Bài giảng Ứng dụng công nghệ gene trong chăm sóc sức khỏe người - Trần Hoàng Dũng (Phần 1)

huốc nhuộm khác. Hai mẫu được trộn
với tỉ lệ ứng với 1:1 với nhau trên cơ cở đồng nhất các thuốc nhuộm. Sau đó tiến
hành so sánh các mẫu với nhau, sự biểu hiện của các mẫu tuân theo hàm logarit
giữa tỷ lệ các RNA trong mẫu nghi vấn đối với mẫu đối chứng. Trong trường hợp là
single-color array, như Genechip (Affymetrix), mỗi mẫu sẽ được tiến hành nhuộm
riêng biệt và tiến hành trên thực hiện trên một phiến array. Sau đó tiến hành lai và
rửa mẫu, sự biểu hiện của từng gen được thể hiện thông qua sự biểu hiện cường độ
phát huỳnh quang, từ đó có thể đánh giá mức độ biểu hiện của gen.
Hình 4.18. Hình ảnh cho thấy tỷ lệ lai khác nhau sẽ cho tín hiệu màu khác nhau.
54
Hình 4.19. Phép phân tích “Two-color” và “Single-color” của microarray
Hình 4.20. Xử lý tính hiệu bằng phần mềm xử lý hình ảnh
Trong phép phân tích “two-color” (hình A), mẫu RNA được thu nhận từ bệnh nhân
và mẫu đối chứng được tiến hành nhuộm riêng biệt khác nhau và tiến hành lai với duy
nhất 1 DNA chứa mẫu dò chuyên biệt với gen. Quan hệ về mức độ biểu hiện của gen trong
hai mẫu được đánh giá dựa trên việc so sánh mức độ phát huỳnh quang của mỗi mẫu; một
vector biểu hiện mẫu được dùng để kết luận mức độ biểu hiện của từng gen trong mẫu thu
nhận từ bệnh nhân (tiến hành so sánh với mẫu đối chứng). Phép phân tích “single-color”
(Hình B), được thực hiện với Genechip (Affymetrix), tiến hành lai các RNA được đánh dấu
từ mỗi mẫu sinh phẩm trên từng array tiến hành lai với các mẫu dò chuyên biệt. Mức độ
biểu hiện gen được đánh giá bằng cách so sánh cường độ lai của một loạt các mẫu dò đã
bắt cặp hoàn hảo, backgrou sẽ được tiến hành đánh giá thông qua các mẫu dò không bắt
cặp. Mức độ biểu hiện của gen của mỗi mẫu thu nhận từ bệnh nhân được báo cáo với như
55
một vector biểu hiện mẫu mà kết luận dựa trên sự khác biệt giữa tín hiệu và background
của từng gen.
Sau khi tiến hành thu nhận mẫu, các dữ liệu thường phải được tiêu chuẩn hóa
để dễ dàng so sánh, tìm hiểu những điểm khác nhau giữa các thí nghiệm lai. Hiện
nay, có rất nhiều phương pháp được sử dụng cho việc tiêu chuẩn hóa các dữ kiện,
tuy nhiên sử dụng phương pháp nào phù hợp cho việc phân tích hoàn toàn phụ
thuộc vào mục đích thí nghiệm, kết luận về các dự kiện. Thông thường các dữ kiện
cũng phải được tiến hành chọn lọc dựa trên các tiêu chuẩn nhất định (ví dụ như là
các gen có sự khác biệt nhau nhỏ sẽ bị loại) hay là tiến hành phân tích thông kê để
lựa chọn các gen có sự biểu hiện với một mức độ cao mà chúng có liên quan đến
các nhóm của mẫu xét nghiệm. Việc tiêu chuẩn hóa và chọn lọc phải được ứng dụng
một cách thật cẩn trọng, tại vì nó có thể mang đến một số hiệu quả không mong
muốn trong kết quả. Sự khác biệt trong các phương pháp phân tích thống kê sẽ cung
cấp các kết quả khác nhau trong các gen chuyên biệt (thường là kết quả các gen sẽ
gối đầu nhau).
Những lưu ý này sẽ được thực hiện, chú trọng trong suốt quá trình tiến hành
phân tích so sánh dữ liệu, các thông tin với nhau ở các phòng thí nghiệm khác nhau.
Có thể dẫn tới các kết quả ttrái ngược nhau, tại vì họ rất ít để ý những khác biệt
trong các phương pháp so sánh, phân tích và thống kê các dữ liệu. Những so sánh
này chuyển toàn bộ dữ liệu phân tích vào trong một kho dữ liệu, từ những thông tin
đó, có thể tìm kiếm sự giống nhau giữa các dạng của microarray. Để tiến hành so
sánh các dữ liệu một cách dễ dàng người ta phát triển một tiêu chuẩn chung cho
phép phân tích các dữ liệu là “minimal information about a microarray experiment”
(MIAME). Các database của DNA được phát triển và lưu giữ trong ngân hàng DNA
để sử dụng cho việc nghiên cứu sự biểu hiện gen. Đây được xem là nguồn dữ liệu
quan trọng và có giá trị trong ứng dụng trong việc nghiên cứu biểu hiện gen: các
nghiên cứu về cùng một bệnh được tiến hành độc lập với nhau sẽ cung cấp các dữ
liệu khách quan và được tiến hành so sánh, đánh giá các kết quả thu nhận được. Khi
nghiên cứu một lượng lớn cỡ mẫu có thể cung cấp các dữ liệu quan trọng cho việc
nghiên cứu các mẫu bệnh chung và nghiên cứu việc biểu hiện gen có liên quan đến
bệnh hay hậu quả của bệnh.
Sau khi thu thập được các dữ liệu, các dữ liệu đã được tiến hành chọn lọc và
tiêu chuẩn hóa, chúng được biểu hiện một cách điển hình trong một ma trận mà mỗi
dòng biểu hiện cho một gen chuyên biệt và mỗi cột biểu hiện cho một mẫu sinh học
đặc trưng. Mỗi dòng biểu thị cho một vector biệu hiện gen – các ô thể hiện các mức
độ biểu hiện gen chuyên biệt trong tất cả các mẫu bệnh phẩm nghiên cứu. Mỗi cột
biểu thị cho một vector biểu hiện mẫu, ghi nhận sự biểu hiện tất cả các gen trong
mẫu. Để hiểu một cách dễ dàng các kết quả thu nhận được từ phương pháp lai kết
hợp, các yếu tố của dữ liệu trong ma trận thường được biểu hiện với màu đỏ ứng
với mức độ biểu hiện gen trong từng mẫu và các vùng quan sát được trên ma trận
biểu hiện cho các mẫu đang phân tích. Trong hầu hết các phương pháp, màu sử
56
dụng cho các gen được dựa trên tỷ lệ logarit đối với từng mẫu khi được tiến hành so
sánh với mẫu đối chứng; giá trị tỷ lệ log gần như bằng không sẽ được biểu hiện
bằng màu đen, giá trị lớn hơn không được biểu hiện bằng màu đỏ (ứng với các điều
hòa thượng nguồn), và các giá trị âm tính được biểu hiện bằng màu xanh (ứng với
các gen điều hòa hạ nguồn), ngoài ra có thể có nhiều màu khác nhau được phép sử
dụng cho trường hợp đối với những người bị mù màu đỏ - xanh. Cường độ biểu
hiện của các nhân tố được tiến hành so sánh sự biểu hiện các gen có quan hệ với
nhau, các nhân tố có màu sáng biểu hiện cho sự biểu hiện với một mức độ cao.
Chương trình được thực hiện theo các nhóm hàng ngang, hàng dọc hoặc là cả hai, từ
đó, có thể xác định được mức độ biểu hiện của các gen khác nhau trong các mẫu
bệnh phẩm khác nhau.
5.1.3. Xác định sự biểu hiện của mẫu
Trong phân tích microarray, người ta tiến hành tìm kiếm các gen chuyên biệt
và nghiên cứu sự biểu hiện của các mẫu liên quan tới trạng thái các bệnh lý hay có
sự tương đồng với các mẫu có cùng sự biểu hiện. Hoặc là các mẫu được tìm kiếm
với các gen có sự biểu hiện tương tự nhau. Chẳng hạn như một phép phân tích mà
phụ thuộc vào một tiêu chuẩn để so sánh sự giống nhau trong sự biểu hiện, và mỗi
thông số đều liên quan đến các đặc điểm khác nhau trong các dữ liệu thu thập được.
Lúc này hai tiêu chuẩn thường được dùng để so sánh “euclidean distances” và
“Pearson’s correlation coefficient distances”. “Euclidean distance” được ưu tiên sử
dụng trong trường hợp khi nghiên cứu một cỡ mẫu rất lớn và sự biểu hiện gen rất
quan trọng, trong khi Pearson’s correlation coefficient distances được sử dụng trong
mô hình mẫu nghiên cứu với sự biểu hiện của gen hay mẫu là tương đối quan trọng.
Nói chung, khi ứng dụng microarray trong việc phân loại các khối u thì sử dụng
Pearson’s correlation coefficient distances sẽ thích hợp hơn.
Sau khi dữ liệu đã được ghi nhận, tiêu chuẩn hóa, chọn lọc và một phương
tiện cho việc so sánh sự giống nhau được chọn, một loạt các phương pháp khác
được tiến hành ứng dụng cho việc phân tích sau này. Các phương pháp cho việc
phân tích sau này được nhóm thành hai nhóm chung: phương pháp “supervised” và
“unsupervised”. Phương pháp “supervised” phụ thuộc vào các kiến thức trước đây
về các mẫu bệnh nhằm tìm kiếm các gen có liên quan đến trạng thái bệnh lý, và
chúng rất hữu dụng cho các nghiên cứu phân loại. Phương pháp “unsupervised”
không phụ thuộc vào các kiến thức đã có trước đây, và chúng được ứng dụng cho
việc xác định các phân nhóm (subgroup) của mẫu đặc trưng cho các bệnh chưa
được nghiên cứu.
5.2. Phương pháp clustering (tìm kiếm sắp xếp nhóm)
Bất kỳ một mục tiêu nào trong nghiên cứu microarray, kỹ thuật đầu tiên được
áp dụng là phương pháp “unsupervised” để xem xét các mẫu sinh học đang nghiên
cứu có nằm trong dữ liệu hay không? Phương pháp “unsupervised” không được ứng
dụng vào việc phân loại, ví dụ như là những mẫu bệnh phẩm được tiến hành thu
57
nhận từ các bệnh nhân u nguyên bào bạch cầu hay bệnh bạch cầu nguyên thủy bào.
Những phương pháp này nhóm các mẫu bệnh phẩm (hay gen hay cả hai) trên cơ sở
dựa trên việc so sánh sự tương quan trong các dữ liệu biểu hiện của chúng.
Hai phương pháp ứng dụng rộng rãi cho việc xem xét sự biểu hiện gen là
“hierarchical clustering” và “k-means clustering”. Các phương pháp này chia dữ
liệu theo từng nhóm, và xác định các nhóm này có ý nghĩa trong việc phân tích có
liên quan đến các dữ liệu thu nhận từ lâm sàng hay không, và đồng thời đòi hỏi phải
phát triển nhiều phương pháp mới.
Hình 4.20. Hình ảnh sắp xếp các dữ liệu bằng phương pháp clustering.
Một bảng dữ liệu chưa được sắp xếp (hình A) và dữ liệu được sắp xếp bằng
Hierarchical clustering, hay phân tích k-means được ứng dụng trong việc xác định
các phân nhóm trong bảng dữ liệu.
6. Ví dụ việc ứng dụng microarray trong việc phân loại khối u
Mục đích là xác định marker phân tử cho phép phân loại carcinoma dạ dày với
mong muốn là trở thành một công cụ trong việc dự đoán lâm sàng. Carcinoma dạ
dày là đối tượng dùng để phân tích bằng microarray khi tiến hành lai với cDNA với
hơn 2504 mẫu dò. Sử dụng hệ thống “Rosstta rough-set based learning”, các nhà
nghiên cứu đưa ra những dự đoán mô hình tăng trưởng của ruột hay là sự phát triển
theo khóa phân loại của Lauren và sự di căn đến hạch bạch huyết dựa trên sự biểu
hiện của gen. Đối với chúng tôi, đây là nghiên cứu đầu tiên trên mô hình carcinoma
mà sự phân chia dựa trên các marker phân tử bằng phương pháp microarray.
Những hiểu biết về đặc điểm phân tử của carcinoma dã dày ngày càng được hiểu
rõ. Những thay đổi về mặt di truyền bao gồm việc khuếch đại gen c-erbB2, đột biến
của gen ras, APC và gen p53 và E-cadherin bị phân cắt. Sự mất đi tính dị hợp tử
trong các carcinoma dạ dày liên quan đến vị trí trên các nhiễm sắc thể số 1, 5, 7, 12,
13 và 17. Các khối u cũng thường biểu hiện vượt mức oncogen Ras và cyclins. Các
cytokine cũng được biểu hiện một cách vượt mức và carcinoma dạ dày cũng có thể
biểu hiện các peptide điều hòa như là các yếu tố tăng trưởng biểu mô (EGF), yếu tố
truyền tín hiệu tăng trưởng alpha (TGF-α), hay các yếu tố tăng trưởng có nguồn gốc
từ tiểu cầu (PDGF) và yếu tố tăng trưởng giống insulin II (ILGF-II), yếu tố tăng
58
trưởng tế bào gai (HGF) và các receptor của nó c-met cũng được biểu hiện một cách
vượt mức. Việc phân chia theo Lauren cũng tương ứng với một số bất thường trong
di truyền. Mục đích của nghiên cứu này là tiến hành khảo sát sự biểu hiện gen trong
các khối u sơ cấp trong bệnh nhân bị carcinoma dạ dày bằng phương pháp
microarray nhằm tìm kiếm và phân tích mối quan hệ giữa sự biểu hiện gen với các
thông số liên quan đến khối u.
6.1. Chuẩn bị sinh phẩm khối u
Khối u được thu nhận càng sớm càng tốt từ phòng giải phẩu bệnh học và giữ
trong formalin hay đông lạnh giữ trong nitrogen lỏng. Phần được xử lý bằng
fomaline sẽ tiến hành nhuộm mô với hematoxylin-eosin. Phần mô đông lạnh sẽ
được đồng nhất trong dung dịch buffer guanidinum-isothiocyanate và tổng số RNA
được chiết ra bằng phương pháp siêu ly tâm trong nồng độ cesium chloride, thu
nhận kết tủa, tinh chế với TRIzol (phenol-guanidinium-thiocyanate) và tiến hành
phân tách bằng điện di trên gel agarose và ước lượng các băng 18S và 28S rRNA.
Còn đối với việc phân tích bằng microarray sẽ không tiến hành làm phân tách rRNA.
6.2. Quy trình microarray
Các arrays được chuẩn bị và sử dụng mẫu dò cDNA để tái biểu hiện lại 2504
chuỗi trình tự khác nhau của người (Research Genetivà cs, Huntsville, AL) (Đoạn
cDNA bổ sung có thể tìm trên 
bao gồm 1500 gen đã được xác định trong NCI oncochip
( Các mẫu dò sẽ được in vào tấm kính đã được phủ
bằng amino-saline (Corning CMT-GAPS, Corning, Corning, NY) bằng cách sử
dụng một printing robot được thiết lập với sự cộng tác của NEMKO (Trodheim,
Norway) sau khi mẫu ban đầu được phát triển tại NHGRI (National Human
Genome Research Institute).
Các RNA (Universal Human Reference RNA) thu nhận từ Stratagene
(LaJolla, CA) chứa đựng toàn bộ RNA từ 10 dòng khác nhau đã được chọn lôc
nhằm làm tối ưu hóa trong phân tích microarray, và tổng RNA trong khối u (1 g),
đã được dịch nghịch đảo nhuộm với Cy3- và Cỵ-attached dendrimer. Sử ụng
protocol của bộ kit 3DNA dendrimer kit (Genisphere, NJ). Các array được quét với
laser có bước sóng 532 và 633 nm được phát triển bởi NHGRI.
6.2.1. Phân tích dữ liệu
Microarray được phân tích bằng chương trình Scanalytivà cs’ MicroArray Suite
với mặc định định dạng ban đầu. Các kỹ thuật tiêu chuẩn hóa gồm global và prittip
được sử dụng với từng array. Khi sử dụng phương pháp tiêu chuẩn hóa global
chúng tôi nhận thấy rằng thường cho thấy có một mối liên hệ cao giữa các điểm trên
phiến array. Do đó, mỗi array được tiến hành Global tiêu chuẩn hóa và tiến hành
phân tích với tỷ số log2. Những điểm không được tin cậy sẽ được loại bỏ sau khi
phân tích tán xạ các điểm trên phiến array.
59
Microarray được phân tích với các thông số sau: phân chia theo mô học
(Lauren, khuếch tán hay ruột), khía cạnh khối u sơ cấp (cardia, corpus hay là
antrum), có sự di căn đến hạch bạch huyết hay không Với mỗi thông số, dữ liệu
khối u chứa hai hay 3 lớp, một “lớp” có giá trị của một thông số liên quan đến mẫu
bệnh phẩm nghiên cứu (ví dụ: có hay không sự di căn). Các gen có sự biểu hiện
khác nhau giữa các lớp của mỗi thông số khảo sát và sử dụng phương pháp phân
tích t-test để xác định. Việc đo lường mỗi mẫu dò được kiểm tra riêng biệt bằng
cách ghi nhận tỷ lệ log2 từ microarray.
t-test được kiểm tra với giá trị P  0.01 thì được chấp nhận; nếu như kết nhận
được từ phép test này quá ít thì các gen ở mức độ giá trị P  0.05 hay P  0.10. Kỹ
thuật viên phân loại sẽ tối ưu hóa bằng cách điều chỉnh số lượng các gen lớn nhất sẽ
dao động từ 10 – 40 gen. Sau đó tỷ lệ log2 cảu mỗi gen sẽ được ghi nhận bằng cách
sử dụng thuật toán Fayyad và Irarni để chuyển đổi, định lượng dữ liệu thu nhận được.
6.2.2. Kết quả thu nhận từ microarray
Các mẫu khối u được thu nhận từ 17 bệnh nhân, 6 nam và 11 nữ. Theo sự phân
chia của Lauren thì 8 mẫu được xác định từ ruột và 8 mẫu khuếch tán; 4 mẫu là
cardiac, 7 mẫu là corpus và 6 mẫu thuộc vùng antrum. Các dữ liệu thô thu nhận từ
microarray được tìm thất trong 
Các gen được tiến hành xác định, phân tích dựa trên 6 thông số (bảng 1). Một vài
các nhà kỹ thuật viên phân loại thu nhận được có độ chính xác cao và có giá trị
AUC (Area-under-curve) rất cao, điều này cho thấy các nhóm của thông số này có
thể dùng để dự đoán một mức độ tin cậy khá cao. Kết quả tốt nhất thường được thu
nhận khi không có hơn 10 hay 20 gen với bootstrap t-statistic cao.
Các tính chất (tính chính xác, cường độ, tính chuyên biệt, AUC) đã được
trình bày ở bảng trên. Mỗi thuật toán đều được tiến hành đánh giá với cross-
validation, Số lượng các gen xảy ra trong ít nhất một nhóm phân loại được xác định
bằng thuật toán cross-vadidation.
Ở đây xuất hiện một vài vấn đề của việc điều chỉnh quá mức các nhóm phân
loại khi trong một chỉ có 3 – 5 mẫu như trong trường hợp thẩm thấu của lớp thành
của ruột, di căn xa, gastrin trong niêm mạc. Do đó, ý nghĩa của mỗi phân nhóm
được tiến hành đánh giá với phép hoán vị mà đánh giá khả năng kết quả có thể đạt
được trong mỗi trường hợp. Trong mỗi thông số lâm sàng, chúng tôi tiến hành tạo
60
2000 mẫu tổ hợp dữ liệu ngẫu nhiên, xáo trộn các nhóm đã đánh dấu các thông số.
Cách tiến hành đánh giá theo full-cross-validation được lặp lại đối với mỗi nhóm dữ
liệu ngẫu nhiên và ghi nhận lại giá trị AUC. Giá trị P sẽ được đánh giá bằng cách
đếm số lượng các dữ liệu ngẫu nhiên có giá trị AUC cao hơn hay bằng với giá trị
AUC gốc (được trình bày ở bảng 2). Kết quả phân tích này cho thấy rằng các nhóm
phân loại mô học của Lauren, di căn hạch bạch huyết có kết quả đáng tin cậy và
thuyết phục. Phân nhóm cho sự định cư của khối u cho thấy giá trị P dưới 0.05 và
đáng được ghi nhận lại. Việc khuyết tán của thành ruột có một giá trị hơi cao so với
giá trị 0.05 và đây được xem là ranh giới. Do đó, phân nhóm này cần phải được xử
lý một cách thận trọng hơn. Đối với trường hợp có sự di căn xa và gastrin huyết
thanh có giá trị P trên 0.1 và đương nhiên không có giá trị sử dụng.
6.3. Các gen trong các nhóm phân loại
Xem xét dưới gốc độ sinh học phân tử sẽ tiến hành khảo sát các gen trong mỗi
nhóm. Các gen sử dụng trong mỗi nhóm có thể được phân biệt giữa một mẫu khối u
trong một nhóm với khối u của nhóm khác với các thông số lâm sàng (ví dụ như là
phân biệt giữa sự hiện diện và vắng mặt trong sự di căn đến bạch huyết). Do vậy,
các gen này mã hóa các protein có vai trò quan trọng trong các thông số cơ bản của
sinh học phân tử. Bảng 3 cho thấy một loạt các gen được sử dụng cho mỗi phân
nhóm được thiết lập bằng phương pháp đánh giá cross-validation. Đây rất quan
trọng trong việc ghi nhận lại phương pháp leave-one-out cross validation tạo ra một
phân nhóm đối với mỗi mẫu được đánh giá theo các thông số này (ở đây có tất cả
17 nhóm cho tất cả các thông số ngoại trừ trường hợp gastrin và sự di căn mà trong
trường hợp này sữ liệu chỉ có giá trị đối với 14 hay 13 bệnh nhân). Các gen có tỉ lệ
cao trong nhóm đối với mỗi thông số sẽ được sử dụng cho việc phân loại các nhóm
trong thông số đó. Ví dụ như là gen ISG15 xuất hiện tất cả mỗi nhóm do vậy có thể
thiết lập cross-validation cho tất cả các thuật toán kiểm tra cho sự di căn của khối u.
ngược lại là gen FAT chỉ xuất hiện trong duy nhất một hoặc hai phân nhóm.
Các gen trong phân nhóm mã hóa cho protein có những chức năng khác nhau:
có vai trò trong việc truyền tín hiệu xuyên màng, tổng hợp protein, phân chia tế bào,
biệt hóa tế bào, thành phân chất nền ngoại bào, các phân tử kết dính tế bào bên
cạnh đó, chúng tôi cũng tìm kiếm thấy một vài các gen chưa biết được chức năng của
61
chúng. Các nhóm gen được xem như là liên quan đến dự đoán lâm sàng từ khi phát
hiện sự biểu hiện của các gen này có liên quan đến khối u carcinoma dạ dày.
Nhuộm mô: ruột hay khuếch tán
Chỉ duy nhất 3 gen được sử dụng trong hơn hai nhóm đối với việc nhuộm mô
hai nhóm này. Một là gen BRCA2, được biểu hiện ở một mức độ khá cao trong khối
u với sự biệt hóa ruột. Sản phẩm của gen này tham gia vào quá trình sữa chữa DNA.
Đột biến tring gen này liên quan đến sự nhảy cảm trong một vài khối u trong đó là
carcinoma gastric. Trước đây chưa có một thông tin rõ ràng nào liên quan đến các
subtype của carcinoma dạ dày với sự bất hoạt của BRCA2.
Trong những nghiên cứu gần đây cho thấy việc phân tích bằng microarray
carcinma dạ dày có thể cung cấp các dữ liệu có ý nghĩa quan trọng trong việc xem
xét các đặc điểm mô học lâm sàng. Tuy nhiên, chúng tôi cố gắng tạo các nhóm có
độ tin cậy cao với các thông số lâm sàng quan trọng. Công việc của chúng tôi cũng
xác định một số các gen mà trước đây chưa được biết đến mà có sự biểu hiện trong
các mẫu carcinoma.
Một số các gen mà chúng tôi phát hiện thấy có liên quan đến các mẫu
carcinoma, cá gen này là IMPDH2, ITGA3, TRIP10, VÀ CSPG2, CDH17 và
COL6A3. Hơn nữa, gen IGFBP2 chúng tôi phát hiện với một mức độ biểu hiện thấp
trong khối u của thành dạ dày và gen này đã được báo cáo trong các bài báo trước
đây.
Có rất nhiều nghiên cứu cho thấy rằng việc sử dụng phương pháp microarray
có thể dùng để thiết lập sự biểu hiện các gen nhằm xác định phân nhóm các khối u
mà liên quan đến các thông số dự đoán lâm sàng. Các nghiên cứu này đã được thực
hiện với bệnh ung thứ vú, u bạch huyết. Trong các nghiên cứu gần đây, chúng tôi
tập trung tiến hành phân nhóm và dự đoán một vài thông số dựa trên các thông số
khác nhau dựa trên sự biểu hiện các gen được phân tích bởi microarray. Việc phân
tích này được xem như là một bước khởi đầu cho việc nghiên cứu các phân tử liên
quan đến việc phân chia các dạng ung thư.
62
63
TÀI LIỆU THAM KHẢO
[1] Stefan Lorkowski, Paul Cullen (Editors), Analysing Gene Expression,
Copyright ® 2003 Wiley-VCH Verlag GmbH & Co. KgaA.
[2] Kristin G. Nørsett, Astrid Lægreid, Herman Midelfart, Fekadu Yadetie,
Gene expression based classification of gastric carcinoma, 2004.