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)

แคลคูลัสกับการตรวจดีเอ็นเอ-exponential growth 1

ความหมายของแต่ละตัวแปร:
  • N(t) คือ จำนวนหรือปริมาณที่เวลา t
  • N0 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 dN/dt = kN ซึ่งหมายความว่า “อัตราการเปลี่ยนแปลงของปริมาณ ณ ขณะใดขณะหนึ่ง จะแปรผันตรงกับปริมาณที่มีอยู่ ณ ขณะนั้น”

1.2 แบบเป็นรอบ / ไม่ต่อเนื่อง (Discrete Growth)

เป็นรูปแบบที่ใช้คำนวณเหตุการณ์ที่มีการทวีคูณเป็นรอบชัดเจน เช่น การเพิ่มจำนวนดีเอ็นเอในแต่ละรอบของกระบวนการ PCR (Polymerase Chain Reaction) หรือดอกเบี้ยทบต้น

แคลคูลัสกับการตรวจดีเอ็นเอ-exponential growth 2

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

แคลคูลัสกับการตรวจดีเอ็นเอ-exponential growth 3

ความหมายของแต่ละตัวแปร:
  • Nn คือ ปริมาณ DNA หลังผ่านไป n รอบ
  • N0 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

แคลคูลัสกับการตรวจดีเอ็นเอ-exponential growth 4

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

  1. การกรองสัญญาณ: ถ้าเครื่องตรวจจับสัญญาณแสงได้เล็กน้อย (พีกเตี้ยๆ) เมื่ออินทิเกรตหาพื้นที่ (A) แล้วได้ค่าน้อยมาก อัลกอริทึมจะใช้แคลคูลัสตัดข้อมูลนี้ทิ้งเพราะถือว่าเป็น “สัญญาณรบกวน (Noise)”

  2. 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:

แคลคูลัสกับการตรวจดีเอ็นเอ-exponential growth 5

ความหมายของแต่ละตัวแปร:

  • dp/dt: คือ “อัตราการเปลี่ยนแปลง” ของความถี่ยีน A เทียบกับเวลา t (แคลคูลัสคือเรื่องของการวัดอัตราการเปลี่ยนแปลงครับ)

  • p: คือ ความถี่ของยีน A ในประชากร ณ ขณะนั้น

  • u (มิว): คือ อัตราการกลายพันธุ์ (Mutation rate) ต่อหนึ่งช่วงอายุ (Generation)

  • เครื่องหมายลบ (–): แสดงให้เห็นว่าความถี่ของยีนดั้งเดิมกำลัง “ลดลง” เมื่อเวลาผ่านไป

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

แคลคูลัสกับการตรวจดีเอ็นเอ-exponential growth 6

(โดย p0 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:

แคลคูลัสกับการตรวจดีเอ็นเอ-exponential growth 7

ความหมายของแต่ละตัวแปร:

  • 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:

  1. ช่วงแรก (p ยังน้อย): ยีนใหม่ค่อยๆ เพิ่มขึ้นอย่างช้าๆ

  2. ช่วงกลาง: ยีนแพร่กระจายอย่างรวดเร็วมาก (จุดที่ dp/dt มีค่าสูงสุด)

  3. 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