ประโยชน์ของวิชาแคลคูลัส กับการตรวจวิเคราะห์ดีเอ็นเอ (DNA Analysis)

นพ.ประสิทธิ์ วิริยะกิจไพบูลย์

11 ชั่วโมง ago

ช่วงนี้เห็นน้องๆ ม.ปลาย กำลังขะมักเขม้นติววิชาแคลคูลัสเพื่อเตรียมสอบกันอย่างหนัก เห็นแล้วก็ทำให้อดนึกย้อนกลับไปตอนที่ตัวเองอยู่ ม.ปลาย ไม่ได้

สารภาพตามตรงว่าตอนนั้น “แคลคูลัส” เป็นวิชาที่ผมไม่เข้าใจแก่นของมันเลยสักนิดเดียว สิ่งที่ทำในตอนนั้นมีแค่วิ่งตามสูตร ตะลุยทำโจทย์ไปเรื่อยๆ เพื่อเอาคะแนนสอบ โดยมองภาพไม่ออกเลยว่าจะเอาสิ่งนี้ไปใช้ทำอะไรในชีวิตจริง เพราะโจทย์ที่เคยเจอก็แทบไม่มีอะไรที่เชื่อมโยงกับโลกภายนอกห้องสอบเลย

พอสอบติดเข้ามาเรียนหมอ ในชั้นปีที่ 1 ก็ยังมีวิชาแคลคูลัสให้ต้องเรียนรวมกับเพื่อนๆ คณะอื่นอีกครั้ง แต่ความรู้สึกก็ยังวนกลับมาที่เดิมคือ “เรียนไปเพื่ออะไรกันแน่?” จนกระทั่งสอบผ่านแล้วปล่อยมันทิ้งไว้ข้างหลัง

จนกระทั่งเมื่อไม่นานมานี้ ได้มีโอกาสดูคลิปของคุณ ซ.ต.พ. (https://vt.tiktok.com/ZS9EoTmhc/) ถึงเพิ่งเริ่มเข้าใจและเห็นภาพแคลคูลัสในมุมใหม่

และยิ่งมาตระหนักได้ว่า แท้จริงแล้วแคลคูลัสสัมพันธ์กับ การตรวจและการวิเคราะห์ดีเอ็นเอ (DNA Analysis) อย่างลึกซึ้งมาก แม้ในชีวิตการทำงาน เราจะไม่ได้เห็นสูตรดิฟหรืออินทิเกรตโผล่มาบนใบรายงานผลตรวจโดยตรง แต่แคลคูลัสคือกลไกคณิตศาสตร์เบื้องหลังที่ทำให้นักวิทยาศาสตร์ประมวลผลข้อมูลทางพันธุกรรมมหาศาล คำนวณอัตราการเพิ่มของสายดีเอ็นเอในกระบวนการ PCR หรือกรองสัญญาณรบกวนในการอ่านลำดับเบสได้อย่างแม่นยำ ตัวอย่างที่เอาแคลคูลัส มาใช้ในด้านพันธุศาสตร์ และการตรวจ DNA เช่น

1. การเพิ่มจำนวนดีเอ็นเอ (PCR – Polymerase Chain Reaction)

ในการตรวจดีเอ็นเอ เรามักต้องคัดลอกดีเอ็นเอจากปริมาณน้อย ๆ ให้มีปริมาณมากพอที่จะตรวจได้ กระบวนการนี้เรียกว่า PCR ซึ่งมีการเติบโตแบบ Exponential Growth

แคลคูลัสเข้ามาช่วยอย่างไร: นักวิทยาศาสตร์ใช้แคลคูลัส (โดยเฉพาะเรื่องอนุพันธ์และอัตราการเปลี่ยนแปลง) เพื่อคำนวณหา อัตราการเพิ่มขึ้นของสายดีเอ็นเอ ในแต่ละรอบ และสร้างแบบจำลองเพื่อหาจุดที่ปฏิกิริยาเริ่มคงที่ (Plateau phase) เพื่อหาความเข้มข้นเริ่มต้นที่แม่นยำ

สูตรทางคณิตศาสตร์ของ Exponential Growth (การเติบโตแบบทวีคูณ) จะแบ่งออกเป็น 2 รูปแบบหลักตามลักษณะของข้อมูล:

1.1 แบบต่อเนื่อง (Continuous Growth)

เป็นรูปแบบที่นิยมใช้ในทางวิทยาศาสตร์ แคลคูลัส การแพทย์ และการคำนวณชีวโมเลกุล (เช่น การเพิ่มจำนวนประชากรแบคทีเรีย หรือสารเคมีในระบบปิด)

N(t) = N_0 \cdot e^{kt}

ความหมายของแต่ละตัวแปร:

$N(t)$ คือ จำนวนหรือปริมาณที่เวลา $t$
$N_0$ คือ ปริมาณเริ่มต้น (Initial value ณ เวลา $t = 0$ )
$e$ คือ ค่าคงที่ออยเลอร์ (Euler’s number) มีค่าประมาณ $2.71828$
$k$ คือ อัตราการเติบโตสัมพัทธ์ (Relative growth rate) โดยที่ $k > 0$
$t$ คือ เวลาที่ผ่านไป

ที่มาทางแคลคูลัส: สูตรนี้ได้มาจากการแก้สมการเชิงอนุพันธ์ $\frac{dN}{dt} = kN$ ซึ่งหมายความว่า “อัตราการเปลี่ยนแปลงของปริมาณ ณ ขณะใดขณะหนึ่ง จะแปรผันตรงกับปริมาณที่มีอยู่ ณ ขณะนั้น”

1.2 แบบเป็นรอบ / ไม่ต่อเนื่อง (Discrete Growth)

เป็นรูปแบบที่ใช้คำนวณเหตุการณ์ที่มีการทวีคูณเป็นรอบชัดเจน เช่น การเพิ่มจำนวนดีเอ็นเอในแต่ละรอบของกระบวนการ PCR (Polymerase Chain Reaction) หรือดอกเบี้ยทบต้น

กรณีเฉพาะของกระบวนการ PCR:

เนื่องจากในสภาวะสมบูรณ์ สาย DNA จะเพิ่มขึ้น 2 เท่าในทุกๆ 1 รอบ (Cycle) สูตรจึงลดรูปเหลือ:

N_n = N_0 \cdot 2^n

ความหมายของแต่ละตัวแปร:

$N_n$ คือ ปริมาณ DNA หลังผ่านไป $n$ รอบ
$N_0$ คือ ปริมาณ DNA เริ่มต้น
$n$ คือ จำนวนรอบ (Cycle) ของปฏิกิริยา PCR

2. การหาลำดับพันธุกรรม (DNA Sequencing)

การอ่านรหัสพันธุกรรม (A, T, C, G) ในปัจจุบันใช้เทคโนโลยีที่เรียกว่า Next-Generation Sequencing (NGS) ซึ่งผลิตข้อมูลดิบมหาศาลและมีความซับซ้อน

แคลคูลัสและการประมวลผลสัญญาณ: เครื่องตรวจจะอ่านสัญญาณแสงหรือสัญญาณไฟฟ้าที่เกิดขึ้นเมื่อมีการต่อสายดีเอ็นเอ แคลคูลัสถูกใช้ในอัลกอริทึมเพื่อ กรองสัญญาณรบกวน (Noise Filtering) และคำนวณหาความน่าจะเป็นที่รหัสนั้นจะถูกต้องที่สุด
การหาค่าพื้นที่ใต้กราฟ: ในการวิเคราะห์ลำดับเบส กราฟที่แสดงความเข้มข้นของสัญญาณต้องถูกนำมาคำนวณหาพื้นที่ (Integration) เพื่อยืนยันปริมาณและคุณภาพของดีเอ็นเอในตำแหน่งนั้น ๆ

การหาค่าพื้นที่ใต้กราฟในทางแคลคูลัส เรียกว่า การอินทิเกรตแบบจำกัดเขต (Definite Integration) ครับ ซึ่งเมื่อนำมาประยุกต์ใช้กับการวิเคราะห์ลำดับเบสดีเอ็นเอ (DNA Sequencing) จะมีหน้าตาของสมการและการตีความดังนี้ครับ

สูตรพื้นฐานของการหาพื้นที่ใต้กราฟ

A = \int_{a}^{b} f(x) \, dx

เมื่อนำสูตรนี้มาสวมเข้ากับการทำงานของเครื่องตรวจดีเอ็นเอ ความหมายของแต่ละตัวแปรจะเป็นดังนี้ครับ:

$A$ (Area หรือพื้นที่ใต้กราฟ): คือ ปริมาณดีเอ็นเอหรือคุณภาพของสัญญาณ หากพื้นที่นี้มีค่ามากและชัดเจน เครื่องจะตีความว่ามีการอ่านพบเบส (A, T, C หรือ G) ตัวนั้นจริงๆ ไม่ใช่แค่สัญญาณรบกวน (Noise)
$f(x)$ (ฟังก์ชันความเข้มข้น): คือค่า ความเข้มของสัญญาณ (เช่น ความสว่างของแสงฟลูออเรสเซนต์ หรือค่ากระแสไฟฟ้า) ที่เครื่องตรวจจับได้ ณ เวลา $x$ ใดๆ กราฟนี้มักจะพุ่งขึ้นเป็นรูประฆังคว่ำหรือเป็น “พีก” (Peak)
$a$ และ $b$ (ขอบเขตจำกัด): คือ จุดเริ่มต้นและจุดสิ้นสุดของเวลา ที่เกิดสัญญาณพีกนั้นขึ้น
$dx$ : คือช่วงเวลาเล็กๆ ที่เครื่องทำการบันทึกข้อมูลอย่างต่อเนื่อง

ภาพจำลองการใช้งานจริงในเครื่อง Sequencing

เวลาที่เครื่องตรวจอ่านรหัสพันธุกรรม มันไม่ได้อ่านออกมาเป็นตัวอักษรตรงๆ แต่จะอ่านเป็น “สัญญาณแสง” หรือ “ประจุไฟฟ้า” ที่วาบขึ้นมาแล้วดับไป

การกรองสัญญาณ: ถ้าเครื่องตรวจจับสัญญาณแสงได้เล็กน้อย (พีกเตี้ยๆ) เมื่ออินทิเกรตหาพื้นที่ ( $A$ ) แล้วได้ค่าน้อยมาก อัลกอริทึมจะใช้แคลคูลัสตัดข้อมูลนี้ทิ้งเพราะถือว่าเป็น “สัญญาณรบกวน (Noise)”
การอ่านเบสซ้ำ (Homopolymers): ในกรณีที่เครื่องอ่านเจอเบสเรียงติดกัน เช่น “AAA” สัญญาณแสงจะวาบนานกว่าปกติ การใช้อินทิเกรตเพื่อหาพื้นที่ใต้กราฟรวมทั้งหมด จะช่วยให้นักวิทยาศาสตร์คำนวณย้อนกลับได้ว่า พื้นที่ขนาดนี้เทียบเท่ากับตัวอักษร A จำนวนกี่ตัว

จะเห็นได้ว่าในคอมพิวเตอร์ที่ใช้ประมวลผลข้อมูลทางพันธุกรรม จะมีสมการอินทิเกรตฝังอยู่ในรูปแบบของโค้ดโปรแกรม เพื่อทำการ “หาพื้นที่ใต้กราฟ” ของสัญญาณนับล้านๆ พีกในเสี้ยววินาทีครับ

3. พันธุศาสตร์ประชากร (Population Genetics)

เวลาที่เราตรวจ DNA เพื่อหาต้นตระกูล (Ancestry Test) หรือตรวจหาความสัมพันธ์ทางสายเลือด

แบบจำลองการเปลี่ยนแปลง: นักวิทยาศาสตร์ใช้แคลคูลัสในการสร้างแบบจำลอง อัตราการกลายพันธุ์ (Mutation Rate) และการแพร่กระจายของยีนในประชากรตามกาลเวลา
ความน่าจะเป็นเชิงสถิติ: การคำนวณโอกาสที่คนสองคนจะมีดีเอ็นเอตรงกันโดยบังเอิญ ต้องใช้การคำนวณขั้นสูงที่มีพื้นฐานมาจากแคลคูลัสและสถิติ เพื่อให้ผลการตรวจ “ความเป็นพ่อแม่ลูก” มีความแม่นยำระดับ 99.99%

ในทางพันธุศาสตร์ประชากร (Population Genetics) การเปลี่ยนแปลงของยีนและการกลายพันธุ์ไม่ได้เกิดขึ้นแบบสุ่มโดยไร้ทิศทางเสมอไป แต่มันมี “อัตราความเร็ว” ที่สามารถคำนวณและพยากรณ์ได้ด้วย สมการเชิงอนุพันธ์ (Differential Equations) ครับ

นี่คือ 2 สมการคลาสสิกที่แสดงให้เห็นว่าแคลคูลัสใช้อธิบายการกลายพันธุ์และการแพร่กระจายของยีนอย่างไร:

3.1 สมการอัตราการกลายพันธุ์ (Mutation Rate Model)

สมมติว่าเรามียีนดั้งเดิม (ยีน A) ที่สามารถกลายพันธุ์ไปเป็นยีนแบบใหม่ (ยีน a) ด้วยอัตราคงที่ เราสามารถเขียนความเร็วในการหายไปของยีนดั้งเดิมได้ด้วยสมการอนุพันธ์:

\frac{dp}{dt} = -\mu p

ความหมายของแต่ละตัวแปร:

$\frac{dp}{dt}$ : คือ “อัตราการเปลี่ยนแปลง” ของความถี่ยีน A เทียบกับเวลา $t$ (แคลคูลัสคือเรื่องของการวัดอัตราการเปลี่ยนแปลงครับ)
$p$ : คือ ความถี่ของยีน A ในประชากร ณ ขณะนั้น
$\mu$ (มิว): คือ อัตราการกลายพันธุ์ (Mutation rate) ต่อหนึ่งช่วงอายุ (Generation)
เครื่องหมายลบ ( $-$ ): แสดงให้เห็นว่าความถี่ของยีนดั้งเดิมกำลัง “ลดลง” เมื่อเวลาผ่านไป

เมื่อนักคณิตศาสตร์ชีววิทยาทำการ อินทิเกรต (Integrate) สมการนี้ เพื่อหาว่าถัดไปอีก $t$ รุ่น ยีน A จะเหลือเท่าไหร่ จะได้สูตรสำเร็จคือ:

p_t = p_0 e^{-\mu t}

(โดย $p_0$ คือความถี่ยีนเริ่มต้น และ $e$ คือค่าคงที่ทางคณิตศาสตร์)

การนำไปใช้จริง: สมการนี้คือพื้นฐานที่นักวิทยาศาสตร์ใช้คำนวณ “นาฬิกาโมเลกุล” (Molecular Clock) เพื่อย้อนรอยว่ามนุษย์เราแยกสายวิวัฒนาการมาจากบรรพบุรุษเมื่อกี่แสนปีที่แล้ว จากการดูปริมาณการกลายพันธุ์ที่สะสมในดีเอ็นเอครับ

3.2 สมการการแพร่กระจายของยีนในประชากร (Gene Spread / Natural Selection)

เมื่อเกิดการกลายพันธุ์ขึ้นแล้ว ถ้ายีนใหม่นั้นมีประโยชน์ (เช่น ทำให้ต้านทานโรคได้ดีขึ้น) ยีนนั้นจะแพร่กระจายเข้าไปในประชากร แคลคูลัสอธิบายความเร็วในการแพร่กระจายนี้ด้วยสมการที่เรียกว่า Logistic Equation:

\frac{dp}{dt} = s p (1 - p)

ความหมายของแต่ละตัวแปร:

$\frac{dp}{dt}$ : คือ อัตราความเร็วในการเพิ่มขึ้นของยีนที่กลายพันธุ์
$p$ : คือ ความถี่ยีนกลายพันธุ์ที่มีอยู่แล้วในประชากร
$(1 - p)$ : คือ สัดส่วนของคนที่ยังไม่มียีนนี้ (พื้นที่ว่างให้ยีนนี้แพร่กระจายไปได้)
$s$ : คือ ค่าสัมประสิทธิ์การคัดเลือก (Selection coefficient) ยิ่งยีนนี้มีประโยชน์มาก ค่า $s$ ก็จะยิ่งสูง

กราฟตัวเอส (S-Curve):

หากเราแก้สมการอนุพันธ์นี้ออกมาเป็นกราฟ เราจะได้กราฟรูปตัวเอส (S-Curve) ซึ่งอธิบายความเป็นจริงของธรรมชาติได้สวยงามมากครับ:

ช่วงแรก ( $p$ ยังน้อย): ยีนใหม่ค่อยๆ เพิ่มขึ้นอย่างช้าๆ
ช่วงกลาง: ยีนแพร่กระจายอย่างรวดเร็วมาก (จุดที่ $\frac{dp}{dt}$ มีค่าสูงสุด)
ช่วงท้าย (เมื่อ $p$ ใกล้ $1$ ): ประชากรเกือบทุกคนมียีนนี้หมดแล้ว อัตราการเพิ่มจะชะลอตัวลงจนหยุดนิ่ง (เพราะ $(1-p)$ มีค่าเข้าใกล้ศูนย์)

การนำไปใช้จริง:

สมการชุดนี้ถูกนำมาใช้อย่างแพร่หลายในช่วงการระบาดของโควิด-19 ครับ นักระบาดวิทยาและนักพันธุศาสตร์ใช้โมเดลแบบเดียวกันนี้ในการคำนวณว่า ไวรัสสายพันธุ์ใหม่ (เช่น เดลตา หรือ โอมิครอน) ที่กลายพันธุ์แล้ว จะใช้เวลากี่สัปดาห์ในการแพร่กระจายจนกลายเป็นสายพันธุ์หลัก (Dominant strain) แทนที่สายพันธุ์เดิมในประเทศนั้นๆ

4. โครงสร้างสามมิติของดีเอ็นเอ (Bioinformatics)

ดีเอ็นเอไม่ได้เป็นแค่เส้นตรง แต่มันขดตัวและบิดเกลียวในพื้นที่สามมิติ

Geometry & Calculus: การจะเข้าใจว่าดีเอ็นเอขดตัวอย่างไร หรือโปรตีนตัวไหนจะเข้าไปจับกับดีเอ็นเอตรงจุดใด ต้องใช้แคลคูลัสในการคำนวณ แรงยึดเหนี่ยวทางเคมี (Chemical Bonds) และ พลังงานศักย์ต่ำสุด (Energy Minimization) เพื่อพยากรณ์โครงสร้างที่เสถียรที่สุด

สำหรับคนที่สนใจอยากเรียนรู้เกี่ยวกับเรื่องแคลคูลัสกับ DNA เพิ่มเติม

ลองเสิชคำเหล่านี้เพิ่มเติมใน google ได้ครับ

Mathematical models in DNA sequencing
Calculus applications in Polymerase Chain Reaction
Biomathematics DNA folding energy minimization
Differential equations in population genetics

จะเห็นได้ว่า วิชาแคลคูลัสนั้น แม้จะไม่ได้ใช้ในชีวิตประจำวันของคนทั่วๆไป แต่สามารถเรียนรู้และนำไปต่อยอดเทคโนโลยีต่างๆได้อย่างมากมาย ดังนั้น น้องๆที่กำลังเรียน กำลังสอบอยู่ ก็พยายามเข้านะครับ ฮึบๆสู้ๆ ส่วนกระผมตอนนี้นั้น ลืมวิชาแคลคูลัสไปหมดแล้วครับ 🤣🤣🤣

บทความโดย: นายแพทย์ ประสิทธิ์ วิริยะกิจไพบูลย์

Disclaimer: ข้อมูลและสมการทางแคลคูลัสในบทความนี้ รวบรวมจากการค้นคว้าผ่านอินเทอร์เน็ต และได้รับการเรียบเรียงรายละเอียดเชิงลึกด้วยความช่วยเหลือจากปัญญาประดิษฐ์ (Gemini) เพื่อแปลงข้อมูลทางคณิตศาสตร์ที่ซับซ้อนให้เข้าใจง่ายและเห็นภาพการนำไปใช้จริง บทความนี้จัดทำขึ้นเพื่อแบ่งปันความรู้และสร้างแรงบันดาลใจในการศึกษาเท่านั้น

​1. การเพิ่มจำนวนดีเอ็นเอ (PCR – Polymerase Chain Reaction)

1.1 แบบต่อเนื่อง (Continuous Growth)

1.2 แบบเป็นรอบ / ไม่ต่อเนื่อง (Discrete Growth)

​2. การหาลำดับพันธุกรรม (DNA Sequencing)

สูตรพื้นฐานของการหาพื้นที่ใต้กราฟ

ภาพจำลองการใช้งานจริงในเครื่อง Sequencing

​3. พันธุศาสตร์ประชากร (Population Genetics)

3.1 สมการอัตราการกลายพันธุ์ (Mutation Rate Model)

3.2 สมการการแพร่กระจายของยีนในประชากร (Gene Spread / Natural Selection)

​4. โครงสร้างสามมิติของดีเอ็นเอ (Bioinformatics)

​สำหรับคนที่สนใจอยากเรียนรู้เกี่ยวกับเรื่องแคลคูลัสกับ DNA เพิ่มเติม

1. การเพิ่มจำนวนดีเอ็นเอ (PCR – Polymerase Chain Reaction)

2. การหาลำดับพันธุกรรม (DNA Sequencing)

3. พันธุศาสตร์ประชากร (Population Genetics)

4. โครงสร้างสามมิติของดีเอ็นเอ (Bioinformatics)

สำหรับคนที่สนใจอยากเรียนรู้เกี่ยวกับเรื่องแคลคูลัสกับ DNA เพิ่มเติม