Tin sinh học là ngành dùng máy tính, thống kê và thuật toán để lưu trữ, so sánh và phân tích dữ liệu sinh học, nhiều nhất là trình tự ADN, ARN và protein. Lý do ngành này ra đời rất thực tế: máy giải trình tự hiện đại tạo ra lượng dữ liệu quá lớn để con người đọc bằng mắt, nên cần máy tính để tìm gen, so sánh giữa các loài, phát hiện khác biệt giữa các cá thể.
Bài viết giải thích tin sinh học ở mức học sinh THPT có thể hiểu: dữ liệu gen trông như thế nào, máy tính so sánh trình tự ra sao, AI được dùng ở đâu, và vì sao dữ liệu gen của mỗi người là thông tin cần được bảo vệ đặc biệt. Cuối bài có gợi ý những hoạt động tự học an toàn với dữ liệu công khai.
Dữ liệu gen trông như thế nào
Ở mức đơn giản nhất, một trình tự ADN được lưu như một chuỗi bốn chữ cái A, T, G, X, trong tài liệu tiếng Anh là A, T, G, C. Một gen có thể dài hàng nghìn chữ cái; hệ gen người có khoảng ba tỉ cặp nucleotide. In toàn bộ ra giấy sẽ thành một bộ sách khổng lồ, và đọc bằng mắt thì không ai tìm ra được gì.
Dự án Hệ gen Người, một chương trình quốc tế, được công bố hoàn thành vào năm 2003 sau khoảng mười ba năm, dù khi đó vẫn còn một phần nhỏ những vùng khó giải trình tự. Đến năm 2022, một nhóm hợp tác quốc tế công bố trình tự hệ gen người gần như hoàn chỉnh từ đầu mút này đến đầu mút kia của các nhiễm sắc thể. Trong khoảng thời gian đó, công nghệ giải trình tự đã nhanh hơn và rẻ hơn rất nhiều lần, nên hiện nay giải trình tự một hệ gen là việc thường làm trong nghiên cứu.
Ngoài chuỗi chữ cái, dữ liệu sinh học còn có điểm chất lượng của từng vị trí đọc, chú thích vị trí gen, mức biểu hiện gen trong các mô, cấu trúc protein, ảnh tế bào. Tin sinh học là nghề sắp xếp tất cả những thứ đó để trả lời câu hỏi sinh học.
Ba việc cơ bản mà tin sinh học làm hằng ngày
Lắp ráp trình tự. Phần lớn máy giải trình tự đọc ADN thành rất nhiều đoạn ngắn. Máy tính phải ghép các đoạn chồng lấp nhau thành trình tự dài, giống như ghép lại một tờ báo bị cắt vụn từ rất nhiều bản sao. Vùng có trình tự lặp lại là chỗ khó ghép nhất.
So sánh trình tự. Đặt hai trình tự cạnh nhau, tìm vị trí giống và khác, cho phép có chỗ thêm hoặc mất nucleotide. Từ so sánh, nhà khoa học suy ra hai gen có cùng nguồn gốc không, hai loài gần nhau đến mức nào, một mẫu vi khuẩn thuộc loài gì. Công cụ tìm kiếm trình tự tương tự như BLAST, ra đời từ năm 1990, là một trong những phần mềm được dùng nhiều nhất trong sinh học.
Tìm khác biệt giữa các cá thể. So trình tự của một người với trình tự tham chiếu để tìm những vị trí khác, gọi là biến thể. Phần lớn biến thể không có ảnh hưởng đáng kể; chúng là lý do mỗi người khác nhau. Một số ít biến thể liên quan đến bệnh, và việc diễn giải chúng là công việc của chuyên gia di truyền lâm sàng chứ không phải của một phần mềm hay chatbot.
Ví dụ giả định: so sánh hai đoạn trình tự ngắn
Để thấy máy tính so sánh trình tự thế nào, xét hai đoạn ADN giả định dài mười nucleotide. Đây là ví dụ giả định để minh hoạ, không phải gen thật.
| Vị trí | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| Đoạn A | A | T | G | G | X | T | A | A | X | G |
| Đoạn B | A | T | G | A | X | T | A | A | X | G |
| Giống hay khác | giống | giống | giống | khác | giống | giống | giống | giống | giống | giống |
Hai đoạn giống nhau ở chín trên mười vị trí, tức tỉ lệ giống 90 phần trăm. Khác biệt ở vị trí 4 là một thay thế G bằng A, tương ứng với kiểu đột biến thay thế một cặp nucleotide bạn đã học. Nếu đoạn này nằm trong vùng mã hoá, bạn có thể tự tra bảng mã di truyền để xem bộ ba bị thay đổi có làm đổi axit amin không.
Trong thực tế, máy tính làm việc này với hàng triệu hay hàng tỉ vị trí, xử lý cả chỗ thêm và mất nucleotide, và dùng thống kê để phân biệt khác biệt thật với lỗi đọc của máy.
Cây phát sinh chủng loại: tin sinh học kể chuyện tiến hoá
Một ứng dụng đẹp của tin sinh học là dựng cây phát sinh chủng loại, tức sơ đồ hình cây thể hiện quan hệ họ hàng giữa các loài dựa trên mức giống nhau của trình tự gen. Nguyên lý rất gần với điều bạn đã học ở phần bằng chứng tiến hoá: hai loài tách nhau càng gần đây thì trình tự gen của chúng càng giống nhau, vì có ít thời gian hơn để tích luỹ đột biến khác nhau.
Máy tính so sánh một gen chung ở nhiều loài, tính mức khác biệt giữa từng cặp, rồi dùng thuật toán để tìm cách sắp các loài lên một cây sao cho giải thích dữ liệu tốt nhất. Các gen hay được dùng là những gen có ở mọi sinh vật và thay đổi chậm, như gen mã hoá ARN của ribosome. Chính phân tích loại gen này từng góp phần quan trọng vào việc chia sinh giới thành ba lãnh giới vi khuẩn, cổ khuẩn và sinh vật nhân thực.
Cây phát sinh cũng được dùng trong đời sống: truy nguồn gốc của một chủng virus trong vụ dịch, xác định loài của một mẫu thịt hay cá khi nghi ngờ bị đánh tráo, nhận diện loài từ mẫu đất hay nước. Với học sinh, dựng một cây đơn giản từ vài trình tự công khai là cách rất trực quan để thấy tiến hoá bằng dữ liệu, không chỉ bằng lời.
AI đang được dùng ở đâu trong phân tích gen
Học máy và học sâu được dùng ngày càng nhiều trong tin sinh học, ở những chỗ cần nhận ra quy luật phức tạp trong dữ liệu lớn. Một ví dụ là gọi biến thể: từ dữ liệu đọc của máy giải trình tự có nhiễu, mô hình học sâu phân biệt đâu là biến thể thật, đâu là lỗi. Một ví dụ khác là dự đoán gen và vùng điều hoà: tìm vị trí gen, vị trí các trình tự bật tắt gen trong hệ gen mới giải trình tự.
AI còn được dùng để dự đoán một biến thể có khả năng ảnh hưởng tới chức năng protein hay không, phân loại vi sinh vật trong mẫu đất hay nước, phân tích biểu hiện gen ở từng tế bào. Bài về AlphaFold trong danh mục này là ví dụ rõ nhất về AI dự đoán cấu trúc protein.
Điều quan trọng cần nhớ: những dự đoán này là công cụ hỗ trợ nghiên cứu, có độ chính xác giới hạn, và luôn phải được đối chiếu với bằng chứng khác. Một chương trình đánh giá biến thể "có thể gây hại" không đồng nghĩa với kết luận một người mắc bệnh. Kết luận về sức khoẻ của một người cần bác sĩ và chuyên gia di truyền xem xét cả tiền sử, xét nghiệm khác và bối cảnh gia đình.
Dữ liệu gen là dữ liệu đặc biệt nhạy cảm
Bài học về tin sinh học không trọn vẹn nếu bỏ qua chuyện quyền riêng tư. Dữ liệu gen khác các loại dữ liệu cá nhân khác ở mấy điểm:
- Không đổi được. Mật khẩu lộ thì đổi mật khẩu mới, còn trình tự gen của bạn đi theo bạn suốt đời.
- Nói về cả gia đình. Bạn chia sẻ một phần lớn hệ gen với bố mẹ, anh chị em, con cái. Lộ dữ liệu gen của một người cũng tiết lộ một phần thông tin của người thân.
- Khó ẩn danh hoàn toàn. Ngay cả khi bỏ tên, dữ liệu gen kết hợp với thông tin khác có thể giúp nhận diện người.
- Giá trị có thể thay đổi trong tương lai. Một biến thể hôm nay chưa rõ ý nghĩa, mai sau có thể được hiểu thêm.
- Không đưa vào chatbot. Không dán kết quả xét nghiệm gen, báo cáo di truyền của bạn hay người nhà vào các công cụ AI công cộng để nhờ giải thích. Thắc mắc về kết quả nên hỏi bác sĩ hoặc chuyên gia tư vấn di truyền.
Ngành tin sinh học coi đạo đức dữ liệu là phần của nghề: dữ liệu nghiên cứu phải có sự đồng ý của người tham gia, được lưu trữ có kiểm soát, và chỉ dùng cho mục đích đã thông báo.
Học sinh bắt đầu với tin sinh học từ đâu
Bạn có thể làm quen với tin sinh học bằng dữ liệu công khai của sinh vật, không cần dữ liệu người. Lộ trình gợi ý:
- Ôn chắc nền sinh học: cấu trúc ADN, mã di truyền, phiên mã, dịch mã, đột biến. Không có nền này thì kết quả máy tính chỉ là chuỗi chữ vô nghĩa.
- Làm bài tập bằng tay trước: so sánh hai đoạn trình tự ngắn như bảng trên, tự dịch một đoạn mARN thành chuỗi axit amin bằng bảng mã di truyền.
- Nhờ AI kiểm tra, không làm hộ: "Đây là chuỗi axit amin em tự dịch từ đoạn mARN giả định: [dán]. Kiểm tra từng bộ ba và chỉ ra chỗ sai, không đưa đáp án hoàn chỉnh."
- Khám phá cơ sở dữ liệu công khai với hướng dẫn của giáo viên: tìm trình tự một gen quen thuộc ở vài loài như người, chuột, gà, cá, so sánh mức giống nhau, liên hệ với bằng chứng tiến hoá.
- Học lập trình cơ bản nếu thấy hứng thú: viết chương trình đếm tỉ lệ G và X trong một chuỗi, tìm trình tự bổ sung. Đây là những bài tập lập trình đầu tiên rất hợp với người yêu sinh học.
Khi dùng chatbot để học lập trình hoặc giải thích kết quả, bạn đối chiếu với sách giáo khoa và hỏi lại khi thấy câu trả lời quá chắc chắn. Và luôn chỉ dùng dữ liệu công khai hoặc dữ liệu giả định, không dùng dữ liệu của người thật.
Câu hỏi thường gặp
Tin sinh học khác công nghệ sinh học thế nào?
Công nghệ sinh học là lĩnh vực rộng, dùng sinh vật và phân tử sinh học để làm sản phẩm hay quy trình. Tin sinh học là một nhánh tập trung vào dữ liệu, dùng máy tính để phân tích kết quả của sinh học và công nghệ sinh học. Nhiều dự án công nghệ sinh học hiện đại cần cả hai nhóm chuyên môn.
Học tin sinh học cần giỏi sinh hay giỏi tin hơn?
Cần cả hai ở mức vững, và quan trọng nhất là hiểu câu hỏi sinh học đang được đặt ra. Người giỏi lập trình mà không hiểu sinh học dễ cho ra kết quả đúng về tính toán nhưng vô nghĩa về sinh học. Thống kê cũng là kỹ năng cốt lõi.
Giải trình tự gen là gì?
Giải trình tự gen là xác định thứ tự các nucleotide trong một đoạn ADN hay cả hệ gen. Có nhiều thế hệ công nghệ khác nhau, từ đọc từng đoạn ngắn đến đọc đoạn rất dài, mỗi loại có ưu nhược điểm. Kết quả là dữ liệu số mà tin sinh học xử lý tiếp.
Vì sao hai người khác nhau mà hệ gen lại giống nhau tới mức rất cao?
Vì phần lớn hệ gen chứa các gen và vùng cần thiết cho cơ thể người hoạt động, giống nhau ở mọi người. Khác biệt giữa hai người chỉ chiếm một tỉ lệ nhỏ của hệ gen, nhưng vì hệ gen rất lớn nên tỉ lệ nhỏ đó vẫn là hàng triệu vị trí, đủ tạo nên sự đa dạng.
Có nên dùng AI để đọc kết quả xét nghiệm gen của mình không?
Không nên. Kết quả xét nghiệm gen cần được diễn giải trong bối cảnh tiền sử cá nhân, gia đình và các xét nghiệm khác, việc của bác sĩ và chuyên gia tư vấn di truyền. Dán kết quả vào chatbot vừa có nguy cơ hiểu sai, vừa đưa dữ liệu nhạy cảm của bạn và người thân ra ngoài.
Học sinh có thể tham gia dự án tin sinh học không?
Có thể ở dạng dự án học tập với dữ liệu công khai về vi sinh vật, thực vật, động vật, dưới hướng dẫn của giáo viên: so sánh trình tự, dựng cây phát sinh chủng loại đơn giản, phân tích tỉ lệ nucleotide. Những dự án này rèn tư duy dữ liệu mà không đụng tới dữ liệu cá nhân.