Quy trình R&D dược phẩm truyền thống vốn nổi tiếng với thời gian kéo dài hàng thập kỷ và chi phí khổng lồ, nhưng một sự thay đổi mang tính bước ngoặt đang diễn ra ở phương Đông. Bằng cách tích hợp AI tạo sinh với nghiên cứu phòng thí nghiệm tự động, các nhà đổi mới công nghệ sinh học đang cắt giảm thời gian cần thiết để xác định các ứng viên thuốc tiềm năng từ nhiều năm xuống chỉ còn vài tháng.
Insilico Medicine Phá Kỷ Lục với R&D Thúc Đẩy bởi AI
Dẫn đầu cuộc chuyển đổi công nghệ này là Insilico Medicine, một công ty công nghệ sinh học niêm yết tại Hồng Kông đang định nghĩa lại tốc độ phát triển thuốc. Theo CEO Alex Zhavoronkov, công ty đã sử dụng thành công trí tuệ nhân tạo để giảm thời gian sản xuất các ứng viên phát triển thuốc xuống còn khoảng một năm.
Những cải thiện về hiệu suất không chỉ dừng lại ở lý thuyết; chúng đang được phản ánh qua các cột mốc thực tế. Trong khi chu kỳ phát triển điển hình của công ty rơi vào khoảng 13 tháng, chương trình nhanh nhất của Insilico Medicine đã đạt được việc đề cử ứng viên chỉ trong chín tháng. Bước nhảy vọt này có được nhờ sự kết hợp giữa các mô hình AI tinh vi với việc xác thực phòng thí nghiệm nghiêm ngặt, tạo ra một vòng lặp phản hồi giúp đẩy nhanh quá trình chuyển đổi từ giả thuyết kỹ thuật số sang phân tử vật lý.
Sự Hiệp lực giữa AI Tạo sinh và Nghiên cứu Phòng thí nghiệm
Cốt lõi của đột phá này nằm ở sự kết hợp giữa sức mạnh tính toán và thực nghiệm sinh học. Khác với các phương pháp truyền thống dựa vào sàng lọc hiệu suất cao (high-throughput screening) từ các thư viện vật lý khổng lồ, phương pháp thúc đẩy bởi AI sử dụng các mô hình tạo sinh để thiết kế các phân tử mới với các đặc tính sinh học cụ thể.
Bằng cách dự đoán cách các phân tử tương tác với các protein mục tiêu trước khi chúng được tổng hợp trong phòng thí nghiệm, các nhà nghiên cứu có thể bỏ qua hàng ngàn thí nghiệm thất bại. Khi các dự đoán AI này được tích hợp với quy trình làm việc phòng thí nghiệm tự động—thường được gọi là hệ thống "vòng lặp kín" (closed-loop)—quá trình xác thực một ứng viên sẽ diễn ra với tốc độ chưa từng có. Sự hiệp lực này cho phép các nhà khoa học tập trung nỗ lực thủ công vào các manh mối đầy triển vọng nhất, giảm đáng kể giai đoạn "thử và sai" vốn là đặc trưng của quá trình khám phá thuốc cổ điển.
Tác động đến Bối cảnh AI và Công nghệ sinh học Toàn cầu
Thành công tại Trung Quốc đóng vai trò như một minh chứng mạnh mẽ cho lĩnh vực công nghệ sinh học toàn cầu. Khi các mô hình AI trở nên thành thạo hơn trong việc điều hướng không gian hóa học rộng lớn, "thung lũng chết" của quá trình khám phá thuốc—giai đoạn mà hầu hết các ứng viên thất bại do độc tính hoặc thiếu hiệu quả—đang bắt đầu thu hẹp lại.
Đối với các nhà phát triển và nhà sáng lập trong lĩnh vực công nghệ sâu (deep tech), sự phát triển này nhấn mạnh một xu hướng quan trọng: các ứng dụng AI giá trị nhất đang vượt ra ngoài việc tạo văn bản và hình ảnh để tiến vào các lĩnh vực "AI vật lý" (physical AI). Khả năng thao tác dữ liệu sinh học và dự đoán các kết quả vật lý có tác động kinh tế to lớn, có tiềm năng hạ thấp rào cản gia nhập trong việc điều trị các bệnh hiếm gặp và giảm chi phí chăm sóc sức khỏe tổng thể trên toàn cầu.
Các Điểm chính cần Lưu ý
- Giảm thiểu Thời gian Đáng kể: Insilico Medicine đã chứng minh rằng AI có thể giảm thời gian đề cử ứng viên thuốc xuống chỉ còn chín tháng.
- Phương pháp Tiếp cận Hỗn hợp: Đột phá này được thúc đẩy bởi sự kết hợp giữa thiết kế AI tạo sinh và xác thực phòng thí nghiệm tự động, thoát khỏi các phương pháp thử và sai truyền thống.
- Sự Thay đổi trong Kinh tế R&D: Sự chuyển đổi từ nhiều năm xuống còn vài tháng trong giai đoạn khám phá đại diện cho một sự thay đổi căn bản trong cách các công ty công nghệ sinh học quản lý vốn và tốc độ nghiên cứu.
Tại sao tốc độ lại quan trọng
Khám phá thuốc từ lâu đã là một cuộc chạy marathon. Các công ty phải dành nhiều năm sàng lọc hàng triệu hợp chất, thường thất bại trước khi một phân tử duy nhất có thể tiến tới thử nghiệm lâm sàng. Chi phí để đưa một phân tử từ ý tưởng ra thị trường thường lên tới hàng tỷ đô la, và tỷ lệ hao hụt—đặc biệt là trong giai đoạn "khám phá" ban đầu—vẫn ở mức cao. Tại Trung Quốc, nơi lĩnh vực công nghệ sinh học đang mở rộng nhanh chóng, một quy trình nhanh hơn có thể mang lại lợi thế cạnh tranh cho các công ty trong nước so với các đối thủ toàn cầu lâu đời và đẩy nhanh tham vọng trở thành quốc gia dẫn đầu về các liệu pháp đổi mới.
Cách Insilico đạt được mốc 9 tháng
Insilico Medicine, niêm yết tại Hồng Kông, cho rằng mốc thời gian kỷ lục này là nhờ sự kết hợp giữa trí tuệ nhân tạo tạo sinh và các quy trình phòng thí nghiệm tự động. AI tạo sinh đề cập đến các mô hình có khả năng tạo ra các cấu trúc phân tử mới thay vì chỉ đánh giá các cấu trúc đã tồn tại. Bằng cách cung cấp cho thuật toán dữ liệu về các đích protein và các đặc tính dược lý mong muốn, hệ thống sẽ đề xuất các hợp chất mới được dự đoán là có khả năng liên kết hiệu quả.
Giám đốc điều hành của công ty, Alex Zhavoronkov, cho biết nền tảng này thường đưa một dự án từ giai đoạn xác định mục tiêu đến đề cử ứng viên trong khoảng 13 tháng. Trong lần chạy nhanh nhất, vòng lặp này đã hoàn tất chỉ trong chín tháng. Sự rút ngắn này có được nhờ việc bỏ qua các thư viện vật lý khổng lồ mà các phương pháp sàng lọc hiệu suất cao truyền thống thường dựa vào; thay vào đó, AI thiết kế các phân tử trên máy tính, lọc bỏ các ứng viên ít khả năng và chỉ chuyển những cấu trúc triển vọng nhất đến phòng thí nghiệm.
Vòng lặp phản hồi giữa AI và phòng thí nghiệm
Sau khi một phân tử được tổng hợp, các thiết bị tự động sẽ kiểm tra hoạt tính, độc tính và các chỉ số chính khác của nó. Kết quả sau đó được đưa ngược lại vào AI để tinh chỉnh các dự đoán cho vòng tiếp theo. Hệ thống "vòng lặp kín" này giúp các nhà khoa học giảm bớt thời gian cho việc thử sai và dành nhiều thời gian hơn để giải thích các dữ liệu mà thuật toán đã thu hẹp phạm vi.
Bằng cách dự đoán cách một hợp chất sẽ hoạt động trước khi nó thực sự được tạo ra, phương pháp này có thể bỏ qua hàng ngàn thí nghiệm không có kết quả. Việc tự động hóa các phép thử giúp nén thêm giai đoạn thẩm định, cho phép một ứng viên duy nhất đi từ máy tính đến bàn thí nghiệm và đến giai đoạn đề cử trong một phần nhỏ thời gian so với truyền thống.
Ai sẽ được hưởng lợi và ai có thể bị bỏ lại phía sau
Ngược lại, các công ty bám lấy các phương pháp sàng lọc truyền thống có thể thấy mình bị tụt hậu.
Những lưu ý và con đường phía trước
Lời hứa về việc tăng tốc khám phá bằng AI không xóa bỏ nhu cầu thẩm định nghiêm ngặt. Các mô hình dự đoán chỉ tốt tương đương với dữ liệu mà chúng được huấn luyện, và các sai lệch trong tập dữ liệu huấn luyện có thể dẫn đến việc bỏ lỡ các tín hiệu an toàn. Hơn nữa, mặc dù con số chín tháng là rất ấn tượng, nhưng nó chỉ đại diện cho một chương trình duy nhất; việc mở rộng phương pháp này trên nhiều mục tiêu khác nhau có thể bộc lộ những nút thắt cổ chai chưa xuất hiện rõ ràng.
Điều cần theo dõi tiếp theo
Cột mốc chín tháng cho thấy hóa học trong việc tìm kiếm thuốc không còn bị ràng buộc chặt chẽ vào bàn thí nghiệm. Khi các thuật toán có thể phác thảo một phân tử khả thi và máy móc có thể kiểm tra nó trong vài ngày, toàn bộ dòng thời gian sẽ được rút ngắn. Liệu sự rút ngắn đó có trở thành chuẩn mực mới hay không sẽ phụ thuộc vào việc hệ sinh thái — bao gồm các công ty, nhà đầu tư, cơ quan quản lý và bệnh nhân — thích nghi nhanh chóng như thế nào với một thế giới nơi "AI vật lý" viết nên bản thảo đầu tiên cho các loại thuốc của tương lai.