Tại sao bản sao kỹ thuật số của một tế bào lại quan trọng

Việc tìm kiếm thuốc ngày nay giống như một canh bạc. Các nhà nghiên cứu dành nhiều năm để tinh chỉnh các phân tử, sau đó thử nghiệm chúng trên tế bào, động vật và cuối cùng là con người. Hầu hết các ứng viên không bao giờ vượt qua được các thử nghiệm lâm sàng giai đoạn đầu trên người. Một mô hình tính toán đáng tin cậy có thể dự báo phản ứng của tế bào sẽ cho phép các nhà khoa học loại bỏ sớm các hợp chất không khả thi và tập trung nguồn lực vào những hướng đi đầy triển vọng nhất.

Arc coi một tế bào như một hệ thống có thể được mô phỏng in silico, tương tự như cách các kỹ sư mô hình hóa một chiếc máy bay trước khi nó rời khỏi mặt đất. Nếu mô phỏng tái tạo được những thay đổi trong biểu hiện gen mà một tế bào thực tế sẽ biểu hiện dưới một tác động (perturbation) nhất định, nhu cầu về các thí nghiệm tốn kém và mất thời gian sẽ giảm đi đáng kể.

Mô hình “State” – một transformer được huấn luyện trên 100 triệu tế bào

Trọng tâm của nền tảng là một mạng thần kinh kiểu transformer mà nhóm nghiên cứu gọi là State. Các transformer là động lực thúc đẩy các mô hình ngôn ngữ lớn; ở đây, chúng tiếp nhận dữ liệu sinh học thay vì văn bản. State đã học từ một bộ dữ liệu được tinh lọc gồm 100 triệu phép đo đơn bào (single-cell), nắm bắt các mối quan hệ thống kê giữa các tác động di truyền và các kiểu biểu hiện hạ nguồn (downstream expression patterns).

Arc cho biết State vượt trội hơn các mô hình trước đây vốn dựa vào các kỹ thuật thống kê đơn giản hơn. Nhóm nghiên cứu cũng thừa nhận một hạn chế chính: khi mô hình gặp phải một loại tế bào mà nó chưa từng thấy trong quá trình huấn luyện, các dự đoán của nó sẽ giảm độ chính xác. Các nhà nghiên cứu ước tính rằng một mô hình "hoàn hảo" — một mô hình có thể tổng quát hóa trên tất cả các loại tế bào người — vẫn còn cách xa khoảng một thập kỷ nữa.

Đưa mô hình vào thử thách: Virtual Cell Challenge

Để đánh giá khả năng của State và các phương pháp khác trong môi trường thực tế, Arc đã tổ chức một cuộc thi công khai mang tên Virtual Cell Challenge. Những người tham gia nhận được một bộ dữ liệu khó và được yêu cầu dự đoán kết quả biểu hiện gen đối với các tác động chưa từng thấy. Kết quả thật đáng suy ngẫm: nhiều đội ngũ AI đã thực hiện kém hơn cả mức trung bình toán học đơn giản của dữ liệu huấn luyện.

Kết quả này nhấn mạnh một vấn đề rộng lớn hơn mà lĩnh vực này đang phải vật lộn: các mô hình học sâu (deep-learning) thuần túy, ngay cả những mô hình lớn, vẫn gặp khó khăn khi dữ liệu đầu vào bị nhiễu, thưa thớt hoặc không đồng nhất về mặt sinh học. Các bài dự thi thành công đã kết hợp mạng thần kinh với các phương pháp thống kê cổ điển, gợi ý rằng một quy trình làm việc lai (hybrid workflow) có thể là con đường khả thi trong tương lai gần.

Dọn dẹp sự hỗn loạn: pipeline dữ liệu scBaseCount

Một trong những trở ngại lớn nhất trong việc xây dựng một mô hình như State là chất lượng dữ liệu. Các phép đo đơn bào thô thường đầy rẫy các hiệu ứng mẻ (batch effects), các giá trị bị thiếu và các chú thích không nhất quán. Arc đã giải quyết vấn đề này bằng cách thiết kế một bộ các tác nhân AI (AI agents) để tự động hóa việc tinh lọc dữ liệu, được gọi chung là scBaseCount.

  • Finder agents quét các kho lưu trữ công khai và tải xuống các tệp thô.
  • Organizer agents chuẩn hóa các định dạng, căn chỉnh siêu dữ liệu (metadata) và giải quyết các xung đột về cách đặt tên.
  • Một supervisor agent kiểm tra kết quả đầu ra, gắn cờ các điểm bất thường để con người xem xét.

Pipeline này đã xây dựng được một kho lưu trữ khoảng 500 triệu tế bào — lớn gấp bốn lần bộ sưu tập công khai lớn nhất trước đây. Khối lượng khổng lồ này, kết hợp với việc làm sạch có hệ thống, đã mang lại cho State một môi trường huấn luyện phong phú và đáng tin cậy hơn so với các nỗ lực trước đó.

Học đi đôi với hành: vòng lặp phản hồi

Arc không chỉ dựa vào dữ liệu lịch sử. Nền tảng này vận hành một chu kỳ học chủ động (active-learning): AI đề xuất các thí nghiệm mới, phòng thí nghiệm thực hiện chúng, và kết quả được đưa ngược trở lại mô hình. Trong thực tế, một tác nhân AI sẽ chọn một gen để loại bỏ (knock out) hoặc một loại thuốc để áp dụng, thí nghiệm được thực hiện trên các tế bào thực, và những thay đổi biểu hiện quan sát được sẽ tinh chỉnh các tham số của State.

Vòng lặp này phục vụ hai mục đích. Thứ nhất, nó liên tục mở rộng tập huấn luyện với các điểm dữ liệu lấp đầy các điểm mù hiện tại của mô hình. Thứ hai, nó cung cấp một bước xác minh tích hợp, đảm bảo các dự đoán dựa trên bằng chứng thực nghiệm thay vì chỉ được chấp nhận một cách cảm tính.

Điều này có ý nghĩa gì đối với các kỹ sư AI và các công ty công nghệ sinh học

Những công bố công khai của Arc có thể tóm gọn thành hai bài học thực tế:

  1. Chất lượng dữ liệu quan trọng hơn độ phức tạp của mô hình. Một mô hình transformer tinh vi được huấn luyện trên dữ liệu nhiễu và không đầy đủ sẽ hoạt động kém hiệu quả hơn một thuật toán đơn giản hơn được cung cấp các đầu vào được tinh chỉnh tỉ mỉ. Pipeline scBaseCount nhắc nhở chúng ta rằng việc đầu tư vào kỹ thuật dữ liệu có thể mang lại lợi ích lớn hơn so với việc chạy theo kích thước mô hình ngày càng lớn.
  2. Các vòng lặp xác minh là thiết yếu. Việc tin tưởng vào kết quả của mô hình mà không có các bước kiểm tra bên ngoài là rất rủi ro, đặc biệt là trong sinh học, nơi có vô số các yếu tố gây nhiễu chưa được biết đến. Việc tích hợp các tác nhân (agents) để kiểm chứng chéo lẫn nhau — hoặc so sánh các dự đoán với các thí nghiệm thực tế — sẽ tạo ra một mạng lưới an toàn giúp phát hiện sớm các lỗi hệ thống.

Con đường phía trước và những người hoài nghi

Mặc dù triển vọng là rất rõ ràng, nhưng công nghệ này vẫn còn lâu mới trở thành một giải pháp trọn gói. Khó khăn của State với các loại tế bào chưa từng thấy cho thấy mô hình vẫn còn thiếu sự hiểu biết thực sự về các cơ chế sinh học nền tảng. Kết quả của Virtual Cell Challenge cho thấy ngay cả các đội ngũ AI được đầu tư mạnh mẽ cũng có thể bị vượt mặt bởi các mô hình cơ sở (baselines) đơn giản khi bài toán được đặt ra không rõ ràng.