Chú giải bệnh học sử dụng cơ sở bản thể kiểu hình người giúp cải thiện khả năng dự đoán long non-coding RNA có liên quan đến bệnh

Tác giả: Lê Đức Hậu (2), Đào Thị Mai Lan (1)

1. Phòng Công nghệ gene, Viện Nghiên Cứu tế bào gốc và công nghệ gen Vinmec, Hà Nội, Việt Nam

2. Khoa công nghệ thông tin, Đại học Thủy Lợi, Hà Nội, Việt Nam

Tác giả chịu trách nhiệm: Lê Đức Hậu

Tạp chí: Journal of molecular biology 2018; 430: 2219-2230

Công bố ngày: 2018-20-07

Link: https://www.sciencedirect.com/science/article/pii/S0022283618304017

Long non-coding RNA (lncRNAs) là các phân tử RNA không mã hóa và có kích thước dài. Gần đây nhiều nghiên cứu đã xác định và chứng minh chức năng sinh học của các phân tử lncRNA. Tuy nhiên, các cơ chế sinh học cũng như cơ chế gây bệnh của các phân tử lncRNA này vẫn chưa được tìm hiểu một cách rõ ràng. Để giải quyết những giới hạn trong việc tìm ra mối tương quan giữa lncRNA và bệnh học bằng thực nghiệm, các công cụ tính toán đã được đưa ra như một phương tiện hữu ích nhằm dự đoán mối tương quan này.

Các phương pháp tính toán này thường dựa trên độ tương đồng giữa bệnh và lncRNA. Do đó khả năng dự đoán phụ thuộc nhiều vào việc xác định độ tương đồng tốt như thế nào. Các nghiên cứu trước đây tính độ tương đồng giữa hai loại bệnh bằng cách gán cho mỗi bệnh một bản thể bệnh học (disease ontology, DO), và sau đó sử dụng nó để đo lường mối tương đồng. Tuy nhiên, giới hạn của phương pháp này là một bệnh có thể được mô tả bằng nhiều hơn một bản thể bệnh học.

Cho đến nay, vẫn chưa có cơ sở dữ liệu nào để chú giải cho các DO cho bệnh học. Ngược lại, cơ sở dữ liệu bản thể học người (HPO) đã được thiết kế để chú giải cho toàn bộ các kiểu hình bệnh học người. Do đó, trong nghiên cứu này chúng tôi xây dựng một mạng lưới/ma trận sử dụng HPO thay cho DO. Sau đó, chúng tôi sử dụng mạng lưới/ma trận này như dữ liệu đầu vào cho hai thuật toán dựa trên các thuật toán phân loại học máy (machine learning) và tạo mạng lưới (network). Kết quả cho thấy khả năng dự đoán của hai thuật toán này trên cơ sở HPO cho hiệu quả cao hơn so với sử dụng ma trận/mạng lưới DO. Hơn nữa, dựa trên cách tính toán này, chúng tôi dự đoán được 11 lncRNA có liên quan đến ung thư đã được báo cáo tại các bài báo khoa học.