trọng là có thể nhìn thấy tại vị trí
trong sắp cặp trình tự (vị trí 1 hình 6).
Thay thế song song (parallel substitution): thay thế giống nhau có xảy ra tại
vị trí giống nhau trong 2 chuỗi. Bởi vậy, chúng ta không quan sát thấy thay thế giữa 2
ký tự tại vị trí trong sắp cặp trình tự (vị trí 3 hình 6).
Thay thế sau (Back subsituations): có 2 hoặc nhiều hơn thay thế xảy ra tại vị
trí giống nhau trong một chuỗi.Tuy nhiên, ký tự cuỗi cùng có trạng thái như trạng thái
ban đầu.Vậy kết quả là không thể quan sát được thay thế tại vị trí sắp cặp trình tự (vị
trí 5 hình 6).
Để giải quyết vấn đề này, chúng ta sử dụng mô hình xử lý thay thế giữa
nuclotides và mô hình xử lý thay thế giữa amino acid.
2.2 Mô hình thay thế của nucleotide
Xử lý thay thế giữa nucleotides là mô hình như một thời gian đồng nhất, thời
gian tiến hành không dịch chuyển của xử lý Markov [27, 24]. Thành phần trung tâm
của xử lý là thay thế ngay lập tức tỷ lệ thay thế ma trận.
(2.3)
- 9 -
Khi Qij là số của thay thế từ nucleotide i thành nucleotide j trên thời gian. Tham
số a, a’, b, b’, c, c’, d, d’, e, e’, f, f’ phù hợp có liên quan tới tỷ lệ thay thế từ một
nucleotide với nucleotide khác. Cuối cùng, tham số A ,C ,G ,T miêu tả tần số của
nucleotides A, C, G, T, miêu tả tần số của nucleotide A, C, G, T theo thứ tự định sẵn.
Chú ý rằng thành phần đường chéo Qii là phân chia như tổng của các thành phần của
hàng và kết quả bằng 0.
Thời gian thuận nghịch giả định thường xuyên áp đặt với suy ra sự phân loài, cái
có liên quan đến tỷ lệ thay thế giữa nucleotide i và nucleotide j là giống nhau trong cả
2 phương hướng. Rõ ràng, tỷ lệ thay thế tương đối a’=a, b’=b, c’=c, d’=d, e’=e và f’=f.
Bời vậy, phổ biến thời gian thuận nghịch (GTR) [27] là:
(2.4)
Mô hình áp đặt 4 điều kiện:
- Tỷ lệ của thay thế từ nucleotide i với nucleotide j phụ thuộc vào lịch sử của
nucleotide i (đặc tính Markov).
- Tỷ lệ thay thế là bất biến với thời gian (đồng nhất thời gian).
- Thay thế giữa nucleotide có thể xuất hiện tại thời gian trong xử lý (thời gian
liên tục).
- Tần số = ( A ,C ,G ,T ) của nucleotide A, C, G, T.
Tỷ lệ thay thế tức thời ma trận Q có thể tách rời trong có liên quan đến tỷ lệ thay
thế của ma trận R= {Rij} và tần số nucleotie như:
(2.5)
Khi quan hệ ma trận tỷ lệ thay thế là:
- 10 -
(2.6)
Một ma trận tỷ lệ thay thế tức thời Q lý thuyết gọi là ma trận khả năng thay thế
P(t)={Pij(t)} trong này Pij(t) là xác suất thay đổi từ nucleotide i thành nucleotide j trong
thời gian tiến hóa t có thể tính toán bởi:
(2.7)
Chúng ta phải chú ý rằng ma trận tỷ lệ thay thế tức thời Q là điển hình như số
trông đợi của thay thế trên đơn vị thời gian gọi là tốc độ thay thế là:
(2.8)
Bởi vậy, Pij (t) là xác suất của thay thế từ nucleotide i thành nucleotide j sau t
thay thế (t có thể là giá trị phân số).
Mô hình đảo ngược phổ biến Q là chéo hóa (Keilson [12]; Gu and Li [8] ), P (t)
có thể tính toán hiệu quả sử dụng sự phân ly của Q .Công thức
(2.9)
hoặc chính xác hơn,
(2.10)
Khi đó
- 11 -
Hình 7: sự khác nhau giữa các mô hình thay thế nucleotide là số tham số tự do
(Free parameters).
|A|=4 là số trạng thái có thể thực hiện được
=diag { ,2 ,....,A } là |A| |A| ma trận đường chéo tương ứng với giá trị đặc
1
trưng của mà trận ,2 ,....,A của Q
1
U= {u1, u2, ... , u|A|} là ma trận tương ứng với đặc trưng của Q và U-1 là ma trận
nghịch đảo
Sự khác nhau của các ma trận Q là 8 tham số tự do. Tuy nhiên có thể tìm hiểu rõ
hơn về những tham số tự do này thông qua các mô hình như sau: JC69 [11], F81 [7],
K2P [13], HKY85 [9], TN93 [26].
Hình 7 hiển thị sự khác nhau của mô hình thay thế nucleotide cũng như số các
tham số tự do của chúng. Tham số tự do của mô hình thường ước lượng dữ liệu sử
dụng chương trình tính toán như là PAUP* [25], TREE-PUZZLE [20], MRBAYES
[19], PHYML [23].
- 12 -
2.3 Mô hình thay thế của amino acid
Chuỗi amino acid là bao gồm loại dữ liệu phân tử sử dụng để nghiên cứu quan hệ
giữa loài năm 1960 bởi Eck và Dayhoff [4]. Giống nhau với nucleotides, thay thế xử lý
giữa amino acid là không có thật với một đồng nhất thời gian thời gian liên tiếp thời
gian đảo ngược không đổi xử lý Markov. Tuy nhiên, 20 trạng thái amino acid cần đến
C202 mô hình thay thế tham số với ước lượng. Bởi vậy, tham số là đặc trưng nhận được
từ kinh nghiệm nghiên cứu cơ bản trên số lượng dữ liệu rộng lớn [3, 10, 1, 16, 22]. Sau
đây, mô hình thay thế của amino acid gọi là mô hình thay thế kinh nghiệm.
Dayhoff (1978) [3] là mô hình thay thế amino acid đầu tiên. Họ sử dụng 71 bộ
protein có quan hệ chặt chẽ với nhau và quan sát 1572 thay thế giữa các amino acid.
Họ sưu tập thay thế này trong xác suất phổ biến của ma trận sự thay thế đã được thừa
nhận (PAM) hoặc mô hình Dayhoff.
PAM-001 là ma trận quan trọng nhất PAM cái biểu hiện xác suất của sự thay thế
từ một amino acid với amino acid khác. Nếu một phần trăm của amino acid có thay thế
giữa chúng. Phổ biến hơn là PAM-t là xác suất của thay thế từ một amino acid tới cái
khác nếu số lượng của thay thế giữa chúng là t phần trăm. PAM-t có thể tính toán dễ
dàng bởi sự tăng ma trận PAM-001 với số mũ t [6].
Jones et al (1992) [10] ứng dụng phương pháp giống như của Dayhoof et al
(1978) nhưng với giá trị lớn hơn về số bộ dữ liệu để lập bảng xác suất của ma trận biến
đổi công nhận có tên là ma trận JTT.
Một thiếu sót của ma trận PAM là chúng chỉ thống kê trên một chuỗi protein có
quan hệ mật thiết với nhau.Muller và Vingrron (2000) giới thiệu một cải tiến ước
lượng, gọi là phương thức giải thức, chiến thắng cái sự hạn chế.Sau đó, họ tính toán
gọi là ma trận VT cơ bản trên chuỗi protein của mức độ biến đổi của sự khác nhau từ
dữ liệu SYSTERS [14].
Adachi và Hasegawa (1996) [1] nghiên cứu sự thay thế acmino acid xử lý trong
ngữ cảnh của mtDNA- mã hóa protein. Họ xây dựng một ma trận xác suất chuyển đổi,
- 13 -
đó là ma trận mtREV, sử dụng ma trận maximum likelihood cơ bản trên 20 động vật
có xương sống mtDNA giải mã chuỗi protein. Tác giả đưa ra kết quả: mtREV thực sự
tốt hơn mô hình khác khi xử lý mối quan hệ phân loài trong loài căn cứ trên mtDNA
giải mã chuỗi protein của họ.
Whelan và Goldman (2001) [22] sử dụng một ma trận gần đúng phương thức
likelihood để ước lượng một mô hình mới của thay thế amino acid, tên là WAG, căn
cứ trên 3,905 chuỗi protein dạng cầu từ 182 họ protein. Họ đưa ra kết quả: WAG là tốt
hơn phương thức Dayhoff với chi tiết của ma trận giá trị likelihood từ một số lớn của
họ protein cầu.
David C.Nickle và các đồng nghiệp (2007) [2] đã đưa ra 2 mô hình theo kinh
nghiệm HIVb và HIVw. Mô hình này nghiên cứu về virút HIV trên người (HIV-1).
Ngoài ra tác giả còn khẳng định rằng mô hình của họ còn có thể áp dụng với virút
viêm gan C, và virút cúm A. Mô hình HIVw sử dụng sắp hàng chuỗi của 48 cặp tương
ứng với tổng số 6,328 cặp amino acid khác nhau. Mô hình HIVb sử dụng 8 bộ dữ liệu
với tổng cộng 7,189 amino acid khác nhau. Số bộ dữ liệu này khá là tuyệt vời lớn hơn
1,700 amino acid so với Dayhoff sử dụng và gấp 2 lần so với rtREV và C.Nickle cũng
sử dụng phương thức ước lượng cực đại giống của Whelan và Goldman để suy ra mô
hình. Kết quả họ thu được là khả thi hơn các mô hình trước đó được tổng kết tại bảng
1.Từ bảng 1 ta có thể thấy được rằng HIV-Wm đứng nhất 44 lần trên 47 cặp, đứng thứ
2: 2 lần trên tổng số 47 cặp.Với kết quả này ta thấy được sự vượt trội của HIV với
những mô hình trước đó.
- 14 -
Bảng 1: Kết quả so sánh 19 model trên 47 cặp alignment giống nhau
Lê Sĩ Quang và Olivire Gascuel (2008 )[21] đã công bố một mô hình mới đó là
mô hình LG. Mô hình này chạy tốt trên nhiều loại amino aicds khác nhau. Phương
phát để suy ra mô hình này là: tác giả cải tiến mô hình WAG của Whelan và Goldman
(2001) bằng cách sử dụng ước lượng cực đại (maximum likelihood) kết hợp chặc chẽ
tính biến đổi của tỷ lệ tiến hóa vị trí xoắn trong ma trận ước lượng. Tác giả đã kết hợp
với phần mềm XRATE và 3,912 aligment từ Pfam, bam gồm 50,000 chuỗi và 6.5 triệu
amino acid.Và tác giả đã sử dụng lấy mẫu độc lập của 59 alignments từ TreeBase để
so sánh kết quá như bảng thống kê ở bảng 2 bên dưới.
- 15 -
Bảng 2: So sánh các mô hình với 59 alignments từ TreeBase
Một số kết luận trong bài báo của tác giả:
- Giá trị trung bình AIC (average Akaike information criterion gain per site)
cung cấp tăng hơn là 0.25 và 0.42 so với WAG và JTT theo thứ tự lần lượng.
- LG tốt hơn đáng kể so với WAG tới 38 alignemnt (trên 59 bộ alignments) và
tồi hơn chỉ duy nhất 2 bộ.
- Mô hình cây suy ra với LG , WAG và JTT tấn số khác nhau, biểu thị rằng sử
dụng LG không những ảnh hưởng duy nhất tới giá trị likelihood mà ảnh hưởng cả tới
cây sinh ra.
Qua những phần trình bày ở chương 2 chúng ta đã có một cái nhìn tổng quan về
các mô hình biến đổi nucleotide và các mô hình biến đổi amino acid. Những mô hình
đó được sử dụng để nghiên cứu với DNA và RNA của nhiều loài sinh vật trên thế giới.
Chương tiếp theo sẽ nói chi tiếp tới đối tượng mà chúng tôi đã lựa chọn để nghiên cứu
ngay từ ban đầu đó là virút cúm (Influenza).
- 16 -
Chương 3: Virút
3.1 Khái niệm cơ bản về virút
Virút là một vật thể nhỏ xâm nhiễm vào cơ thể sống. Virút có tính kí sinh nội
bào bắt buộc; chúng chỉ có thể sinh sản bằng cách xâm chiếm tế bào khác vì chúng
thiếu bộ máy ở mức tế bào để tự sinh sản. Có thể thấy hình dạnh 3 loại virút ký sinh
trên vi khuẩn, động vật, và loại virút cúm ở hình 8.
Hình 8: Ba loại virút: virút của vi khuẩn, còn gọi là thực khuẩn thể (trái); virút
của động vật (phải trên); và retrovirút (phải dưới).
3.2 Phân loại Virút
DNA virút: do cơ chế tự sửa lỗi trong quá trình sao chép, nên loại DNA virút
này không có khả năng gây ra đột biến.Vì vậy nó ít gây ra sự nguy hiểm.
RNA virút: nó phát sinh dựa trên cơ chế của tổng hợp RNA, sau khi tấn công
vào vật chủ thì nó chuyển đổi thành DNA và sau đó tái tạo lại RNA. Trong quá trình
chuyển đổi này thì có thể tạo ra những thay đổi làm cho virút trở nên nguy hiểm hơn
do các kháng thể không thể tiêu diệt được chúng.
- 17 -
3.3 Virút cúm
Cái gì là bệnh cúm của loài chim
Cúm của chim là một loại cúm gây ra bởi virút cúm. Virút cúm này tìm thấy
trong một loài chim. Loài chim hoang rã có trên toàn thế giới mang virút trong ruột
của chúng, nhưng thường không làm cho chúng bị ốm. Tuy nhiên, cúm chim là dễ lây
qua các loài chim khác và có thể lây sang một số gia cầm đã thuần hóa bao gồm, gà,
vịt, gà tấy gây ra ốm và có thể giết chúng.
Có mấy loại virút cúm
- Loại A: có thể lây cho người, chim, lợn, ngựa, hải cẩu, các voi và các động vật
khác, những động vật hoang dã lưu trữ virút này tự nhiên. Loại này có thể gây ra đại
dịch.
- Loại B: virút loại B là bình thường được tìm thấy duy nhất trên người. Mặc dù
virút loại B có thể là nguyên nhân bệnh dịch ở người, chúng không gây ra các đại dịch.
- Loại C: virút loại C là nguyên nhân gây ra các loại cúm nhẹ ở người, và nó
không gây ra bệnh dịch hoặc không gây ra đại dịch.
Virút cúm A
Virút cúm nhóm A được chia thành các phân nhóm dựa vào loại
protein: hemagglutinin (H) và neuraminidase (N) nằm trên lớp vỏ protein bao bọc lõi
virút. Có 16 loại HA và 9 loại NA, như vậy tổ hợp lại thì có khả năng tạo ra 144 phâm
nhóm cúm A khác nhau, hemagglutin có nhiệm vụ kết nối virút với tế bào chủ,
neuraminidase có dạng nút lồi hình nấm trên bề mặt virút cúm và có vai trò hỗ trợ giải
phóng virút khỏi tế bào vật chủ.
Duy nhất một số kiểu cúm A (H1N1, H1N2, H5N1 và H3N2) hiện nay hiện diện
trên cơ thể người. Các kiểu khác không được tìm thấy thường có ở các động vật đặc
biệt. Ví dụ H7N7 và H3N8 virút gây ốm ở ngựa.
“virút H7N2 “ được biết là một loại cúm A có HA 7 protein và một NA 2 protein.
Giống nhau với virút H5N1 có HA 5 protein và NA 1 protein
- 18 -
Bộ gen di chuyền virút cúm A gồm có 8 đoạn, chuỗi RNAs đơn có thể nằm giữa
890 và 2340 nucleotide. Những chuỗi này được thể hiển trong hình 9.
Hình 9: Bộ gen của virút cúm A
Tại sao lại khẳng định virút cúm là nguy hiểm. Điều này cũng dễ hiểu khi chúng
ta nhìn vào hình 10, nó thể hiện sự lây lan của virút cúm vào các năm 1918, 1957,
1968, 1977, 2003, 2004
Các thống kê sự lây lan của virút
Hình 10: Sự lây lan của virút cúm
- 19 -
Như chúng ta thấy với sự lây lan của virút cúm như ở hình 10, cho chúng ta thấy
đượng sự nguy hiểm của virút cúm đối với sức khỏe con người. Vì vậy việc tìm ra một
mô hình thay thế amino acid để giúp các nhà khoa học nghiên cứu tốt hơn về các
chủng virút cúm là rất quan trong. Sau đây sẽ là những giới thiệu về một mô hình mới
như vậy, mô hình này ra đời nhằm phục vụ cho việc nghiên cứu virút cúm.
Giới thiệu về mô hình nghiên cứu với virút cúm
Mô hình I09 [31] đang trong giai đoạn dầu phát triển (2009). Mô hình này xây
dựng để phục vu cho việc nghiên cứu các chủng virút cúm. Phương pháp xây dựng
được thực hiện theo các bước của mô hình LG nhưng với một bộ dữ liệu được xây
dựng kỳ công và nhiều công sức về virút cúm. Chính vì vậy cho ra kết quả rất đáng
chú ý.
Với việc so sánh giá trị log likelihood của các alignment có những kết quả sau:
I09 tốt hơn HIVb 455 bộ trên 489 aligmenent, tồi hơn 34 bộ, và I09 tốt hơn HIVw 476
bộ trên 489 aligmenent và tồi hơn 13 bộ, I09 tốt hơn JTT 464 bộ trên 489 aligmenent
và tồi hơn 25 bộ, I09 tốt hơn LG 468 bộ trên 489 aligmenent và tồi hơn 21 bộ.
Những kết quả này sẽ được trình bày rõ hơn ở chương 4 của khóa luận này.
Chương 4 là chương nói lên toàn bộ quá trình thực hiện việc kiểm định và so sánh các
mô hình biến đổi amino acid cho virút cúm.
- 20 -
Chương 4: Quá trình thực hiện kết quả
Hình 11: Sơ lược quá trình kiểm định và so sánh các mô hình biến đổi
Amino Acid cho virút cúm
PhyML chương trình xử lý các chuỗi amino acid để đưa ra 3 thư mục: lk (chứa
các file loglikelihood cử từng vị trí, stats: tên file, Tên mô hình, số taxa, giá trị log-
likelihood của alignment, tree size, gama shape parameter, tỷ lệ thay đổi, thời gian
- 21 -
chạy của alignment. tree cung cấp hình dạng cây phân loài của alignment dưới dạng
chuỗi.
4.1 Sơ lược về chương trình
Bài toán kiểm định và so sánh các mô hình biến đổi amino acid cho virút cúm
được sử dụng ngôn ngữ Perl kết hợp với MySQL để tiến hàng. Ngoài ra còn sử dụng
tới một chương trình rất nổi tiếng trong quá trình xử lý các mô hình amino acid đó là
chương trình PhyML phiên bản 3.0. [23]
4.2 Những điểm cần chú ý trong chương trình
Giới thiệu về chương trình PhyML
PhyML là một chương trinh rất chính xác sử dụng khoảng cách tối đa (maximum
likelihood), một chương trình được nhiều chuyên gia trong lĩnh vực Tin Sinh thường
xuyên sử dụng vì nó cho kết quả chính xác nhất [23].Đầu vào của chương trình là
chuỗi sắp hàng có định dạng PHILIP.
Định dạng PHILIP
File định dạnh PHILIP như sau:
100 342
ABB87822
DKICLGHHAVANGTKVNTLTERGIEVVNATETVETANIEKICTQGKRPTDL
GQCGLLGTLI…………
ACF47475
DKICLGHHAVANGTKVNTLTERGIEVVNATETVETANIKKICTQGKRPTDLGQC…………………
…………….
Ý nghĩa của các phần:
100: alignment gồm có 100 chuỗi (ABB87822, ACF47475….)
342: Mỗi chuỗi có 342 ký tự (site)
ABB87822, ACF47475: tên các chuỗi trong alignment
- 22 -
Các ký tự (DKICLGHHAVANGTK……) là ký hiệu của các amino acid trong
chuỗi
Các tham số sử dụng để chạy PhyML
Một dòng lệnh để chạy chương trình PhyML như sau:
phyml -i aln.1.Influenza.TypeA.txt_muscle-gb.phylip -d aa -q -c 4 -a e --
print_site_lnl -v e -m I09_it1_new_03_04_PAML.txt
-i input (giá trị vào tên alignment định dạng PHILIP).
-d aa chuyển đổi chương trình sang dạng xử lý với amino acid, dạng mặc định
của chương trình là xử lỳ với nucleotide.
-q: Thay đổi định dạng interleaved (mặc định) để định dạng sequential.
-c 4: tỷ lệ thay đổi là 4.
-a e : đặt giá trị gama shape parameter là ước lượng cực đại.
--print site lnl: in các giá trị likelihood của các vị trí (site) ra file * phyml lk.txt.
-v e :tỷ lệ các của vị trí không thay đổi đặt với ước lượng cực đại.
-m tên mô hình amino acids cần chạy.
Với tất cả các mô hình amino acids và tất cả alignments của virút cúm ta đều
chạy với cùng các tham số như trên để cho tiện với việc so sánh. Các tham số trên đều
được lựa chọn phù hợp với những mục tiêu đã đề ra ngay từ ban đầu.
Các mô hình amino acid: theo chương trình PhyML [23] có tất cả 14 mô hình
Amino-acids: LG (default) WAG | JTT | MtREV | Dayhoff | DCMut
| RtREV | CpREV | VT | Blosum62 | MtMam | MtArt | HIVw | HIVb |
và thêm 1 mô hình mới nghiên cứu là I09 [31].
Vậy sẽ kiểm định và so sánh 15 mô hình amino acid trên với virút cúm.
Giới thiệu bộ dữ liệu dùng để chạy PhyML
Bộ dữ liệu được xây dựng bởi thạc sỹ Đặng Cao Cường với sự tỷ mỷ nghiên cứu
và tìm kiếm trong nhiều tháng. Bộ dữ liệu được thu thập từ ngân hàn Gen lớn NCBI
- 23 -
(ngân hàng gen lớn nhất của thế giới NCBI (ngân hàng gen lớn nhất của thế giới) nên
mức độ chuẩn xác là rất tin cậy.
Thông tin chi tiết từ bộ dữ liệu:
Nguồn được lấy từngày 03/04/2009 (rất cập nhập và chính xác)
- Số lượng: 101,707 chuỗi
- Type A: 92866
- Type B: 7396
- Type C: 932
- Không định nghĩa: 513
Sau khi sử dụng các chương trình MUSCLE, GBLOCKS để làm mịn dữ liệu ta
thu được 978 alignment số alignment này được chia làm đôi (mỗi phần gồm 489
alignment) 1 phần dùng để huấn luyện tạo ra mô hình mới I09 một phần còn lại sử
dụng để kiểm tra với 15 mô hình amino acid đã nêu ở trên.
Số site của bộ dữ liệu kiểm tra là: 205337
4.3 Quá trình thực hiện
Sau khi có 489 alignment của virút cúm ở dạng PHILIP (phần 4.2 đã nói rõ về
định dạnh PHILIP), ta sử dụng PhyML để chạy với 15 mô hình amino acid đã nói ở
trên với các tham số như ở phần 4.2 đã nói. Quá trình chạy rất lâu mỗi mô hình chạy
hết khoảng 24 tiếng trên máy tính: cpu intel core 2 duo 4400 (2.0 GHz), RAM 1G và
chạy trên may ao linux ubuntu 8.04 256 ram.
Kết quả thu được sau khi chạy PhyML, ứng với mỗi mô hình ta sẽ có 3 thư mục
tương ứng lk, stats, tree. Thư mục lk sẽ cung cấp cho ta giá trị likelihood của từng vị
trí (site) đối với mỗi alignment. Thư mục stats cung cấp cho ta rất nhiều thông tin
như : tên file, Tên mô hình, số taxa, giá trị log-likelihood của alignment, tree size,
gama shape parameter , tỷ lệ thay đổi, thời gian chạy của alignment. Thư mục tree
cung cấp hình dạng tree của alignment dưới dạng chuỗi.
Chạy 15 mô hình amino acid, mỗi mô hình sẽ cho 3 thư mục, mỗi thư mục sẽ có
489 file ghi kết quả tương ứng của 489 alignment.
- 24 -
Sử dụng chương trình viết bằng Perl kết hợp với MySQL để xử lý.
So sánh giá trị trung bình loglikelihood trên (205337 site) của 15 mô hình sẽ
được thể hiện ở bảng 3. Cách tính giá trị trung bình loglikelihood trên site: bằng tổng
tất cả loglikelihood của 489 alignment trên 205337 site.
Các giá trị xếp theo thứ tự giảm dần. Ta so sánh giá trị trung bình loglikelihood,
giá trị trung bình loglikelihood của mô hình nào càng lớn thì mô hình đó càng tốt. Qua
bảng 3 ta thấy được rằng giá trị trung bình loglikelihood của I09 là tốt nhất lớn hơn
HIVb đứng thứ 2 là 0.0623 và Hibw đứng thứ 3 là 0.06615.
Bảng 3: Giá trị trung bình log likelihood/site của 15 mô hình amino acid.
Average log_likelihood/site
Model
I09
(205337site)
-5.73055
-5.79285
-5.7967
HIVb
HIVw
JTT
-5.83168
-5.88387
-5.91403
-5.91724
-5.96466
-5.97079
-5.9708
CpREV
WAG
LG
VT
Dayhoff
DCMut
RtREV
Blosum62
MtREV
MtMam
MtArt
-5.9814
-5.98325
-6.14294
-6.16878
-6.24941
- 25 -
Tải về để xem bản đầy đủ
41 trang
24/05/2025
130
Bạn đang xem 30 trang mẫu của tài liệu "Khóa luận Kiểm định và so sánh các mô hình biến đổi amino acid cho virút cúm", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.
File đính kèm:
- khoa_luan_kiem_dinh_va_so_sanh_cac_mo_hinh_bien_doi_amino_ac.pdf
