AI Đang Cách Mạng Hóa Quy Trình Tìm Kiếm Thuốc Như Thế Nào

Bốn mươi sáu ngày.

Đó là khoảng thời gian một hệ thống AI cần để tìm ra một ứng viên thuốc mới cho bệnh xơ hóa.

Tiêu chuẩn của ngành là năm năm và 2 tỷ đô la.

AI không chỉ cải thiện quy trình. Nó giúp quy trình nhanh hơn gấp 40 lần.

Điều này đang diễn ra ngay lúc này. Insilico Medicine đã sử dụng AI tạo sinh (generative AI) để xác định một ứng viên thuốc chỉ trong 46 ngày. Kể từ đó, các loại thuốc do AI thiết kế đã bước vào thử nghiệm lâm sàng Giai đoạn II.

DeepMind đã phát hành AlphaFold 3 vào năm 2024. Nó dự đoán cấu trúc 3D của protein, DNA và RNA chỉ trong vài giây. Công việc này trước đây từng khiến các nghiên cứu sinh tiến sĩ phải mất nhiều năm mới hoàn thành.

Quy trình tìm kiếm thuốc truyền thống rất chậm chạp và tốn kém:

  • Xác định mục tiêu (Target identification): 2 đến 3 năm nghiên cứu.
  • Tìm kiếm hợp chất tiềm năng (Hit discovery): 1 đến 2 năm thử nghiệm hàng triệu hợp chất.
  • Tối ưu hóa hợp chất dẫn dắt (Lead optimization): 2 đến 3 năm thay đổi hóa học.
  • Thử nghiệm tiền lâm sàng (Preclinical testing): 1 đến 2 năm trên mô hình động vật.
  • Thử nghiệm lâm sàng (Clinical trials): 6 đến 7 năm thử nghiệm trên người.

Kết quả là tỷ lệ thất bại lên đến 90% và chi phí khổng lồ.

AI thay đổi quy trình ở mọi giai đoạn:

  • Xác định mục tiêu (Target Identification): Các mô hình AI phân tích hệ gen (genomics) và hệ protein (proteomics) để tìm ra các mối liên hệ với bệnh tật. Mạng thần kinh đồ thị (Graph neural networks) giúp tìm ra các mục tiêu mà con người thường bỏ lỡ.
  • Thiết kế phân tử (Molecule Design): Thay vì thử nghiệm các hợp chất cũ, AI tạo sinh tạo ra những hợp chất mới. Các mô hình như VAEs và GANs thiết kế các phân tử với những đặc tính cụ thể.
  • Dự đoán cấu trúc (Structure Prediction): AlphaFold 3 cung cấp các bản đồ 3D cần thiết để thiết kế thuốc. Nó cho thấy cách các phân tử liên kết với protein ngay lập tức.

Các chỉ số cho thấy sự chuyển dịch:

  • Thời gian từ mục tiêu đến hợp chất dẫn dắt (Target-to-lead time): 3 đến 5 năm so với 12 đến 18 tháng.
  • Số lượng hợp chất được sàng lọc (Compounds screened): 100.000 so với hơn 1 tỷ hợp chất ảo.
  • Tỷ lệ thành công lâm sàng (Clinical success): Khoảng 10% so với 20% trong các dữ liệu ban đầu.

Nếu bạn là một kỹ sư phần mềm, lĩnh vực này đang cần bạn. Tìm kiếm thuốc hiện nay là một bài toán về dữ liệu và năng lực tính toán.

Bạn có thể bắt đầu với:

  • SMILES strings: Chuỗi SMILES - định dạng văn bản cho các phân tử.
  • RDKit: Một thư viện Python dành cho hóa học.
  • Public datasets: Các bộ dữ liệu công khai như ChEMBL và PubChem.
  • Pretrained models: Các mô hình đã được huấn luyện trước như ChemBERTa trên HuggingFace.

AI sẽ không chữa khỏi mọi thứ chỉ sau một đêm. Những thách thức như chất lượng dữ liệu và độ khó trong tổng hợp hóa học vẫn còn đó. Nhưng sự chuyển dịch này là vĩnh viễn. AI đang giúp y học trở nên nhanh chóng và có hệ thống hơn.

Lĩnh vực khoa học AI nào khiến bạn hào hứng nhất? Hãy cho tôi biết ở phần bình luận.

Source: https://dev.to/tyson_cung/how-ai-is-disrupting-drug-discovery-46-days-instead-of-5-years-58k0

Optional learning community: https://t.me/GyaanSetuAi