Cách một nhà nghiên cứu dùng Codex và ChatGPT để tìm chất kháng vi sinh vật mới

Các vi sinh vật kháng thuốc, bao gồm vi khuẩn, nấm, ký sinh trùng và vi-rút, đang trở thành mối đe dọa ngày càng lớn trên toàn cầu. Khoảng năm triệu ca tử vong trong năm 2021 có liên quan⁠(mở trong cửa sổ mới) đến tình trạng vi khuẩn kháng thuốc kháng vi sinh vật. Con số tử vong hằng năm này được dự báo sẽ tăng khoảng gấp đôi vào năm 2050. Có thể mất nhiều năm để tìm ra những phân tử có tiềm năng trở thành thuốc kháng vi sinh vật. Các nhà nghiên cứu đang dùng AI để đẩy nhanh giai đoạn khám phá ban đầu này.

“Theo tôi, tình trạng kháng thuốc kháng vi sinh vật là một trong những mối đe dọa hiện hữu lớn nhất đối với nhân loại”, César de la Fuente⁠(mở trong cửa sổ mới), một kỹ sư sinh học có phòng thí nghiệm liên ngành chuyên tìm kiếm các ứng viên kháng vi sinh vật, cho biết. “Thế nhưng suốt 50 năm qua, chúng ta chưa có một nhóm kháng sinh mới nào.”

Phần lớn hoạt động phát triển thuốc kháng vi sinh vật hiện đại tập trung vào việc cải biến các loại thuốc hiện có hoặc tìm kiếm trong những nhóm hóa chất quen thuộc. Tuy nhiên, cách tiếp cận đó ngày càng mang lại ít kết quả hơn.

Phòng thí nghiệm của de la Fuente bắt đầu từ một nơi ít được khám phá hơn nhiều: mã sự sống. Ý tưởng cốt lõi của công trình này là sinh học chính là một hệ thống thông tin. “Các nucleotide cấu tạo nên DNA cùng các axit amin cấu tạo nên protein và peptide có thể được xem như một bảng chữ cái”, de la Fuente nói. “Việc nhìn nhận sinh học như thông tin đã giúp chúng tôi phát triển các phương pháp có thể bắt đầu giải mã những nguyên lý tổ chức sự sống đã tạo nên một phân tử có chức năng.”

Các mô hình học sâu của phòng thí nghiệm được huấn luyện để nhận diện quy luật trong chuỗi sinh học, nhờ đó có thể tìm kiếm các chất kháng vi sinh vật tiềm năng trong những bộ dữ liệu hệ gen và protein khổng lồ. Phương pháp này có thể rút ngắn quá trình tìm kiếm phân tử ứng viên ban đầu từ nhiều năm xuống chỉ còn vài giờ.

Bên cạnh các mô hình AI riêng, phòng thí nghiệm còn dùng ChatGPT và Codex để phát triển giả thuyết, viết và tinh chỉnh mã, xử lý bộ dữ liệu, phân tích kết quả cũng như kết nối ý tưởng giữa các ngành khoa học.

Chỉ một phần nhỏ của hệ gen có chức năng được hiểu rõ, và số lượng gen mã hóa các phân tử có khả năng chống lại vi sinh vật gây bệnh còn ít hơn. Thách thức là xác định những quy luật giúp một phân tử có chức năng hay hoạt tính sinh học, rồi tìm ra phân tử nào có tiềm năng chống lại vi sinh vật gây bệnh.

Từ lâu, các nhà khoa học đã tìm kiếm chất kháng vi sinh vật trong thực vật, động vật, vi sinh vật, côn trùng, nước và đất. Họ thu thập mẫu, phân lập hoặc dự đoán các phân tử ứng viên rồi thử nghiệm qua nhiều vòng trong một quy trình có thể kéo dài nhiều năm.

Các cơ sở dữ liệu số về hệ gen và protein hiện cho phép giới khoa học tìm kiếm hợp chất mới trên khắp cây sự sống, mở rộng đáng kể phạm vi dữ liệu có thể khám phá. Tuy nhiên, lượng thông tin dồi dào này cũng đem đến thách thức riêng: tìm ra những tín hiệu triển vọng giữa vô vàn khả năng.

AI đặc biệt phù hợp với nhiệm vụ mò kim đáy bể này. AI có thể rà soát các bộ dữ liệu khổng lồ, nhận diện những quy luật mà nhà nghiên cứu khó phát hiện và chọn ra một số lượng ứng viên vừa sức để ưu tiên thử nghiệm.

Tuy nhiên, xác định được một ứng viên triển vọng không nhất thiết có nghĩa là ứng viên đó sẽ trở thành một loại thuốc hiệu quả.

Trước tiên, các nhà khoa học phải xác nhận rằng phân tử ứng viên tiêu diệt được vi sinh vật mục tiêu, xác định lượng cần thiết để đạt hiệu quả và kiểm tra tác động của nó lên tế bào người. Sau đó, các nhà hóa học có thể tối ưu hóa phân tử để nâng cao hiệu quả, độ an toàn hoặc tính ổn định.

Các thử nghiệm tiếp theo đánh giá liều lượng khiến ứng viên trở nên độc hại, mức độ dễ hình thành khả năng kháng phân tử này ở vi sinh vật và cách ứng viên di chuyển trong cơ thể. Các nhóm cũng xác định một phương pháp đáng tin cậy để sản xuất phân tử đó. Ngay cả khi vượt qua những trở ngại này, các ứng viên vẫn phải trải qua quá trình đánh giá theo quy định và thử nghiệm lâm sàng trước khi có thể đến với bệnh nhân dưới dạng thuốc kháng vi sinh vật được phê duyệt.

Theo de la Fuente, đây là lý do AI và sinh học thực nghiệm phải cùng nhau tiến bộ. “Các thí nghiệm thực tế là yếu tố thiết yếu để kiểm chứng dự đoán của AI”, ông nói. “Trong những năm tới, điều này sẽ có vai trò then chốt đối với khoa học sự sống nếu chúng ta muốn tiếp tục từng bước khám phá sinh học, lĩnh vực phức tạp nhất hiện hữu, mà hiểu biết của chúng ta đến nay mới chỉ chạm đến bề mặt.”

Phòng thí nghiệm của ông khám phá hệ gen của các sinh vật đang sống và đã tuyệt chủng để tìm kiếm phân tử ứng viên. Việc tìm kiếm trong những hệ gen đó, tìm hiểu cách các protein do chúng mã hóa hình thành và hoạt động, cũng như xác định chức năng của các phân tử ấy đòi hỏi chuyên môn thuộc nhiều lĩnh vực.

“Chúng tôi là một nhóm có tính xuyên ngành rất cao, quy tụ những người đến từ sinh học, hóa học, khoa học máy tính và kỹ thuật”, de la Fuente cho biết. Một số thành viên phòng thí nghiệm rất giỏi lập trình nhưng biết ít hơn về sinh học hoặc hóa học, và ngược lại. Codex và ChatGPT giúp thu hẹp những khoảng cách đó, cho phép các nhà sinh học xây dựng chương trình và các lập trình viên giải quyết vấn đề sinh học. Theo nghĩa đó, AI giúp giảm bớt rào cản giữa các ngành khoa học.

Công cụ này giúp các thành viên phòng thí nghiệm tìm hiểu những chủ đề còn xa lạ nhưng cần thiết cho công việc liên ngành, làm rõ thuật ngữ, so sánh phương pháp giữa các lĩnh vực và sắp xếp ý tưởng để khám phá thuốc. Những người khác dùng AI để tải xuống, sắp xếp và tiền xử lý các bộ dữ liệu hệ gen lớn. ChatGPT cũng cho phép các thành viên phòng thí nghiệm làm việc bằng ngôn ngữ mẹ đẻ, giảm bớt rào cản để đẩy nhanh quy trình làm việc.

De la Fuente dùng ChatGPT như một cộng sự để cùng phát triển ý tưởng. Ông vẫn tiếp tục phát triển ý tưởng cùng đồng nghiệp, nhưng đánh giá cao khả năng của AI trong việc giúp ông định hình giả thuyết. Ông cũng thích việc có thể tiếp cận kho tri thức của thế giới chỉ bằng một cú nhấp chuột.

“Không gian làm việc ChatGPT của chúng tôi tiếp nhận ý kiến từ nhiều người có cách nhìn khác nhau về những vấn đề mà chúng tôi đang cố gắng giải quyết”, de la Fuente cho biết. Các thành viên phòng thí nghiệm đưa vào đó cả ý tưởng hay lẫn dở, biến công cụ này thành một nơi để cùng nhau trao đổi và kiểm nghiệm ý tưởng.

Tuy nhiên, ông cảnh báo không nên chỉ dựa vào AI. “Rõ ràng là bạn luôn phải kiểm tra lại độ chính xác”, de la Fuente nói.

Dù vậy, ông trân trọng khả năng của AI trong việc giúp các nhà nghiên cứu khám phá ranh giới giữa những ngành khoa học. “Đó là nơi những đột phá đang chờ được khám phá. Về cơ bản, chúng nằm ở vùng giao thoa giữa các lĩnh vực, nơi rất ít người đặt chân đến.”

Ông coi công việc này là một phần của truyền thống khoa học lâu đời hơn rất nhiều. “Chúng ta luôn dựa vào công cụ và máy móc để tìm hiểu thế giới xung quanh”, de la Fuente nói. “Kính thiên văn soi sáng vũ trụ, còn kính hiển vi hé lộ thế giới vô hình.” Giờ đây, máy móc giúp các nhà nghiên cứu tìm hiểu, dự đoán và thiết kế các hệ thống sinh học. “Đó chính là trọng tâm công việc của chúng tôi”, ông nói.