TỐI ƯU HÓA DỰ ĐOÁN TƯƠNG TÁC PROTEIN-PROTEIN TỪ BIỂU DIỄN NGÔN NGỮ THÔNG QUA CƠ CHẾ CHỌN LỌC ĐẶC TRƯNG ĐA GIAI ĐOẠN VÀ HỌC MÁY XẾP CHỒNG

jos.hueuni.edu.vn Tập 134, Số 2A, 2025 29 1 Giới thiệu Tương tác protein–protein (PPI) là nền tảng của phần lớn các hoạt động sinh học bên trong tế bào, nơi các quá trình như truyền tín hiệu, điều hòa biểu hiện gen và hình thành phức hợp chức năng đều phụ thuộc vào mạng lưới liên kết phân tử này. Khi một protein thay đổi trạng thái hoạt động hoặc kết nối với một đối tác mới, toàn bộ mạng lưới có thể bị tác động dây chuyền, kéo theo các biến đổi sinh lý hoặc rối loạn bệnh lý ở cấp độ hệ thống. Vì vậy, việc nhận diện chính xác các cặp protein tương tác giữ vai trò thiết yếu trong việc giải mã cơ chế phân tử và hỗ trợ thiết kế thuốc, đặc biệt là các phân tử nhỏ có khả năng tác động lên bề mặt tiếp xúc giữa hai protein [1, 2]. Các phương pháp thực nghiệm như lai hai loại nấm men (yeast two-hybrid, Y2H) hoặc đồng miễn dịch kết tủa (co-immunoprecipitation, Co-IP) thường đem lại độ tin cậy cao; tuy nhiên, chúng lại đòi hỏi nhiều thời gian, chi phí và nhân lực phòng thí nghiệm. Do hạn chế này, các hướng tiếp cận dựa trên mô phỏng tính toán (in silico) đã được chú trọng nhằm sàng lọc và ưu tiên những tương tác tiềm năng trước khi đưa vào kiểm chứng thực nghiệm. Những nỗ lực ban đầu trong lĩnh vực dự đoán PPI dựa vào việc xây dựng đặc trưng thủ công từ hiểu biết về sinh học phân tử, bao gồm thành phần axit amin, các đại lượng hóa lý đơn giản hoặc các dạng thống kê trượt dọc theo chuỗi. Các đặc trưng này được đưa vào những bộ phân loại truyền thống như máy véc tơ hỗ trợ (Support Vector Machine – SVM) hoặc rừng ngẫu

nhiên (Random Forest – RF) [3-6]. Cách tiếp cận này có ưu điểm dễ diễn giải và phù hợp trong bối cảnh dữ liệu hạn chế; tuy nhiên, lại khó nắm bắt được tín hiệu tiến hóa sâu hơn và các đặc điểm cấu trúc ẩn trong chuỗi, từ đó hạn chế khả năng khái quát trên các loài hoặc bộ dữ liệu khác nhau. Nhằm mô hình hóa tốt hơn các mối quan hệ phi tuyến, các thuật toán tăng cường dạng cây như XGBoost (Extreme Gradient Boosting) và LightGBM (Light Gradient Boosting Machine) đã được triển khai và chứng minh hiệu quả trong nhiều công trình dự đoán PPI [7-10]. Trong giai đoạn mở rộng của học sâu, nhiều kiến trúc hiện đại lần lượt xuất hiện như mạng tích chập (Convolutional Neural Network – CNN), mạng hồi quy (Recurrent Neural Network – RNN), cơ chế chú ý (attention mechanism) và các cấu trúc mạng nhiều tầng. Nhờ khả năng tự học biểu diễn từ chuỗi mà không phụ thuộc hoàn toàn vào đặc trưng thủ công, các mô hình này đã đạt hiệu năng nổi bật trên nhiều bộ dữ liệu chuẩn [11-13]. Một đóng góp sớm là mô hình mã hóa tự động xếp chồng (stacked autoencoder – SAE) cho dự đoán PPI dựa trên chuỗi của Sun và cộng sự [14]. Ngoài hai xu hướng chính nói trên, một hướng tiếp cận mang tính trung gian cũng đã được phát triển, kết hợp cả tri thức sinh học lẫn các phép biến đổi toán học hoặc hình học nhằm gia tăng mức độ giàu thông tin của đặc trưng. Một ví dụ tiêu biểu là công trình của Khanh Duy Truong và cộng sự [15], nhóm tác giả đã tích hợp phép biến đổi Hilbert vào ma trận điểm tiến