Luận văn Thạc sĩ Khoa học máy tính: Cây quản lí đoạn và ứng dụng

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:65

Thêm vào BST

Báo xấu

14
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề tài “Cây quản lí đoạn và ứng dụng” nghiên cứu về cấu trúc dữ liệu cây quản lí đoạn và thực hiện một phương pháp tiếp cận mới, nhanh chóng và linh hoạt để tìm giao giữa các đoạn gen bằng cách sử dụng cấu trúc dữ liệu này. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Khoa học máy tính: Cây quản lí đoạn và ứng dụng

i ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN&TRUYỀN THÔNG PHẠM THỊ NGA CÂY QUẢN LÍ ĐOẠN VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên - 2015 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
ii LỜI CAM ĐOAN Tôi xin cam đoan luận văn này của tự bản thân tôi tìm hiểu, nghiên cứu. Các tài liệu tham khảo được trích dẫn và chú thích đầy đủ. Nếu không đúng tôi xin hoàn toàn chịu trách nhiệm. Tác giả luận văn Phạm Thị Nga Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
iii LỜI CẢM ƠN Lời đầu tiên tôi xin được bày tỏ lòng biết ơn chân thành đến Ban Giám Hiệu, các thầy giáo, cô giáo phòng Sau đại học trường Đại học Công Nghệ Thông Tin & Truyền Thông, các thầy giáo ở Viện Công Nghệ Thông Tin đã giảng dạy và tạo mọi điều kiện cho tôi học tập, nghiên cứu và hoàn thành luận văn này. Đặc biệt, tôi xin bày tỏ sự kính trọng và lòng biết ơn sâu sắc đến PGS. TSKH. Vũ Đình Hòa, người đã tận tình hướng dẫn và giúp đỡ tôi trong suốt quá trình học tập, nghiên cứu và hoàn thành luận văn. Tôi chân thành cảm ơn các thầy cô tổ Tin học, trường Trung học phổ thông chuyên Lam Sơn, Thanh Hóa, nơi tôi công tác đã tạo điều kiện và hỗ trợ tôi trong suốt thời gian qua. Tôi cũng xin chân thành cảm ơn người thân, bạn bè đã giúp đỡ và động viên tôi trong suốt thời gian học tập cũng như trong thời gian thực hiện luận văn. Xin chân thành cảm ơn ! Thanh Hóa, ngày 10 tháng 04 năm 2015 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
iv MỤC LỤC Trang Lời cam đoan ...................................................................................................... i Lời cảm ơn ....................................................................................................... iii Mục lục ............................................................................................................. iv Danh mục các bảng ........................................................................................... v Danh mục các hình .......................................................................................... vii Danh mục các kí hiệu, chữ viết tắt ................................................................. viii MỞ ĐẦU .......................................................................................................... 1 Chƣơng 1. TỔNG QUAN VỀ SINH HỌC PHÂN TỬ, TIN SINH HỌC VÀ BÀI TOÁN TÌM GIAO CÁC ĐOẠN GEN ........................................... 4 1.1. Một số khái niệm cơ bản của sinh học phân tử ...................................... 4 1.1.1. Ở cấp độ tế bào................................................................................ 4 1.1.2. Ở cấp độ phân tử ............................................................................. 7 1.1.3. Phiên mã và dịch mã ..................................................................... 11 1.2. Tổng quan về tin sinh học .................................................................... 12 1.3. Bài toán tìm giao các đoạn gen ............................................................ 15 Chƣơng 2. ỨNG DỤNG CỦA CÂY QUẢN LÍ ĐOẠN ĐỂ TÌM GIAO CÁC ĐOẠN GEN .......................................................................................... 17 2.1. Đặc tả bài toán tìm giao các đoạn gen ................................................. 17 2.2. Thuật toán tìm kiếm tuần tự ................................................................. 18 2.3. Cây quản lí đoạn................................................................................... 19 2.3.1. Cấu trúc cây quản lí đoạn.............................................................. 22 2.3.2. Các thao tác trên cây quản lí đoạn ................................................ 23 2.4. Thuật toán tìm giao của các đoạn gen sử dụng cây quản lí đoạn ........ 28 2.4.1. Xây dựng rừng cây quản lí đoạn lưu trữ thông tin các đoạn gen . 29 2.4.2. Tìm kiếm các đoạn gen giao nhau ................................................ 34 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
v Chƣơng 3. MÃ HÓA, THỬ NGHIỆM CHƢƠNG TRÌNH TÌM GIAO CÁC ĐOẠN GEN .......................................................................................... 36 3.1. Chuẩn bị dữ liệu ................................................................................... 36 3.2. Mã hóa chương trình tìm giao các đoạn gen ........................................ 37 3.2.1. Ngôn ngữ và môi trường lập trình ................................................ 37 3.2.2. Chức năng cửa sổ truy vấn gen ..................................................... 39 3.2.3. Chức năng tìm giao hai tập các đoạn gen ..................................... 41 3.3. Kiểm thử chương trình ......................................................................... 43 3.3.1. Sử dụng cửa sổ truy vấn tìm giao giữa các đoạn gen của virus Ebola với hệ gen người ........................................................................... 43 3.3.2. Tìm giao giữa hệ gen người và hệ gen chuột ................................ 44 3.3.3. Tìm giao giữa hệ gen chuột nhắt và hệ gen chuột cống ............... 46 3.4. Đánh giá độ phức tạp và kết quả thực hiện chương trình .................... 48 3.4. Mở rộng hướng nghiên cứu.................................................................. 49 KẾT LUẬN .................................................................................................... 51 TÀI LIỆU THAM KHẢO PHỤ LỤC Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
vi DANH MỤC CÁC BẢNG Trang Bảng 3.1. Kết quả kiểm thử cửa sổ truy vấn ................................................... 44 Bảng 3.2. Kết quả kiểm thử tính đúng đắn chương trình tìm giao giữa hai hệ gen ................................................................................................................... 45 Bảng 3.3. Thời gian (s) trung bình chạy chương trình .................................... 47 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
vii DANH MỤC CÁC HÌNH Trang Hình 1.1. Xếp bộ nhiễm sắc thể người.............................................................. 5 Hình 1.2. Gen được cấu tạo từ ADN, một nhiễm sắc thể chứa nhiều gen ........ 6 Hình 1.3. Cấu trúc phân tử ADN và ARN ........................................................ 8 Hình 1.4. Học thuyết trung tâm của sinh học phân tử .................................... 12 Hình 2.1. Hình vẽ thể hiện giao của hai tập các đoạn gen .............................. 18 Hình 2.2. Sơ đồ khối mô tả thuật toán tìm kiếm tuần tự.................................19 Hình 2.3. Ví dụ về một cây quản lí đoạn ........................................................ 21 Hình 2.4. Ví dụ về cửa sổ truy vấn ................................................................. 22 Hình 2.5. Các bước tìm giao của một đoạn gen với các đoạn gen trong một hệ gen ................................................................................................................... 28 Hình 2.6. Cấu trúc nút và cây quản lí đoạn lưu thông tin các đoạn gen của một nhiễm sắc thể ................................................................................................... 31 Hình 3.1. Giao diện mô phỏng cách lấy dữ liệu hệ gen người từ UCSC Table Browser ........................................................................................................... 37 Hình 3.2. Giao diện lựa chọn chức năng ......................................................... 39 Hình 3.3. Giao diện cửa sổ truy vấn gen ......................................................... 39 Hình 3.4. Giao diện hộp thoại chỉ định tệp dữ liệu về đoạn gen .................... 40 Hình 3.5. Giao diện chức năng tìm giao hai tập các đoạn gen ....................... 42 Hình 3.6. Giao diện hộp thoại lưu kết quả các đoạn gen giao nhau vào tệp .. 42 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
viii DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT A adenine : ADN Axit : deoxyribonucleic ARN Axit : ribonucleic BED Browser : Extensible Data C cytosine : G guanine : mARN messenger : ARN NST : sắc thể nhiễm PTB Polypyrimidine Tract-Binding protein rARN ribosomal : ARN T thymine, : thymidine tARN transfer : ARN U uracil : UCSC University : of California Santa Cruz Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
1 MỞ ĐẦU 1. Lý do chọn đề tài Từ những năm 2001 trở lại đây, sự tiến bộ về công nghệ và sự phổ cập của các hệ thống phần mềm tiên tiến đã đưa đến những sự thay đổi cách đào tạo chuyên gia trong lĩnh vực tin học. Các kiến thức giải thuật được coi là đỉnh cao trước đây bây giờ đã trở thành “bảng cửu chương” mà ai cũng phải biết và phải thuộc. Những giải thuật ít dùng và phức tạp thì không nhất thiết phải biết hoặc nhớ vì bất cứ ai và lúc nào cũng có thể tra cứu, tìm kiếm chúng trên internet khi cần thiết. Thử thách bây giờ là ở chỗ ta có thể tìm ra những giải pháp hữu hiệu giải quyết một cách có hiệu quả các bài toán, các vấn đề có mô hình toán học đơn giản nhưng có kích thước lớn hay không? Để đạt được mục đích đó, người lập trình phải tận dụng tối đa khả năng mà phần cứng và hệ điều hành cung cấp, khai thác tối đa khả năng của công cụ lập trình, sử dụng linh hoạt các cấu trúc dữ liệu. Trong đó, cây quản lí đoạn (interval tree) là một cấu trúc dữ liệu quan trọng, có nhiều ứng dụng trong hình học tính toán, truy vấn cơ sở dữ liệu và xử lí tín hiệu. Bên cạnh đó, tin sinh học là một lĩnh vực mới, giải quyết các bài toán sinh học bằng các phương pháp của khoa học tính toán với nguồn dữ liệu khổng lồ. Việc so sánh các bộ dữ liệu đa dạng di truyền là căn bản để hiểu hệ gen sinh học. Các nhà nghiên cứu phải khám phá nhiều bộ dữ liệu lớn về các đoạn gen (ví dụ như gen, sắp trình tự) để đặt các kết quả thí nghiệm của họ trong một bối cảnh rộng hơn và thực hiện những khám phá mới. Mối quan hệ giữa các tập hợp dữ liệu về gen thường được đo bằng cách xác định các đoạn giao nhau, nghĩa là, chúng chồng lên nhau và do đó chia sẻ một đoạn gen chung. Với những tiến bộ trong công nghệ sắp trình tự ADN, phương pháp
2 hiệu quả để đo mối quan hệ có ý nghĩa thống kê giữa nhiều bộ tính năng di truyền là rất quan trọng đối với những phát hiện trong tương lai . Trong khuôn khổ luận văn thạc sĩ, tôi chọn đề tài nghiên cứu: “Cây quản lí đoạn và ứng dụng”, nghiên cứu về cấu trúc dữ liệu cây quản lí đoạn và thực hiện một phương pháp tiếp cận mới, nhanh chóng và linh hoạt để tìm giao giữa các đoạn gen bằng cách sử dụng cấu trúc dữ liệu này. 2. Đối tƣợng và phạm vi nghiên cứu Cây quản lí đoạn và ứng dụng để tìm giao các đoạn gen. 3. Những nội dung nghiên cứu chính Chương 1. Tổng quan về sinh học phân tử, tin sinh học và bài toán tìm giao các đoạn gen Chương này trình bày một số khái niệm cơ bản của sinh học phân tử, tổng quan về tin sinh học và bài toán tìm giao của các đoạn gen trong sinh học. Chương 2. Ứng dụng của cây quản lí đoạn để tìm giao các đoạn gen Chương này trình bày cấu trúc và các thao tác trên cấu trúc dữ liệu cây quản lí đoạn và ứng dụng nó để giải bài toán tìm giao các đoạn gen. Chương 3. Mã hóa, thử nghiệm chương trình tìm giao các đoạn gen. 4. Phƣơng pháp nghiên cứu  Phương pháp nghiên cứu lí thuyết: Tổng hợp tài liệu, suy diễn, quy nạp, các phương pháp hình thức,...  Phương pháp thực nghiệm: xử lí thống kê, đối sánh,...  Phương pháp trao đổi khoa học, tổng hợp các kết quả của các nhà nghiên cứu liên quan đến lĩnh vực nghiên cứu, lấy ý kiến chuyên gia.
3 5. Ý nghĩa khoa học của đề tài Đề tài đưa ra một phương pháp nhanh chóng, hiệu quả và linh hoạt để tìm giao các đoạn gen. Điều này mang ý nghĩa thiết thực trong việc hỗ trợ các nhà khoa học, những người làm công tác nghiên cứu, tìm tòi có một công cụ hữu ích, thuận tiện nhanh chóng tìm ra câu trả lời về số đoạn gen giao nhau, vị trí giao nhau trên đường đi tìm mối quan hệ giữa các chủng loài, mối quan hệ giữa các tập hợp gen. Việc giải bài toán tìm giao các đoạn gen cho ta một công cụ lượng hóa (đo) mối quan hệ có ý nghĩa thống kê giữa các đặc tính di truyền, giải mã các đầu mối tiến hóa, chẩn đoán cấu trúc và chức năng của các gen. Từ đó, việc giải bài toán theo cách thức nhanh chóng, hiệu quả sẽ có những đóng góp nhất định cho việc phát triển tin sinh học trong tương lai.
4 Chƣơng 1. TỔNG QUAN VỀ SINH HỌC PHÂN TỬ, TIN SINH HỌC VÀ BÀI TOÁN TÌM GIAO CÁC ĐOẠN GEN 1.1. Một số khái niệm cơ bản của sinh học phân tử 1.1.1. Ở cấp độ tế bào Mỗi sinh vật đều gồm các tế bào. Có khoảng 6 1013 tế bào trong cơ thể người (có ước tính khác cho rằng con số này là 100.000 tỉ) [5] với khoảng 320 kiểu khác nhau, chẳng hạn như tế bào não có nhiệm vụ giữ gìn trí nhớ và tri thức, tế bào tim làm cho tim ta đập nhịp nhàng, tế bào ruột làm ra chất nhầy, v.v... Những tế bào này có thời gian tồn tại nhất định. Chẳng hạn như tế bào tinh trùng nam chỉ sống khoảng vài tháng, trong khi đó tế bào trứng của phái nữ có thể tồn tại đến 50 năm. Mặc dù khác nhau về chức năng, các tế bào đều có cấu trúc giống nhau: trong mỗi tế bào đều có một nhân nằm chính giữa chứa tất cả các chỉ thị di truyền. Những chỉ thị này là chức năng của tế bào, và cũng để phân biệt cá thể này với cá thể khác. Hạt nhân tế bào chứa ADN gói trong các cặp nhiễm sắc thể. Nhiễm sắc thể là thể vật chất di truyền tồn tại trong nhân tế bào bị bắt màu bằng thuốc nhuộm kiềm tính, có số lượng, hình dạng, kích thước, cấu trúc đặc trưng: nhiễm sắc thể có khả năng tự nhân đôi, phân li, tổ hợp ổn định qua các thế hệ. Nhiễm sắc thể khác nhau giữa các sinh vật khác nhau, có thể bao gồm từ 100.000 đến 10.000.000.000 nucleotit trong một chuỗi dài [10] . Mỗi tế bào người có 46 nhiễm sắc thể, được tổ chức thành 23 cặp, đánh số từ 1 đến 23, được sắp xếp theo kích thước. Hình 1.1 mô tả cách xếp bộ nhiễm sắc thể người.
5 Hình 1.1. Xếp bộ nhiễm sắc thể người Hay như bộ nhiễm sắc thể của chuột cống là 44 (22 cặp), chuột nhắt là 40 (20 cặp). Mỗi nhiễm sắc thể được cấu thành bởi một hay một vài phân tử ADN dài, gọi là một trình tự ADN. Một gen là một đoạn của ADN với trình tự bazơ đặc trưng - cụ thể, gọi là mã di truyền để xác định chức năng của tế bào. Gen có chức năng gửi các tín hiệu hóa học đi đến tất cả các nơi trong cơ thể. Những tín hiệu này có chứa đầy đủ các thông tin, các chỉ thị cụ thể cho các cơ quan trong cơ thể ta phải hoạt động ra sao. Việc tìm hiểu số lượng gen cũng như cơ cấu tổ chức của gen trong cơ thể con người là một điều tất yếu để mang lại những tiến bộ mới và quan trọng của y sinh học. Nhưng không phải gen nào cũng có chức năng rõ ràng. Trong thực tế, có khoảng 47% gen chẳng có chức năng gì cụ thể (hay chúng ta chưa biết chức năng của chúng).
6 Hình 1.2. Gen được cấu tạo từ ADN, một nhiễm sắc thể chứa nhiều gen Một hệ gen hay bộ gen là tập hợp toàn bộ ADN của cơ thể, bao gồm tất cả các gen của cơ thể đó. Mỗi bộ gen chứa tất cả thông tin cần để xây dựng và duy trì cơ thể đó. Ở người, một bản sao của toàn bộ hệ gen, có hơn 3 nghìn tỉ cặp bazơ, được chứa trong nhân tế bào. Năm 2003, các nhà khoa học đã hoàn thiện việc giải mã bộ gen người. Mỗi chúng ta đều có khoảng 30.000 gen trong cơ thể. Chẳng hạn như chúng ta đều mang trong người những gen như VDR, COLIA1, apoE4, v.v... Nhưng cái khác biệt giữa hai người là biến thể gen, chứ không phải gen. Gen thực ra chỉ là một thực thể với một cái tên, hay nói theo ngôn ngữ toán, là một biến số. Chẳng hạn như chiều cao, giới tính, v.v... là những biến số. Mỗi biến số có nhiều giá trị: chiều cao của người này là 158cm, của nhiều người khác có thể cao hơn hay thấp hơn. Mỗi biến thể gen được cấu tạo từ hai thành tố: một thành tố được nhận từ cha, và một từ mẹ. Chẳng hạn như gen VDR có hai thành tố T và G, và do đó có 3 biến thể: TT, TG và GG. Người này có biến thể TG, người khác có thể mang trong người biến thể TT,v.v. Các nghiên cứu gần đây cho thấy, sự chồng chéo gen là mối quan hệ phổ biến ở virus, vi khuẩn và khá hiếm ở sinh vật nhân chuẩn. Có một số báo cáo mô tả chồng chéo gen trong động vật có vú, sinh vật có xương sống, một số
7 nghiên cứu đã minh họa sự chồng chéo gen khác nhau theo các mảnh và có sự phân bố khác nhau trong lịch sử tiến hóa [8]. 1.1.2. Ở cấp độ phân tử Trong các tế bào sống có ba loại phân tử quan trọng nhất là: ADN, ARN và protein. ADN, ARN là hai loại của phân tử axit nucleic. Chúng đều được tạo thành từ các nucleotides. ADN là chuỗi xoắn kép gồm 2 mạch đơn, mỗi mạch đơn là một chuỗi nucleotide. Chuỗi nucleotide của ADN bao gồm: phosphate, đường desoxyribose và một trong 4 bazơ hữu cơ A, C, G, T. Các nucleotide trong một mạch đơn liên kết với nhau bằng liên kết cộng hóa trị, là liên kết được hình thành giữa các nguyên tử bằng một hay nhiều cặp electron chung. Liên kết cộng hoá trị là liên kết rất bền đảm bảo cho thông tin di truyền trên mỗi mạch đơn ổn định kể cả khi ADN tái bản và phiên mã. Hai mạch đơn liên kết với nhau bằng liên kết hydro hình thành giữa các bazơ, là tương tác tĩnh điện yếu giữa phần tử hydro mang điện tích dương với phần tử mang điện tích âm. Trong hai mạch đơn liên kết với nhau thì các bazơ liên kết với nhau theo nguyên tắc bổ sung: G của mạch này liên kết với C của mạch kia, A của mạch này liên kết với T của mạch kia, nên A-T và C-G là các cặp bazơ (bp) trong trình tự ADN. Có khoảng 3 tỷ cặp A-T, G-C cho một phân tử ADN.
8 Hình 1.3. Cấu trúc phân tử ADN và ARN ARN được sinh ra trong tế bào từ thông tin của một đoạn ADN. Nó là một đa phân tử được cấu tạo từ nhiều đơn phân, mỗi đơn phân là một nucleotide gồm 3 thành phần: phosphate, đường ribose, và một trong bốn bazơ hữu cơ A, U, G, C. ARN có cấu trúc mạch đơn. Trên phân tử ARN các nucleotide liên kết với nhau bằng liên kết cộng hoá trị giữa đường ribose của nucleotide này với phân tử phosphate của nucleotide kế tiếp, tạo nên một chuỗi poly-nucleotide. Có 3 loại ARN chính là: mARN, rARN, tARN. Trong đó:  mARN là ARN thông tin, chiếm 5-10%, sao chép đúng một đoạn mạch ADN theo nguyên tắc bổ sung nhưng A thay cho T tạo thành cặp A-U, G-C. Nó đóng vai trò là bản phiên thông tin di truyền từ gen cấu trúc, trực tiếp tham gia tổng hợp protein dựa trên cấu trúc và trình tự các bộ ba trên mARN.
9  rARN chiếm 70-80%, là thành phần cấu tạo nên ribose, liên kết với các phân tử protein tạo trên các ribose tiếp xúc với mARN và chuyển dịch từng bước trên mARN, mỗi bước là một bộ ba nhờ đó mà lắp ráp chính xác các axit amin vào chuỗi polipeptide theo đúng thông tin di truyền được quy định từ gen cấu trúc.  tARN chiếm 10-20%, có chức năng vận chuyển, lắp ráp chính xác các axit amin vào chuỗi polipeptide dựa trên nguyên tắc đối mã di truyền giữa bộ ba đối mã trên tARN với bộ ba phiên mã trên mARN. Nó là một mạch poly-nucleotide nhưng cuộn lại một đầu, ở một đầu của tARN có bộ ba đối mã gồm 3 nucleotide đặc hiệu đối diện với axit amin mà nó vận chuyển, đầu đối diện có vị trí gắn axit amin đặc hiệu. Virus cúm là một loại ARN virus, là nguyên nhân gây ra bệnh cúm ở người và động vật. Virus cúm được chia thành ba loại chính là cúm A, cúm B, và cúm C. Cúm A và cúm B có 8 loại gen giống nhau, cúm C có 7 loại gen. Với khả năng biến đổi và lan truyền nhanh từ động vật sang động vật, từ động vật sang người, và đặc biệt là từ người sang người, virus cúm là một trong những loài virus nguy hiểm nhất cho nền kinh tế cũng như sức khỏe con người trên toàn thế giới từ trước đến nay. Do mức độ đặc biệt nghiêm trọng của virus cúm, các nghiên cứu về virus cúm đã được tiến hành nhiều năm nay. Các nhà khoa học từng bước hiểu được cấu trúc, cơ chế biến đổi và lây truyền của virus cúm, qua đó tìm ra các loại vacxin phòng chống. Do khả năng biến đổi nhanh của virus cúm, cho nên quá trình nghiên cứu và sản xuất các loại vacxin để cách phòng chống các chủng virus cúm mới được tiến hành thường xuyên. Protein là các phân tử cơ bản thực hiện chức năng của tế bào. Nó được tạo thành từ một hay nhiều dãy amino axit theo một thứ tự đặc biệt; thứ tự này được xác định bởi dãy các nucleotides trong gen mã hóa cho protein. Các
10 proteins cần thiết cho cấu trúc, chức năng và điều chỉnh tế bào, mô và tổ chức, mỗi protein có một vai trò đặc biệt. Vài thí dụ về proteins là: protein cấu trúc - có thể coi như các khối tạo dựng cơ sở của sinh vật; enzymes - thực hiện (làm xúc tác) một số lớn các phản ứng sinh hóa học, tạo ra sự trao đổi chất; protein màng - chìa khóa của sự duy trì môi trường tế bào, điều hòa dung tích tế bào,v.v. Các proteins là phân tử quyết định tính trạng của sinh vật (thông minh hay không, màu mắt, ...). Amino axit được cấu thành từ các bazơ trên trình tự ADN. Có tất cả 20 amino axit chính. Cấu trúc amino axit bao gồm: một nguyên tử carbon ở trung tâm, nguyên tử carbon này được gắn với nguyên tử hydro và được gọi là nguyên tử C-α; nguyên tử C-α liên kết với 3 thành phần khác là nhóm amino (NH2), nhóm carboxylic (COOH) và gốc amino axit ký hiệu là R. Các gốc amino axit khác nhau sẽ tạo ra các amino axit với tính chất hóa học khác nhau. Cấu trúc của axit nucleic (gồm ADN, ARN) và protein thường được chia thành 4 loại:  Cấu trúc bậc một: dãy của các nucleotide hay các amino axit nối với nhau theo một thứ tự tuyến tính bất kỳ. Do các nucleotide chỉ khác nhau thành phần bazơ hữu cơ, nên đại phân tử ADN, ARN như là một trình tự sinh học gồm các bazơ A, C, G, T (U). Điều này rất thuận lợi khi biểu diễn các đại phân tử ADN, ARN trên máy tính bằng chuỗi ký tự chứa các ký tự chữ A, C, G, T, U. Trình tự này được trình bày theo chiều 5'-3' và xác định cấu trúc hóa trị của toàn bộ phân tử.  Cấu trúc bậc hai: xác định bởi tập hợp của các cặp bazơ tương tác với nhau trong cùng một phân tử hoặc với các phân tử khác. ADN là một chuỗi xoắn kép gồm 2 mạch đơn, các nucleotide trong mạch đơn này bắt cặp với nucleotide trong mạch còn lại theo nguyên tắc bổ sung A-
11 T, G-C. ARN có dạng mạch đơn, có dạng tương tác phức tạp hơn. Với phân tử protein, khi các amino axit gần nhau liên kết với nhau thông qua liên kết hydro giữa nhóm amin (NH) của amino axit này với nguyên tử oxy của amino axit khác sẽ tạo nên vòng xoắn của chuỗi polypeptide. Sự xoắn gấp của dãy các amino axit tạo nên cấu trúc bậc hai.  Cấu trúc bậc ba: do xoắn gấp, nhiều phần của dãy phân tử protein có sự tiếp xúc với nhau, tạo ra nhiều lực hút và lực đẩy giữa chúng, tạo cho phân tử có được một cấu trúc 3D tương đối bền vững và cố định.  Cấu trúc bậc bốn: một protein có thể được tạo ra từ nhiều hơn một dãy amino axit. Thí dụ như haemoglobin được tạo ra từ bốn dãy trong đó mỗi dãy có khả năng bó lại một phân tử. Tìm ra cấu trúc của ADN, ARN và protein là bài toán khó và tốn kém hiện nay. 1.1.3. Phiên mã và dịch mã Biểu hiện gen, ám chỉ mọi quá trình liên quan đến việc chuyển đổi thông tin di truyền chứa trong gen (một đoạn/chuỗi ADN) để chuyển thành các axít amin (hay protein), mỗi loại protein sẽ thể hiện một cấu trúc và chức năng riêng của tế bào. Tuy nhiên, cũng tồn tại các gen không mã hóa cho protein (ví dụ: gen rARN, gen tARN). Quá trình tổng hợp proteins dựa trên thông tin được mã hóa trong gens gồm ba giai đoạn chính: phiên mã, ghép mã, dịch mã (hình 1.4). Hiện nay, chúng ta có một sự hiểu biết quá cơ bản về trình tự gen mã hóa thành một protein cụ thể. Chúng ta cũng thiếu thông tin cần thiết để hiểu một cách đầy đủ về vai trò của ADN trong những căn bệnh cụ thể, hoặc để hiểu được chức năng của hàng ngàn protein được sản sinh ra. Ngoài ra, sự đột biến
12 là sự thay đổi một hay nhiều bazơ trong phân tử ADN. Điều này có thể dẫn đến sự biến đổi đặc trưng hoặc dẫn đến bệnh di truyền. Mà càng phong phú, đa dạng về sự sống đang tồn tại, hiểu biết của con người lại càng ít ỏi. Do đó cần có các phương pháp dùng để tập hợp, lưu trữ, khôi phục, phân tích, tìm ra mối tương quan của một lượng thông tin khổng lồ, phức tạp và ngành tin sinh học ra đời từ đó. Hình 1.4. Học thuyết trung tâm của sinh học phân tử 1.2. Tổng quan về tin sinh học Tin sinh học là một lĩnh vực khoa học sử dụng các công nghệ của các ngành toán học ứng dụng, tin học, thống kê, khoa học máy tính, trí tuệ nhân tạo, hóa học và hóa sinh để giải quyết các vấn đề, dữ liệu liên quan đến sinh học phân tử. Các lĩnh vực nghiên cứu chính của tin sinh học gồm: hệ gen học phân tích trình tự (sắp dãy), tìm kiếm gen, tìm kiếm các đột biến, phân loại học phân tử, bảo tồn đa dạng sinh học, phân tích chức năng gen hay biểu hiện nhận diện chuỗi polypeptid, dự đoán cấu trúc, hệ thống sinh học kiểu mẫu, phân tích hình ảnh mức độ cao, công cụ phần mềm.