Original Title: Sequence-based chromatin activity modeling and regulatory impact prediction of genetic variants in farmed animals using deep learning
Source: doi.org/10.1093/nargab/lqaf139
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការបង្កើតគំរូសកម្មភាពក្រូម៉ាទីនផ្អែកលើលំដាប់ និងការទស្សន៍ទាយផលប៉ះពាល់នៃនិយតកម្មនៃបម្រែបម្រួលហ្សែននៅក្នុងសត្វចិញ្ចឹម ដោយប្រើការរៀនស៊ីជម្រៅ (Deep Learning)

ចំណងជើងដើម៖ Sequence-based chromatin activity modeling and regulatory impact prediction of genetic variants in farmed animals using deep learning

អ្នកនិពន្ធ៖ Dat Thanh Nguyen (Norwegian University of Life Sciences / University of Oslo), Tim Martin Knutsen (AquaGen AS), Simen R. Sandve (Norwegian University of Life Sciences), Sigbjørn Lien (Norwegian University of Life Sciences), Lars Grønvold (Norwegian University of Life Sciences)

ឆ្នាំបោះពុម្ព៖ 2025, NAR Genomics and Bioinformatics

វិស័យសិក្សា៖ Genomics / Computational Biology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ បម្រែបម្រួលហ្សែនដែលមិនមែនជាកូដ (Noncoding genomic variations) មានសារៈសំខាន់សម្រាប់ការកំណត់លក្ខណៈនៃសត្វ ប៉ុន្តែផលប៉ះពាល់នៃមុខងាររបស់ពួកវានៅក្នុងសត្វចិញ្ចឹមនៅតែមិនទាន់ត្រូវបានសិក្សាឱ្យបានទូលំទូលាយនៅឡើយ ដោយសារកង្វះធនធានហ្សែន និងឧបករណ៍គណនាដែលសមស្របសម្រាប់ប្រភេទសត្វទាំងនេះ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតក្របខ័ណ្ឌ Deep Learning ដើម្បីទស្សន៍ទាយផលប៉ះពាល់នៃនិយតកម្មនៃបម្រែបម្រួលហ្សែននៅក្នុងសត្វគោ មាន់ ជ្រូក និងត្រីសាម៉ុង ដោយប្រើប្រាស់ទិន្នន័យហ្សែនដែលមានមុខងារ (Functional genomic data)។

ការប្រមូលទិន្នន័យទម្រង់ក្រូម៉ាទីន (Chromatin profiles) ដូចជា ATAC-seq, DNase-seq និង ChIP-seq ពីគម្រោង FAANG និង AQUA-FAANG។
ការបង្វឹកគំរូ Deep Learning ដោយប្រើស្ថាបត្យកម្ម DeepSEA និង DanQ សម្រាប់ប្រភេទសត្វនីមួយៗ ដើម្បីរៀនពីវេយ្យាករណ៍នៃនិយតកម្ម (Regulatory grammar)។
ការពិសោធន៍ In silico saturation mutagenesis ដើម្បីបកស្រាយផលប៉ះពាល់នៃបម្រែបម្រួលហ្សែនទៅលើសកម្មភាពនិយតកម្ម។
ការវាយតម្លៃប្រសិទ្ធភាពដោយប្រើទិន្នន័យ eQTL និងការអនុវត្តនៅក្នុងការទស្សន៍ទាយហ្សែន (Genomic prediction) សម្រាប់សត្វត្រីសាម៉ុង។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

គំរូ DanQ ដំណើរការបានល្អជាង DeepSEA លើគ្រប់ប្រភេទសត្វ ដោយសម្រេចបានពិន្ទុ AUROC ខ្ពស់ (ឧទាហរណ៍ ០.៩១១០ សម្រាប់គោ និង ០.៩០៦៥ សម្រាប់ត្រីសាម៉ុង)។
ពិន្ទុមុខងារ (Functional scores) ដែលទទួលបានពីគំរូនេះមានសមត្ថភាពក្នុងការកំណត់អត្តសញ្ញាណបម្រែបម្រួល eQTL ដែលបង្កហេតុ (Causal variants) បានយ៉ាងត្រឹមត្រូវ។
ការប្រើប្រាស់ពិន្ទុមុខងារដើម្បីកំណត់អាទិភាព SNPs នៅក្នុងការទស្សន៍ទាយហ្សែន បានបង្ហាញពីការកើនឡើងនៃភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ ដែលមានសក្តានុពលសម្រាប់កម្មវិធីបង្កាត់ពូជសត្វ។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
DanQ (Hybrid CNN + LSTM) គំរូសរសៃប្រសាទសិប្បនិម្មិតកូនកាត់ដែលប្រើបណ្ដាញ Convolutional (CNN) សម្រាប់ចាប់យកលក្ខណៈពិសេស និង Long Short-Term Memory (LSTM) សម្រាប់ចាប់យកទំនាក់ទំនងតាមលំដាប់លំដោយ។	មានសមត្ថភាពចាប់យកការពឹងផ្អែករយៈចម្ងាយឆ្ងាយ (Long-range dependencies) នៅក្នុងលំដាប់ DNA បានល្អជាង ដែលធ្វើឱ្យវាមានប្រសិទ្ធភាពខ្ពស់ក្នុងការស្វែងរកគំរូនៃនិយតកម្ម។	ទាមទារធនធានគណនាខ្ពស់ជាង និងស្មុគស្មាញជាងក្នុងការបង្វឹកបើធៀបនឹងគំរូ CNN សុទ្ធ។	ទទួលបានពិន្ទុ AUROC ខ្ពស់បំផុតលើគ្រប់ប្រភេទសត្វ (ឧទាហរណ៍ ០.៩១១០ សម្រាប់គោ និង ០.៩០៦៥ សម្រាប់ត្រីសាម៉ុង)។
DeepSEA (Pure CNN) គំរូសរសៃប្រសាទ Convolutional (CNN) សុទ្ធសាធ ដែលផ្តោតលើការរៀនលក្ខណៈពិសេសពីលំដាប់ DNA ដោយផ្ទាល់។	មានរចនាសម្ព័ន្ធសាមញ្ញជាង និងលឿនជាងក្នុងការបង្វឹកបើធៀបនឹង DanQ ។	មានកម្រិតក្នុងការចាប់យកទំនាក់ទំនងរវាងផ្នែកផ្សេងៗនៃ DNA ដែលនៅឆ្ងាយពីគ្នា។	ដំណើរការបានល្អ (AUROC ~០.៩០ សម្រាប់គោ) ប៉ុន្តែនៅតែទាបជាង DanQ បន្តិចបន្តួចនៅក្នុងការពិសោធន៍ទាំងអស់។
Functional SNP Selection (Proposed Method) ការជ្រើសរើស SNPs សម្រាប់ការទស្សន៍ទាយហ្សែន (Genomic Prediction) ដោយផ្អែកលើពិន្ទុមុខងារដែលទទួលបានពីគំរូ Deep Learning ។	អាចកំណត់អត្តសញ្ញាណបម្រែបម្រួលដែលមានឥទ្ធិពលពិតប្រាកដ (Causal variants) និងកាត់បន្ថយចំនួន Markers ដែលមិនចាំបាច់។	ទាមទារឱ្យមានទិន្នន័យ Functional Genomics ដែលមានគុណភាពខ្ពស់ដើម្បីបង្កើតពិន្ទុ។	ការប្រើប្រាស់ SNPs ដែលមានពិន្ទុមុខងារខ្ពស់បំផុត (Top functional SNPs) ផ្តល់នូវភាពត្រឹមត្រូវនៃការទស្សន៍ទាយប្រហាក់ប្រហែលនឹងការប្រើប្រាស់បន្ទះ SNP ពេញលេញ (Full SNP array)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានគណនាដែលមានសមត្ថភាពខ្ពស់សម្រាប់ការបង្វឹកគំរូ Deep Learning និងការដោះស្រាយទិន្នន័យហ្សែនខ្នាតធំ។

Hardware: ត្រូវការ GPU ដែលមានអនុភាពខ្លាំង (នៅក្នុងការសិក្សានេះប្រើ NVIDIA Quadro RTX 8000) ដើម្បីបង្វឹកគំរូសរសៃប្រសាទ។
Software: ប្រើប្រាស់ភាសា Python រួមជាមួយបណ្ណាល័យ Deep Learning ដូចជា TensorFlow និងឧបករណ៍វិភាគហ្សែនដូចជា BEDTools និង MEME Suite ។
Dataset: ទិន្នន័យពីគម្រោង FAANG និង AQUA-FAANG ដែលរួមមានទិន្នន័យ ATAC-seq, ChIP-seq និង Genome Assemblies សម្រាប់សត្វនីមួយៗ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីពូជសត្វអឺរ៉ុប ឬពូជពាណិជ្ជកម្ម (ដូចជាគោ Holstein ឬត្រីសាម៉ុង Atlantic) ដែលអាចមានភាពខុសប្លែកគ្នានៃរចនាសម្ព័ន្ធហ្សែនបើធៀបនឹងពូជសត្វក្នុងស្រុករបស់កម្ពុជា (ដូចជាគោខ្មែរ ឬមាន់ស្រែ)។ នេះអាចធ្វើឱ្យគំរូត្រូវការការសម្របសម្រួល (Fine-tuning) មុននឹងយកមកប្រើប្រាស់ផ្ទាល់។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនេះមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់កម្ពុជាក្នុងការផ្លាស់ប្តូរពីការបង្កាត់ពូជតាមបែបប្រពៃណីទៅជាការបង្កាត់ពូជផ្អែកលើបច្ចេកវិទ្យា (Precision Breeding)។

វិស័យវារីវប្បកម្ម (Aquaculture): អាចអនុវត្តបច្ចេកទេសនេះលើត្រីដែលមានសក្តានុពលសេដ្ឋកិច្ចនៅកម្ពុជា ដូចជាត្រីប្រា ឬត្រីពោ ដើម្បីបង្កើនល្បឿននៃការលូតលាស់ និងភាពធន់នឹងជំងឺ។
សាកលវិទ្យាល័យភូមិន្ទកសិកម្ម (RUA): ជាធនធានដ៏ល្អសម្រាប់អ្នកស្រាវជ្រាវ និងនិស្សិតក្នុងការសិក្សាអំពី Bioinformatics និងការប្រើប្រាស់ AI នៅក្នុងវិស័យកសិកម្ម។
ការបង្កាត់ពូជសត្វ (Animal Breeding): ជួយដល់មជ្ឈមណ្ឌលបង្កាត់ពូជសត្វជាតិក្នុងការជ្រើសរើសពូជដែលមានគុណភាពខ្ពស់ ដោយមិនចាំបាច់រង់ចាំសត្វធំពេញវ័យ ទើបដឹងពីលក្ខណៈរបស់វា។

ទោះបីជាត្រូវការធនធានបច្ចេកទេសខ្ពស់ក៏ដោយ ការចាប់ផ្តើមសិក្សាពីឥឡូវនេះនឹងជួយកម្ពុជាត្រៀមខ្លួនសម្រាប់បដិវត្តន៍កសិកម្មឌីជីថល និងបង្កើនផលិតភាពសត្វចិញ្ចឹម។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

សិក្សាមូលដ្ឋានគ្រឹះនៃទិន្នន័យហ្សែន: និស្សិតគួរស្វែងយល់អំពីទម្រង់ទិន្នន័យជីវវិទ្យាដូចជា FASTA, BED, និង VCF ព្រមទាំងរបៀបដែលទិន្នន័យ Epigenetic (ATAC-seq/ChIP-seq) ត្រូវបានប្រើប្រាស់។
រៀនប្រើប្រាស់ឧបករណ៍ Deep Learning: ចាប់ផ្តើមរៀនសរសេរកូដ Python និងប្រើប្រាស់បណ្ណាល័យ (TensorFlow) ឬ (PyTorch) ដោយអនុវត្តលើទិន្នន័យគំរូតូចៗជាមុនសិន។
ការអនុវត្តឡើងវិញ (Replication): ទាញយកកូដពី GitHub របស់អ្នកនិពន្ធ (DeepFARM) និងទិន្នន័យសាធារណៈពីគម្រោង FAANG ដើម្បីសាកល្បងបង្វឹកគំរូឡើងវិញលើកុំព្យូទ័រដែលមាន GPU ។
ការស្រាវជ្រាវលើពូជសត្វក្នុងស្រុក: សហការជាមួយកសិដ្ឋាន ឬមជ្ឈមណ្ឌលស្រាវជ្រាវដើម្បីប្រមូលទិន្នន័យហ្សែននៃពូជសត្វក្នុងស្រុក និងសាកល្បងប្រើប្រាស់គំរូដើម្បីទស្សន៍ទាយលក្ខណៈសំខាន់ៗ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Chromatin accessibility	ភាពងាយស្រួលនៃការចូលទៅដល់ក្រូម៉ាទីន សំដៅលើតំបន់នៃ DNA ដែលបើកចំហរនិងមិនត្រូវបានរុំយ៉ាងតឹងជុំវិញប្រូតេអ៊ីន ដែលអនុញ្ញាតឱ្យម៉ាស៊ីនកោសិកាចូលទៅអានព័ត៌មានហ្សែនបាន។ នៅក្នុងការសិក្សានេះ វាត្រូវបានប្រើដើម្បីកំណត់ទីតាំងសកម្មរបស់ហ្សែន។	ដូចជាសៀវភៅដែលបើកចំហរទំព័រដើម្បីឱ្យយើងអានបាន ផ្ទុយពីសៀវភៅដែលបិទជិត។
Cis-regulatory elements (CREs)	ធាតុនិយតកម្ម Cis គឺជាផ្នែកនៃ DNA ដែលមិនបង្កើតជាប្រូតេអ៊ីន ប៉ុន្តែមានតួនាទីជាអ្នកបញ្ជា ឬ 'កុងតាក់' បើក/បិទ ដើម្បីគ្រប់គ្រងការបញ្ចេញហ្សែនដែលនៅជិតពួកវា។	ដូចជាកុងតាក់ភ្លើងនៅលើជញ្ជាំង ដែលបញ្ជាឱ្យអំពូលភ្លើងភ្លឺ ឬរលត់។
In silico saturation mutagenesis	នេះគឺជាបច្ចេកទេសពិសោធន៍នៅក្នុងកុំព្យូទ័រ ដោយធ្វើការផ្លាស់ប្តូរគ្រប់តួអក្សរនៃ DNA ម្ដងមួយៗ (Mutation) នៅលើខ្សែ DNA ដើម្បីមើលថាតើការផ្លាស់ប្តូរនីមួយៗប៉ះពាល់ដល់មុខងាររបស់ហ្សែនកម្រិតណា។	ដូចជាការសាកល្បងផ្លាស់ប្តូរគ្រឿងផ្សំម្ហូបម្ដងមួយមុខ ដើម្បីដឹងថាមុខមួយណាធ្វើឱ្យរសជាតិប្រែប្រួលខ្លាំងបំផុត។
Expression Quantitative Trait Loci (eQTL)	តំបន់នៅលើហ្សែនដែលមានបម្រែបម្រួល (Genetic variants) ដែលទាក់ទងដោយផ្ទាល់ទៅនឹងកម្រិតនៃការផលិត ឬបញ្ចេញរបស់ហ្សែន (Gene expression) នៅក្នុងកោសិកា។ គេប្រើវាដើម្បីផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវនៃគំរូទស្សន៍ទាយ។	ដូចជាប៊ូតុងសម្លេង (Volume knob) ដែលកំណត់ថាបទចម្រៀងនឹងបន្លឺឡើងខ្លាំង ឬតិច។
Genomic Prediction	ការប្រើប្រាស់ទិន្នន័យ DNA (markers) ដើម្បីទស្សន៍ទាយលក្ខណៈរូបរាង ឬផលិតភាពរបស់សត្វ (ដូចជាការលូតលាស់ ឬបរិមាណសាច់) ដោយមិនចាំបាច់រង់ចាំឱ្យសត្វនោះធំពេញវ័យ។	ដូចជាការទស្សន៍ទាយពិន្ទុប្រឡងរបស់សិស្ស ដោយផ្អែកលើប្រវត្តិការសិក្សារបស់ពួកគេ មុនពេលថ្ងៃប្រឡងមកដល់។
DanQ architecture	ឈ្មោះនៃគំរូបញ្ញាសិប្បនិម្មិត (AI Model) មួយប្រភេទដែលប្រើក្នុងឯកសារនេះ ដែលរួមបញ្ចូលគ្នានូវបច្ចេកវិទ្យាពីរគឺ CNN (សម្រាប់ចាប់យកលំនាំ) និង LSTM (សម្រាប់ចងចាំទំនាក់ទំនងវែងឆ្ងាយ) ដើម្បីវិភាគលំដាប់ DNA ។	ដូចជាអ្នកអានសៀវភៅដែលស្គាល់ពាក្យនីមួយៗច្បាស់ (CNN) ហើយក៏យល់ពីអត្ថន័យនៃប្រយោគទាំងមូលដែលទាក់ទងគ្នាផងដែរ (LSTM)។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖