Omics là một thuật ngữ xuất phát từ hậu tố “-ome”, có nguồn gốc tiếng Hy Lạp “ōma”, nghĩa là khối hoặc toàn bộ. Trong sinh học (Biology), nó đề cập đến việc nghiên cứu và mô tả toàn bộ các phân tử sinh học cùng loại và cách chúng tương tác với nhau, trong tế bào, cơ quan, hay cơ thể để tạo nên các chức năng sống. [1]
Một số lĩnh vực trong Omics gồm:
Multi-omics: nghiên cứu đồng thời nhiều loại phân tử sinh học (như DNA, RNA, protein) trong một mẫu sinh học.
Multi-omics đang thúc đẩy sự hiểu biết của chúng ta về sinh học tế bào và bệnh tật, mở đường cho các phương pháp chẩn đoán và liệu pháp nhắm trúng đích mới.
Các phương pháp tiếp cận truyền thống để hiểu các hệ thống sinh học chủ yếu tập trung vào việc nghiên cứu các thành phần phân tử riêng lẻ, chẳng hạn như gen, protein hoặc chất chuyển hóa. Tuy nhiên, chiến lược giản lược này không nắm bắt được sự phức tạp của các tương tác có tính chất hệ thống, bao gồm tác động của các biến đổi di truyền lên biểu hiện RNA và chức năng protein, cũng như ảnh hưởng của các yếu tố môi trường đến các con đường điều hòa và quá trình chuyển hóa trong tế bào.
“Việc tạo ra dữ liệu giải trình tự toàn bộ bộ gen là vô cùng có giá trị, nhưng nó không cho chúng ta biết tình hình hiện tại”, Adil Mardinoglu, giáo sư sinh học hệ thống tại Kings College London, Vương quốc Anh và KTH-Royal Institute of Technology ở Thụy Điển cho biết.
Việc kết hợp các loại dữ liệu omics khác nhau – chẳng hạn như genomics, epigenomics, transcriptomics, proteomics và metabolomics – mang đến những cơ hội hấp dẫn để có được cái nhìn tổng quan toàn diện và toàn diện hơn về các hệ thống tế bào. Việc mô tả đặc điểm của hệ vi sinh vật thông qua metagenomics để phát hiện ra các tương tác giữa vật chủ và hệ vi sinh vật cũng rất quan trọng – vì sự rối loạn đối với hệ vi sinh vật ở miệng, ruột, âm đạo và da có liên quan đến nhiều loại bệnh.
Công nghệ omics đơn lẻ bao gồm các xét nghiệm đo toàn diện và đồng thời các phân tử cùng loại từ một mẫu sinh học. Những tiến bộ nhanh chóng trong công nghệ, chẳng hạn như giải trình tự thế hệ mới (Nexgeneration sequencing – NGS) và khối phổ (Mass Spectrometry), đã mở rộng khả năng của các nhà nghiên cứu để nghiên cứu toàn bộ bộ gen, hệ phiên mã (transcriptome), hệ di truyền biểu sinh (epigenome), hệ protein (proteome), hệ gen vi sinh vật (metagenome), và hơn thế nữa.
Phân tích từng omics đơn lẻ có thể cung cấp cái nhìn sâu sắc mới về các biến đổi phân tử ở cấp độ DNA, RNA, protein hoặc chuyển hóa, tuy nhiên, chúng chỉ cung cấp một góc nhìn hẹp về các chức năng của tế bào. Những phương pháp này chưa thể làm rõ mối liên hệ nhân quả giữa các dấu ấn phân tử và sự hình thành cũng như tiến triển của bệnh.
“Các hệ thống sinh học phức tạp và được thúc đẩy bởi các tương tác giữa các lớp omics khác nhau”, Mardinoglu cho biết. “Và sự phức tạp này thậm chí còn trở nên phức tạp hơn, khi xét đến tác động của di truyền, chế độ ăn uống, hệ vi sinh vật, v.v.”
Hãy tiến vào multi-omics, lĩnh vực ngày càng trở nên dễ tiếp cận hơn nhờ chi phí xét nghiệm ngày càng phù hợp với khả năng chi trả, cùng với sức mạnh tính toán được nâng cao và sự phát triển của các công cụ tin sinh học. Phương pháp tiếp cận mạnh mẽ này có khả năng tiết lộ những hiểu biết mới mà các phương pháp omics đơn lẻ không thể đạt được, làm sáng tỏ các mạng lưới liên kết định hình và điều khiển tập tính của tế bào (Hình 1) và tác động đến sức khỏe, bệnh tật của con người.
Hình 1: Các ngành omics “cốt lõi” và cách chúng được sử dụng để giúp hiểu các hệ thống sinh học phức tạp. Nguồn: Technology Networks.
“Tôi tin rằng loại thí nghiệm này sẽ trở nên không thể thiếu tại một thời điểm nào đó trong tương lai, đối với tất cả các nghiên cứu”, Pare dự đoán. “Cho dù multi-omics là động lực chính thúc đẩy nghiên cứu hay chỉ đóng vai trò bổ trợ, và nó sẽ trở thành một tiêu chuẩn mà mọi người mong muốn”.
Một trong những cách mà phân tích multi-omics có thể cung cấp cái nhìn sâu sắc hơn về nguyên nhân gây bệnh là khả năng kết nối kiểu gen với kiểu hình. Ví dụ, ngẫu nhiên hóa Mendel (Mendelian randomization) là một phương pháp mạnh mẽ cho phép các nhà nghiên cứu tích hợp dữ liệu về hệ gen và hệ protein, từ đó xác định mối quan hệ nhân quả giữa các biến thể di truyền và mức protein.
Pare giải thích: “Kỹ thuật này tận dụng sự phân bổ ngẫu nhiên các alen trong quá trình giảm phân, về cơ bản là tạo ra thử nghiệm có đối chứng ngẫu nhiên của tự nhiên“. “Bây giờ chúng ta có thể sử dụng nó để kiểm tra từng loại protein mà chúng ta có thể đo trong máu và kiểm tra bằng chứng về sự liên quan của chúng đối với các bệnh cụ thể“.
Nhóm của Pare gần đây đã chứng minh hiệu quả của phương pháp này bằng cách xác định các dấu ấn sinh học chẩn đoán sớm và nhạy cảm của bệnh thận mãn tính ở những bệnh nhân mắc bệnh tiểu đường loại 2.
Pare hào hứng cho biết: “Phương pháp tiếp cận này đã trở nên phổ biến rộng rãi – không chỉ đối với hệ protein mà còn đối với hệ phiên mã, hệ chuyển hóa và hơn thế nữa“.
Một lĩnh vực thú vị khác là sự xuất hiện của các công nghệ và phương pháp phân tích multi-omics cho từng tế bào đơn lẻ (single cell multiomics)- bao gồm cả phân tích hệ phiên mã theo cấu trúc không gian (spatial transcriptomics) – cho phép mô tả sâu sắc trạng thái và hoạt động của tế bào trong các mẫu sinh học. Những kỹ thuật tiên tiến này mang đến những cơ hội độc đáo để khám phá sự phức tạp của các hệ thống tế bào, bao gồm theo dõi dòng tế bào, tạo ra các bản đồ loại tế bào của các cơ quan và phân tích cơ chế gây bệnh.
“Điều này thực sự thú vị”, Pare cho biết. “Chúng tôi có thể xác định danh tính của các quần thể tế bào trong các mô khác nhau ở mức độ rất chi tiết và sau đó liên kết điều này với tiên lượng bệnh”.
Ví dụ, các công nghệ phân tích multiomics cho tế bào đơn đã cách mạng hóa nghiên cứu ung thư bằng cách cho phép các nhà khoa học phân tích tính đa dạng của khối u và xác định các phân nhóm tế bào hiếm đóng vai trò quan trọng đối với sự phát triển của khối u, sự di căn và khả năng kháng thuốc. Tương tự như vậy, các công cụ này cho phép lập bản đồ mạch bên trong não với độ chi tiết chưa từng có.
Mặc dù công nghệ multi-omics có triển vọng to lớn, nhưng vẫn còn nhiều trở ngại đáng kể. Một thách thức lớn là loại bỏ các kết quả dương tính và âm tính giả, vốn thường thấy trong các tập dữ liệu multiomics.
Mardinoglu cho biết: “Dữ liệu multiomics thông lượng cao đặt ra những thách thức vì chúng ta không hiểu đầy đủ về quá trình chuyển đổi giữa các dữ liệu multiomics khác nhau“. “Không phải mọi đột biến hoặc biến thể di truyền nào cũng sẽ dẫn đến những thay đổi trong protein hoặc chất chuyển hóa hoặc thậm chí là mức độ phiên mã“.
Một rào cản đáng kể khác là việc tích hợp và diễn giải các tập dữ liệu lớn thuộc nhiều loại khác nhau. Việc thiếu các quy trình thí nghiệm chuẩn hoá, định dạng dữ liệu và biện pháp kiểm soát chất lượng cũng cản trở khả năng tái lập và khả năng so sánh dữ liệu multiomics được tạo ra trong các nghiên cứu khác nhau.
Mardinoglu cho biết: “Việc tích hợp và diễn giải dữ liệu đòi hỏi một phương pháp tiếp cận đa ngành với sự hợp tác giữa các nhà nghiên cứu từ nhiều lĩnh vực khác nhau“. “Đây không phải là vấn đề mà một công ty hoặc một nhóm nhỏ các nhà nghiên cứu có thể giải quyết một mình“.
Các hiệp hội chuyên môn quốc tế và các sáng kiến hợp tác có thể thúc đẩy sự hợp tác liên ngành này bằng cách cung cấp các nguồn lực tập trung, bao gồm cơ sở dữ liệu, công cụ và quy trình, nhằm hỗ trợ nghiên cứu multiomics trên toàn cầu.
Ví dụ, mục đích của Human Protein Atlas (HPA) là lập bản đồ tất cả các protein của con người trong tế bào, mô và cơ quan bằng cách tích hợp nhiều tập dữ liệu omics khác nhau. Được khởi xướng vào năm 2003, HPA đã trở thành cơ sở dữ liệu lớn nhất và toàn diện nhất về phân bố không gian của protein trong mô và tế bào của con người, cung cấp một nguồn tài nguyên vô giá để khám phá các mô hình bộc lộ phân tử ở độ phân giải tế bào đơn lẻ.
“Đây là một trong những trang web sinh học được truy cập nhiều nhất trên thế giới“, Mardinoglu cho biết. “Trong những năm qua, chúng tôi đã kết hợp thêm thông tin – dữ liệu transcriptomics, proteomics tế bào đơn lẻ, và gần đây đã mở rộng để bao gồm hệ vi sinh vật đường miệng và đường ruột“.
Trong Pathology Atlas, các nhà nghiên cứu đã áp dụng phương pháp tiếp cận cấp hệ thống để phân tích bộ gen người liên quan đến kết quả lâm sàng, dựa trên dữ liệu biểu hiện protein và mRNA trên toàn bộ bộ gen từ 17 loại ung thư. Điều này có thể giúp liên kết giữa sự hiện diện hoặc vắng mặt của các protein cụ thể trong khối u với thời gian sống thêm của bệnh nhân.
“Chúng tôi dự đoán rằng chúng tôi sẽ tạo ra dữ liệu multi-omics cho hàng trăm bệnh khác nhau – từ cả nghiên cứu cắt ngang và nghiên cứu theo chiều dọc”, Mardinoglu dự đoán. “Điều này sẽ cho phép mô tả các bệnh hiếm gặp và phổ biến ở cấp độ phân tử, từ đó xác định những mục tiêu hiệu quả cho phát triển thuốc.”
Trong bối cảnh này, nhóm đã tạo ra dữ liệu multi-omics theo chiều dọc cho những cá nhân khỏe mạnh và những bệnh nhân mắc nhiều bệnh chuyển hóa khác nhau ở Hoa Kỳ, Thụy Điển và các khu vực khác.
Các nhà nghiên cứu ngày càng áp dụng nhiều kỹ thuật multi-omics để có được hiểu biết sâu sắc hơn về những thay đổi phân tử góp phần vào sự phát triển bình thường, sự phát triển của tế bào và bệnh tật. Những đổi mới trong phân tích dữ liệu, chẳng hạn như các công cụ tin sinh học tiên tiến và các kỹ thuật dựa trên trí tuệ nhân tạo (AI), sẽ hỗ trợ trích xuất những hiểu biết có ý nghĩa từ cả các tập dữ liệu mới và hiện có.
Pare cho biết: “Điều đáng chú ý về multi-omics là chúng tôi tạo ra những tập dữ liệu khổng lồ, giàu thông tin, theo một nghĩa nào đó, trở thành vĩnh cửu“. “Mặc dù khoản đầu tư ban đầu là đáng kể, nhưng lợi nhuận dài hạn là rất lớn, vì những dữ liệu này có thể được sử dụng trong nghiên cứu trong nhiều thập kỷ tới“.
“Tác động của công nghệ multi-omics được dự kiến sẽ sâu sắc, cách mạng hóa sự hiểu biết của chúng ta về các cơ chế sinh học cơ bản của các bệnh khác nhau. Cuối cùng, nó có thể được áp dụng trong các bối cảnh lâm sàng để cá nhân hóa việc phòng ngừa, chẩn đoán và điều trị các tình trạng sức khỏe, dựa trên những thay đổi phân tử diễn ra trong cơ thể từng người theo thời gian thực, mở ra một kỷ nguyên mới của y học chính xác.”
Biên dịch: Ts. Bs. Nguyễn Cảnh Hiệp, BiOmics Việt Nam, Viện ung thư Dana-Farber – Đại Học Y Harvard, Mỹ; Ts. Bs Lương Thị Mỹ Hạnh, BiOmics Việt Nam, Viện Karolinska – Thụy Điển.
Nguồn:
1. Gillian Kruse, What are ‘omics and how can they improve cancer treatment? | Last reviewed by an MD Anderson Cancer Center medical professional | June 18, 2018.
2. Alison Halliday, PhD, The Omics Revolution: Multiomics and the Future of Biomedical Research | Technology Networks | Published: July 25, 2024 Last Updated: July 25, 2024
