AI đọc 500.000 đoạn DNA và tìm ra một “công tắc bật” ẩn trong gene người

Trong bộ gene người, chỉ biết một đoạn DNA “viết gì” chưa đủ để hiểu tế bào sẽ làm gì với nó. Một gene có thể tồn tại nguyên vẹn nhưng gần như im lặng ở tế bào này, hoạt động mạnh ở tế bào khác và thay đổi mức biểu hiện theo thời điểm phát triển, hormone, stress hoặc môi trường.

Điều khiển quá trình đó là cả một hệ thống các vùng DNA và protein điều hòa. Một trong những thành phần nằm ngay tại cửa ngõ của quá trình phiên mã được gọi là Initiator, viết tắt là Inr. Nó nằm quanh vị trí mà RNA polymerase II bắt đầu đọc DNA để tạo RNA.

Trong nghiên cứu công bố trên Genes & Development ngày 31/7/2026, nhóm của giáo sư James T. Kadonaga tại University of California San Diego đã kết hợp thí nghiệm thông lượng cao với machine learning để xây dựng một mô hình dự đoán Inr. Nhóm đo hoạt tính phiên mã của khoảng 500.000 biến thể trình tự DNA rồi để mô hình học mối quan hệ giữa từng chuỗi nucleotide và khả năng khởi đầu phiên mã.

Kết quả giúp nhóm xác định rõ hơn “chữ ký” trình tự của Inr, đồng thời ước tính motif này xuất hiện trong khoảng 60% các promoter người dạng tập trung được phân tích.

Đó là một bước tiến đáng chú ý trong việc đọc “mã điều hòa” của bộ gene. Nhưng cụm từ “AI tìm ra một công tắc bật ẩn” cần được hiểu đúng: Inr không phải gene mới vừa được phát hiện, và nó cũng không phải nút bật/tắt duy nhất quyết định một gene có hoạt động hay không.

500.000 đoạn DNA này thực chất là gì?

Con số 500.000 dễ tạo cảm giác các nhà khoa học đưa nửa triệu đoạn khác nhau trong bộ gene người vào AI rồi yêu cầu nó tự tìm mẫu. Quy trình thực tế chặt chẽ hơn nhiều.

Nhóm sử dụng phương pháp phân tích promoter thông lượng cao, trong đó một vùng ngắn quanh điểm bắt đầu phiên mã được thay đổi có hệ thống để tạo ra hàng trăm nghìn biến thể. Trong các thí nghiệm chính, họ ngẫu nhiên hóa vùng khoảng 10 nucleotide từ vị trí -4 đến +6 so với điểm bắt đầu phiên mã +1; các thư viện khác cũng khảo sát vùng dài hơn.

Mỗi biến thể được đặt trong một promoter có bối cảnh được kiểm soát. Nhóm sau đó đo xem trình tự đó tạo ra bao nhiêu sản phẩm phiên mã, cả trong hệ thống sinh hóa dùng dịch chiết nhân tế bào HeLa và trong các phép thử trên tế bào.

Nói cách khác, bộ dữ liệu không chỉ chứa “chuỗi DNA”. Nó chứa một cặp thông tin có giá trị hơn nhiều: trình tự nào → tạo ra mức hoạt tính phiên mã bao nhiêu.

Chính dữ liệu thực nghiệm này mới là thứ được dùng để huấn luyện mô hình machine learning.

AI ở đây không phải ChatGPT cho DNA

Trong làn sóng AI hiện nay, chữ “AI” dễ khiến người đọc nghĩ tới mô hình ngôn ngữ lớn hoặc hệ thống sinh nội dung. Nghiên cứu này dùng một dạng machine learning cổ điển hơn và rất phù hợp với bài toán định lượng: support vector regression, hay SVR.

Mục tiêu của mô hình là nhận một trình tự nucleotide quanh điểm bắt đầu phiên mã rồi dự đoán mức hoạt động của Inr. Thay vì dựa vào một consensus sequence đơn giản — chẳng hạn nói rằng vị trí này thường là A, vị trí kia thường là T — mô hình có thể học đóng góp định lượng của nhiều nucleotide và sự kết hợp giữa chúng.

Đây là điểm quan trọng. Trong sinh học điều hòa, một motif hiếm khi hoạt động theo kiểu “đúng chuỗi thì bật, sai một chữ thì tắt”. Nhiều biến thể vẫn hoạt động nhưng mạnh yếu khác nhau. Một mô hình định lượng có thể phản ánh phổ hoạt tính đó tốt hơn một mẫu ký tự cố định.

“Công tắc bật” Initiator nằm ở đâu?

Để một gene mã hóa protein được phiên mã, RNA polymerase II cùng nhiều yếu tố phiên mã phải tập hợp tại vùng gọi là core promoter. Vùng này thường trải khoảng vài chục nucleotide trước và sau transcription start site, hay TSS.

Trong core promoter có thể xuất hiện nhiều phần tử khác nhau, trong đó quen thuộc nhất là TATA box. Nhưng không phải promoter nào cũng có TATA box. Những motif khác như Inr, downstream promoter region (DPR) hay TCT cũng có thể tham gia xác định cách quá trình phiên mã khởi động.

Inr đặc biệt vì nó chồng trực tiếp lên vị trí +1 — nơi bản RNA bắt đầu được tạo. Nó được bộ máy phiên mã nhận biết và có thể giúp định vị chính xác điểm bắt đầu.

Vì thế, gọi Inr là một “công tắc bật” là phép ẩn dụ hữu ích, miễn là không hiểu nó như một nút điện độc lập. Thực tế, nó giống một thành phần của bảng điều khiển hơn: quan trọng, nhưng hoạt động cùng nhiều phần tử khác.

Điểm mới không phải phát hiện ra Initiator

Initiator đã được nghiên cứu từ nhiều thập kỷ trước. Các nhà sinh học từ lâu biết rằng một số promoter có motif quanh transcription start site giúp khởi đầu phiên mã.

Vấn đề là mã trình tự chính xác của Inr ở người phức tạp hơn một consensus ngắn. Những mô hình cũ không phải lúc nào cũng phân biệt tốt promoter có Inr hoạt động với promoter không có.

Nhóm UC San Diego giải quyết vấn đề bằng cách tạo một lượng dữ liệu chức năng lớn hơn nhiều so với việc chỉ thu thập các promoter tự nhiên rồi tìm điểm giống nhau. Bởi mỗi thư viện chỉ thay đổi vùng mục tiêu trong cùng một backbone, ảnh hưởng của trình tự Inr có thể được tách ra rõ hơn khỏi hàng loạt biến số khác.

Sau khi học từ dữ liệu, các mô hình SVR cho phép nhóm dự đoán mạnh hơn sự hiện diện và hoạt tính của Inr trên các promoter tự nhiên.

Một motif tối ưu hiện ra từ hơn một triệu khả năng

Một vùng 10 nucleotide có thể có hơn một triệu tổ hợp khác nhau vì mỗi vị trí có bốn lựa chọn A, C, G hoặc T. Sau khi huấn luyện mô hình, nhóm có thể dùng nó để đánh giá toàn bộ không gian các chuỗi có thể có thay vì phải đo từng chuỗi trong phòng thí nghiệm.

Phân tích cho thấy một motif Inr tối ưu có dạng gần với TCA(+1)KTY, trong đó các chữ K và Y là ký hiệu IUPAC đại diện cho nhiều nucleotide có thể thay thế. Đáng chú ý, motif tối ưu ở người rất giống consensus Inr từng được mô tả ở ruồi giấm Drosophila.

Nhóm nghiên cứu cho rằng sự tương đồng này đáng chú ý vì người và ruồi đã tách khỏi tổ tiên chung từ hàng trăm triệu năm trước. Một số thành phần của bộ máy khởi đầu phiên mã dường như được bảo tồn rất lâu trong tiến hóa.

Khoảng 60% không có nghĩa 60% gene chỉ dùng một công tắc

Sau khi có mô hình dự đoán, nhóm quét các promoter tự nhiên và kết luận Inr hiện diện ở khoảng 60% các focused human promoters được khảo sát.

Con số này không nên được diễn giải thành “60% gene người được bật bởi duy nhất một motif”. Một promoter có thể chứa nhiều yếu tố cùng lúc, và một số gene có nhiều điểm bắt đầu phiên mã khác nhau.

Ngoài ra, biểu hiện gene còn phụ thuộc enhancer ở xa, protein transcription factor, cấu trúc chromatin, methyl hóa DNA, loại tế bào, tín hiệu ngoại bào và tổ chức ba chiều của bộ gene trong nhân.

Inr chỉ là một lớp trong hệ thống điều khiển nhiều tầng đó.

AI còn nhìn thấy mối quan hệ giữa Inr, TATA và DPR

Khi xây dựng các mô hình trong nhiều bối cảnh promoter khác nhau, nhóm không chỉ xác định Inr. Họ còn thấy cách nó phối hợp với những phần tử khác.

Một kết quả quan trọng là sự tương tác mạnh giữa Inr và DPR, vùng promoter nằm phía sau transcription start site. Phân tích cho thấy hai phần tử này có thể hoạt động hiệp đồng, nghĩa là hiệu quả khi chúng xuất hiện cùng nhau lớn hơn điều có thể suy ra khi xét từng motif riêng lẻ.

Ngược lại, TATA box và DPR có xu hướng đại diện cho những kiểu tổ chức promoter khác nhau. Nhóm cũng phát hiện một dạng Inr đặc trưng trong bối cảnh promoter phụ thuộc TATA.

Ngoài ra, mô hình giúp tách TCT motif — một trình tự chồng lấn về vị trí với Inr nhưng có chức năng khác. TCT thường liên quan tới một nhóm gene đặc biệt, bao gồm nhiều gene mã hóa thành phần của bộ máy dịch mã.

Điều này cho thấy machine learning không chỉ giúp “tìm một motif”, mà còn có thể phân biệt nhiều cơ chế promoter nằm chen chúc trong một vùng DNA rất ngắn.

Tại sao không chỉ so sánh hàng chục nghìn promoter tự nhiên?

Một cách truyền thống để tìm motif là lấy hàng nghìn promoter đã biết, căn chỉnh chúng rồi xem nucleotide nào xuất hiện nhiều hơn bình thường. Cách này hữu ích nhưng có một hạn chế: mỗi promoter tự nhiên khác nhau ở rất nhiều vị trí cùng lúc và hoạt động trong những bối cảnh sinh học khác nhau.

Nếu một promoter mạnh hơn promoter khác, rất khó khẳng định sự khác biệt đến từ đúng motif đang quan tâm.

Thí nghiệm của nhóm Kadonaga giải quyết bài toán bằng cách giữ phần lớn promoter cố định và chỉ thay vùng cần khảo sát. Hàng trăm nghìn trình tự được đo trong cùng một khung thực nghiệm, tạo ra dữ liệu gần giống một cuộc thử nghiệm có kiểm soát ở quy mô rất lớn.

Đây cũng là lý do AI hữu ích: máy không tự thay thế thí nghiệm. Ngược lại, sức mạnh đến từ việc thí nghiệm tạo dữ liệu có chất lượng cao, sau đó machine learning biến dữ liệu thành một hàm dự đoán.

Một mutation chỉ đổi một “chữ” có thể gây hậu quả gì?

Phần lớn sự chú ý của di truyền học y khoa từng tập trung vào mutation trong vùng mã hóa protein. Nếu một biến thể làm thay đổi amino acid hoặc tạo stop codon sớm, hậu quả tương đối dễ hình dung.

Nhưng rất nhiều biến thể trong bộ gene nằm ngoài vùng mã hóa. Một nucleotide thay đổi trong promoter có thể không làm đổi cấu trúc protein, nhưng lại làm gene được phiên mã quá nhiều, quá ít, sai thời điểm hoặc sai loại tế bào.

Nếu mô hình có thể dự đoán định lượng hoạt tính Inr từ trình tự, nhà nghiên cứu có thêm công cụ để hỏi: một biến thể tại promoter có làm suy yếu hay tăng khả năng khởi đầu phiên mã hay không?

Đó là lý do UC San Diego cho rằng dữ liệu và mô hình có thể hỗ trợ nghiên cứu các mutation liên quan bệnh, trong đó có ung thư.

Tuy nhiên, đây chưa phải công cụ chẩn đoán lâm sàng. Một biến thể được mô hình dự đoán làm thay đổi Inr vẫn cần được kiểm chứng trong đúng loại tế bào, bối cảnh gene và cơ thể người trước khi có thể kết luận về nguy cơ bệnh.

Thiết kế promoter nhân tạo cũng có thể hưởng lợi

Chiều ngược lại của bài toán dự đoán mutation là thiết kế promoter.

Nếu biết trình tự nào cho hoạt tính mạnh, yếu hoặc phụ thuộc bối cảnh, nhà sinh học tổng hợp có thể tạo promoter nhân tạo với đặc tính mong muốn. Điều này có tiềm năng trong nghiên cứu gene, sản xuất protein, engineered cells và về lâu dài là một số nền tảng gene therapy.

Ví dụ, thay vì thử hàng nghìn promoter một cách ngẫu nhiên, một mô hình định lượng có thể thu hẹp không gian thiết kế và đề xuất các biến thể có xác suất cao đạt mức biểu hiện cần thiết.

Nhưng Inr một mình chưa đủ để tạo ra promoter “tùy chỉnh hoàn hảo”. Hoạt động của promoter còn phụ thuộc TATA, DPR, enhancer, transcription factor và môi trường chromatin. Vì thế, nghiên cứu hiện tại giống như giải mã một phần của ngữ pháp hơn là đã hiểu toàn bộ ngôn ngữ.

“Mã biểu hiện gene” lớn hơn rất nhiều một motif 10 nucleotide

Giáo sư Kadonaga mô tả mục tiêu dài hạn là hiểu một dạng gene expression code nằm trong khoảng sáu tỷ base DNA của mỗi tế bào người lưỡng bội: mã quy định gene nào hoạt động, ở đâu, vào lúc nào và ở mức độ nào.

Nếu tồn tại một mô hình đủ toàn diện cho mã này, về nguyên tắc nó có thể dự đoán tác động của các biến thể DNA giữa những cá thể khác nhau lên hoạt động gene.

Đó là mục tiêu lớn hơn rất nhiều so với mô hình Inr. Một hệ thống như vậy sẽ phải hiểu promoter, enhancer, silencer, insulator, vị trí gắn transcription factor, trạng thái epigenetic, chromatin accessibility và cấu trúc 3D của nhiễm sắc thể, đồng thời mô hình hóa sự khác biệt giữa hàng trăm loại tế bào.

Nghiên cứu mới chỉ giải quyết một thành phần nhỏ nhưng quan trọng: một đoạn DNA nằm đúng tại nơi quá trình phiên mã bắt đầu.

Điểm đáng chú ý nhất là cách AI và phòng thí nghiệm bổ sung cho nhau

Câu chuyện này dễ được kể như một chiến thắng của AI: đưa DNA vào máy, AI phát hiện bí mật mà con người bỏ sót. Nhưng cách mô tả đó bỏ qua phần quan trọng nhất.

Mô hình chỉ trở nên hữu ích vì các nhà nghiên cứu trước đó đã tạo ra nửa triệu biến thể DNA, đo hoạt tính phiên mã của chúng trong điều kiện kiểm soát và xây dựng một bộ dữ liệu chức năng có cấu trúc.

AI sau đó làm điều máy tính đặc biệt giỏi: tìm quan hệ định lượng trong một không gian tổ hợp quá lớn để con người khảo sát bằng mắt, đánh giá hàng triệu chuỗi có thể có và chuyển kết quả thành dự đoán cho promoter thật.

Đây có thể là mô hình chung cho nhiều bước tiến sinh học trong thập kỷ tới. Thay vì chỉ huấn luyện AI trên dữ liệu đã tồn tại, phòng thí nghiệm có thể chủ động tạo ra những bộ dữ liệu được thiết kế để trả lời một câu hỏi cụ thể, rồi dùng machine learning để suy rộng sang những trường hợp chưa đo.

“Công tắc ẩn” đã được giải mã đến đâu?

Nghiên cứu năm 2026 đã đưa ra một mô hình Inr mạnh hơn, mô tả được các đặc điểm trình tự quan trọng và cho thấy motif này phổ biến trong promoter người. Nó cũng hé lộ các quan hệ giữa Inr, TATA box, DPR và TCT mà một consensus sequence đơn giản khó thể hiện.

Nhưng vẫn còn một khoảng trống lớn. Theo nhóm tác giả, khoảng 30% promoter người trong phân tích không chứa bất kỳ core promoter element quen thuộc nào mà họ có thể nhận diện. Điều đó cho thấy vẫn còn những motif, protein hoặc cơ chế khởi đầu phiên mã chưa được hiểu đầy đủ.

Vì vậy, thành quả đáng chú ý không phải “AI đã đọc xong mã bật gene người”. Chính xác hơn, AI và một thí nghiệm nửa triệu biến thể đã giúp giải rõ thêm một mảnh của mã điều hòa gene.

Nếu cách tiếp cận này tiếp tục được mở rộng sang các phần tử promoter và enhancer khác, chúng ta có thể dần chuyển từ việc chỉ đọc trình tự bộ gene sang dự đoán được trình tự đó sẽ làm gì trong tế bào. Và đó mới là bước thay đổi lớn: từ biết các chữ cái của DNA sang hiểu ngày càng rõ hơn ngữ pháp điều khiển chúng.

Nguồn tham khảo

• Genes & Development: Machine learning analysis of the human initiator region reveals key features of different types of core promoters
• DOI: 10.1101/gad.353623.125
• UC San Diego: Researchers Use AI to Decode Key DNA Sequence in Gene Activation
• EurekAlert: Machine learning unlocks identity of the initiator