AI giúp tìm thuốc mới chủ yếu ở những bước đầu: đoán xem trong hàng triệu phân tử, phân tử nào có khả năng tác động lên một mục tiêu sinh học, để phòng thí nghiệm chỉ thử những ứng viên có triển vọng. Năm 2020, một nhóm tại Viện Công nghệ Massachusetts công bố việc dùng học máy tìm ra một phân tử có tác dụng diệt khuẩn mà họ đặt tên là halicin, và đây là một trong những ví dụ được nhắc nhiều nhất.
Nhưng từ phân tử trong đĩa nuôi cấy đến viên thuốc ở hiệu thuốc là một quãng đường dài nhiều năm, phần lớn diễn ra trong phòng thí nghiệm và bệnh viện chứ không phải trong máy tính. Bài này giải thích AI rút ngắn đoạn nào, vì sao kháng sinh là bài toán cấp bách, và những điều bạn cần nhớ khi đọc tin "AI tìm ra thuốc". Bài viết thuần khoa học phổ thông, không phải lời khuyên dùng thuốc.
Đường đi của một loại thuốc và chỗ AI tham gia
Phát triển thuốc thường được chia thành các giai đoạn dưới đây. Thời gian và tỉ lệ thành công khác nhau nhiều giữa các nhóm bệnh, nên bảng chỉ nêu đặc điểm chung, không đưa con số cụ thể.
| Giai đoạn | Việc chính | AI có thể giúp |
|---|---|---|
| Chọn mục tiêu | Xác định protein hay quá trình sinh học cần tác động | Phân tích dữ liệu gen, protein để gợi ý mục tiêu; dự đoán cấu trúc mục tiêu |
| Tìm phân tử dẫn đầu | Tìm phân tử có tác động lên mục tiêu | Sàng lọc ảo hàng triệu phân tử, sinh phân tử mới theo yêu cầu |
| Tối ưu phân tử | Sửa phân tử cho mạnh hơn, ít độc hơn, hấp thu tốt hơn | Dự đoán độc tính, độ tan, khả năng tổng hợp |
| Tiền lâm sàng | Thử trên tế bào và động vật | Hỗ trợ phân tích dữ liệu; không thay được thí nghiệm |
| Thử nghiệm lâm sàng | Thử trên người qua nhiều pha, từ nhóm nhỏ đến nhóm lớn | Hỗ trợ thiết kế, chọn người tham gia, phân tích; quyết định vẫn dựa trên dữ liệu thật |
| Cấp phép và theo dõi | Cơ quan quản lý xem xét hồ sơ; theo dõi tác dụng phụ sau khi lưu hành | Hỗ trợ phát hiện tín hiệu bất thường trong dữ liệu báo cáo |
Phần lớn tin "AI tìm ra thuốc" nói về hai dòng thứ hai và thứ ba. Còn những giai đoạn tốn kém nhất và nhiều thất bại nhất nằm ở bốn dòng dưới, và đó là phần quyết định một phân tử có thành thuốc hay không.
Câu chuyện halicin và các kháng sinh tìm bằng học máy
Nhóm nghiên cứu tại Viện Công nghệ Massachusetts huấn luyện một mạng thần kinh trên khoảng vài nghìn phân tử đã được thử khả năng ức chế vi khuẩn E. coli. Mô hình học cách nhìn cấu trúc phân tử và đoán khả năng diệt khuẩn. Sau đó họ cho mô hình chấm điểm một thư viện lớn các phân tử khác, trong đó có những chất từng được nghiên cứu cho mục đích hoàn toàn khác. Một phân tử ban đầu được nghiên cứu cho bệnh khác nổi lên với điểm cao và cấu trúc khác các kháng sinh quen thuộc. Thử trong phòng thí nghiệm, nó diệt được nhiều loại vi khuẩn, kể cả một số chủng kháng thuốc, và có tác dụng trên chuột trong thí nghiệm của nhóm. Công trình được đăng trên tạp chí Cell năm 2020; tên halicin là lời nhắc vui tới chiếc máy tính HAL trong một bộ phim khoa học viễn tưởng.
Vài năm sau, một nhóm có liên quan công bố một phân tử khác tìm theo cách tương tự, nhắm vào vi khuẩn Acinetobacter baumannii, loài gây nhiễm trùng khó trị trong bệnh viện. Điểm thú vị là phân tử này tác động khá hẹp vào loài đó, điều mà các nhà nghiên cứu cho là có thể có lợi vì ít ảnh hưởng tới vi khuẩn có ích.
Cần nói rõ: tại thời điểm các bài báo được công bố, những phân tử này mới ở giai đoạn nghiên cứu, chưa phải thuốc được cấp phép cho người. Nếu bạn muốn biết tình trạng mới nhất, hãy tìm thông tin từ chính các viện nghiên cứu hoặc cơ quan quản lý dược, không dựa vào bài đăng mạng xã hội.
Sàng lọc ảo: máy chấm điểm một phân tử ra sao
Một phân tử thuốc thường được máy đọc dưới dạng chuỗi ký hiệu mô tả nguyên tử và liên kết, hoặc dưới dạng đồ thị với nguyên tử là điểm, liên kết là cạnh. Mô hình học máy được huấn luyện trên những phân tử đã thử thật, mỗi phân tử gắn nhãn "có tác dụng" hay "không có tác dụng" với một mục tiêu. Qua hàng nghìn ví dụ, mô hình học những đặc điểm cấu trúc hay đi kèm với tác dụng.
Khi đã huấn luyện xong, mô hình chấm điểm hàng triệu phân tử chưa ai thử trong thời gian ngắn. Nhà nghiên cứu lấy nhóm điểm cao nhất, loại những chất trông quá giống thuốc đã có hoặc có dấu hiệu độc, rồi đặt mua hoặc tổng hợp vài chục đến vài trăm chất để thử thật. Nếu tỉ lệ trúng trong nhóm này cao hơn hẳn so với chọn ngẫu nhiên, mô hình đã làm tốt việc của nó.
Một cách khác dựa vào hình dạng của mục tiêu: máy thử "lắp" từng phân tử vào hốc của protein đích và ước tính độ khớp. Cách này cần biết cấu trúc ba chiều của protein, và đó là chỗ các công cụ dự đoán cấu trúc protein hỗ trợ. Cả hai cách đều chỉ cho danh sách ứng viên, không cho thuốc.
Vì sao kháng sinh là bài toán cấp bách
Vi khuẩn sinh sản rất nhanh, và trong một quần thể lớn luôn có vài cá thể mang đột biến giúp sống sót khi gặp kháng sinh. Mỗi lần kháng sinh được dùng, những cá thể nhạy cảm chết đi còn những cá thể kháng thuốc sống lại và nhân lên. Đây là chọn lọc tự nhiên diễn ra ngay trước mắt, và là lý do kháng sinh dùng sai cách, như dùng cho bệnh do virus hoặc bỏ dở liều, làm tình trạng kháng thuốc nặng thêm.
Tổ chức Y tế Thế giới từ lâu xếp kháng kháng sinh vào nhóm mối đe doạ lớn với sức khoẻ toàn cầu. Trong khi đó, số nhóm kháng sinh hoàn toàn mới được đưa ra thị trường trong vài thập kỷ gần đây rất ít, một phần vì nghiên cứu khó, một phần vì kháng sinh mới thường được để dành cho ca nặng nên ít mang lại lợi nhuận cho công ty dược.
Đó là lý do các nhà nghiên cứu kỳ vọng vào AI: nếu máy giúp tìm nhanh và rẻ hơn những phân tử có cơ chế mới, cộng đồng có thêm lựa chọn. Nhưng AI không giải quyết phần kinh tế, phần thử nghiệm lâm sàng, hay thói quen dùng kháng sinh. Mỗi người góp phần bằng cách chỉ dùng kháng sinh khi bác sĩ kê đơn và dùng đúng hướng dẫn.
Những giới hạn mà các nhà nghiên cứu hay nhắc
Dữ liệu ít và lệch. Mô hình chỉ giỏi như dữ liệu nó học. Dữ liệu thử nghiệm thuốc thường nhỏ, đo theo nhiều cách khác nhau, và phần lớn kết quả thất bại không được công bố, nên mô hình học được bức tranh lệch về phía thành công.
Đoán đúng trong ống nghiệm chưa chắc đúng trong cơ thể. Một phân tử diệt khuẩn tốt trong đĩa nuôi cấy có thể không hấp thu được, bị gan phân huỷ nhanh, hoặc độc với tế bào người. Những tính chất đó khó đoán hơn nhiều so với tác động lên một protein đơn lẻ.
Phân tử đẹp trên máy nhưng khó làm ra. Mô hình sinh phân tử đôi khi đề xuất cấu trúc mà nhà hoá học tổng hợp phải mất hàng tháng mới làm được, hoặc không làm được. Nhiều nhóm hiện đưa thêm điều kiện "dễ tổng hợp" vào mô hình.
Lời hứa rút ngắn thời gian cần chờ kiểm chứng. Một số công ty tuyên bố đưa phân tử vào thử nghiệm lâm sàng nhanh hơn nhờ AI. Đây là tín hiệu đáng chú ý, nhưng thước đo cuối cùng là tỉ lệ thuốc thành công ở các pha sau, và điều đó cần thêm nhiều năm mới có câu trả lời.
Rủi ro bị dùng sai. Cùng công cụ đoán độc tính có thể bị dùng sai mục đích. Giới nghiên cứu đã thảo luận công khai về rủi ro này và các biện pháp kiểm soát quyền truy cập công cụ.
Đọc tin "AI tìm ra thuốc" cho tỉnh táo
Tin về AI và thuốc thường được chia sẻ nhanh, đôi khi bị cắt bớt thành lời hứa chữa bệnh. Trước khi tin hay chia sẻ, bạn có thể tự hỏi những câu dưới đây.
- Phân tử này đang ở giai đoạn nào: trên máy tính, trong ống nghiệm, trên động vật, hay đã thử trên người?
- Nếu đã thử trên người, là pha nào, bao nhiêu người, có nhóm đối chứng không?
- Thông tin đến từ bài báo khoa học có bình duyệt, thông cáo của công ty, hay bài đăng lại không rõ nguồn?
- Bài có nói "chữa khỏi" hay "thay thế thuốc hiện tại" không? Những từ đó gần như luôn là dấu hiệu thổi phồng ở giai đoạn sớm.
- Có ai bán sản phẩm kèm theo tin không? Nếu có, hãy dừng lại và hỏi bác sĩ hoặc dược sĩ.
- Khi nhờ chatbot tóm tắt một tin y sinh, hãy yêu cầu nó tách rõ "đã chứng minh" và "mới là giả thuyết", và đừng nhập thông tin bệnh của bản thân hay người nhà vào chatbot để xin lời khuyên điều trị.
Thói quen hỏi sáu câu này áp dụng được cho mọi tin y sinh, không riêng AI. Mọi quyết định dùng hay đổi thuốc phải do bác sĩ đưa ra.
Dùng chủ đề này trong lớp học sinh học
Câu chuyện kháng sinh tìm bằng học máy là chất liệu tốt để dạy chọn lọc tự nhiên, cấu trúc phân tử và phương pháp khoa học cùng lúc. Giáo viên có thể bắt đầu bằng câu hỏi: "Vì sao vi khuẩn kháng thuốc nhanh hơn con người tìm ra thuốc mới?" rồi cho học sinh mô phỏng chọn lọc bằng hạt đậu hai màu: mỗi lượt "kháng sinh" lấy đi phần lớn hạt màu này, rồi hạt còn lại "sinh sản" gấp đôi.
Tiếp theo, giới thiệu ý tưởng sàng lọc: cho học sinh một bộ thẻ in hình phân tử đơn giản, mỗi thẻ có vài đặc điểm, và một "luật" bí mật quyết định thẻ nào diệt khuẩn. Học sinh đoán luật từ vài thẻ đã biết đáp án rồi dự đoán các thẻ còn lại. Đó chính là tinh thần của học máy, ở dạng chơi được trong lớp.
Nếu dùng chatbot trong tiết học, giáo viên nên chuẩn bị trước câu hỏi và kiểm câu trả lời, vì chatbot có thể nêu sai năm, tên tạp chí hay mô tả thí nghiệm. Không để học sinh hỏi chatbot về liều thuốc hay cách tự chữa bệnh, và nhắc các em rằng chỉ bác sĩ mới kê kháng sinh.
Câu hỏi thường gặp
Halicin đã được bán như một loại thuốc chưa?
Theo các công bố khoa học, halicin là phân tử ở giai đoạn nghiên cứu, đã thử trong phòng thí nghiệm và trên động vật, chưa phải thuốc được cấp phép cho người. Muốn biết tình trạng mới nhất, hãy tìm thông tin từ viện nghiên cứu hoặc cơ quan quản lý dược, không dựa vào lời quảng cáo.
AI có thể tự thiết kế thuốc chữa ung thư không?
AI giúp các nhà nghiên cứu chọn mục tiêu và đề xuất phân tử nhanh hơn, nhưng mọi thuốc điều trị ung thư đều phải qua thử nghiệm lâm sàng nghiêm ngặt. Tin nói AI đã tìm ra thuốc chữa khỏi ung thư mà không kèm dữ liệu thử nghiệm trên người là dấu hiệu cần nghi ngờ.
Sàng lọc ảo khác sàng lọc thật thế nào?
Sàng lọc thật là cho từng phân tử tiếp xúc với mục tiêu sinh học trong đĩa thí nghiệm, thường bằng robot. Sàng lọc ảo là dùng máy tính đoán kết quả trước, giúp loại bớt phần lớn ứng viên kém. Hai cách thường đi cùng nhau.
Vì sao không nên tự dùng kháng sinh khi bị cảm?
Cảm thông thường phần lớn do virus, còn kháng sinh chỉ tác động lên vi khuẩn, nên dùng không giúp khỏi bệnh mà còn góp phần tạo vi khuẩn kháng thuốc. Khi có triệu chứng, hãy hỏi bác sĩ hoặc dược sĩ để được hướng dẫn đúng.
Học sinh muốn theo hướng AI và dược nên học gì?
Nền tảng hoá học, sinh học và toán thống kê là quan trọng nhất, cộng thêm lập trình cơ bản. Ở đại học có thể chọn dược, hoá, sinh học hoặc tin học rồi học thêm phần còn lại. Ngành này cần người hiểu cả hai bên.
Chatbot có trả lời được câu hỏi về thuốc không?
Chatbot có thể giải thích khái niệm chung như kháng sinh là gì, nhưng không được dùng để chọn thuốc, tính liều hay thay lời khuyên của bác sĩ. Thông tin về thuốc cụ thể cần lấy từ tờ hướng dẫn sử dụng, dược sĩ và bác sĩ điều trị.