Một mô hình trí tuệ nhân tạo mới mang tên PropMolFlow (Property-guided Molecular Flow) đang mở ra triển vọng rút ngắn đáng kể thời gian phát triển dược phẩm, vật liệu và nhiều công nghệ mới.

Phương pháp này có khả năng thiết kế các phân tử với những đặc tính được xác định trước nhanh hơn khoảng 10 lần so với các phương pháp hiện nay, trong khi vẫn bảo đảm độ chính xác và tính hợp lệ về mặt hóa học. Về nguyên lý, hệ thống AI này có thể biến đổi dữ liệu “nhiễu ngẫu nhiên” thành những cấu trúc phân tử hoàn chỉnh, được định hướng bởi các đặc tính mục tiêu mà nhà khoa học mong muốn.

Trong thực tế, hầu hết các loại thuốc trong tủ thuốc gia đình, vật liệu trong pin điện thoại hay nhiều hợp chất phục vụ đời sống hiện đại đều bắt đầu từ một “giả thuyết phân tử”. Các nhà khoa học thường dự đoán rằng một cách sắp xếp cụ thể của các nguyên tử có thể mang lại một chức năng hữu ích nào đó, chẳng hạn tiêu diệt vi khuẩn gây bệnh, lưu trữ điện tích hoặc hấp thụ ánh sáng mặt trời hiệu quả. Tuy nhiên, với hàng tỷ tỷ phân tử nhỏ có thể tồn tại, việc tìm ra cấu trúc phù hợp để tạo ra thuốc mới hay vật liệu mới giống như tìm kim trong đống cỏ khô và đôi khi có thể mất hàng chục năm nghiên cứu.

Trong những năm gần đây, các công cụ AI tạo sinh đã bắt đầu rút ngắn quá trình này. Thay vì thử nghiệm từng hợp chất một cách thủ công, các mô hình AI có thể đề xuất cấu trúc phân tử dựa trên những đặc tính mục tiêu, nén quá trình thử-sai kéo dài nhiều năm xuống chỉ còn vài giờ tính toán. Công trình mới do các nhà khoa học tại Đại học Florida và Đại học New York dẫn dắt, công bố trên tạp chí Nature Computational Science, tiếp tục đẩy khả năng này tiến xa hơn. Theo nhóm nghiên cứu, trong phần lớn lịch sử khoa học, việc khám phá vật liệu thường xảy ra trước khi con người hiểu rõ cơ chế của chúng. Nhiều hợp chất hữu ích được phát hiện một cách tình cờ, sau đó các nhà khoa học mới giải thích được vì sao chúng hoạt động hiệu quả. Sự xuất hiện của AI tạo sinh cho phép đảo ngược quy trình này: trước tiên xác định đặc tính mong muốn, sau đó tìm ra cấu trúc phân tử phù hợp. PropMolFlow được xem là một bước tiến quan trọng hướng tới cách tiếp cận mới này, đồng thời chứng minh rằng thế hệ công cụ thiết kế phân tử tiếp theo có thể đạt tốc độ cao hơn nhiều mà vẫn giữ được độ chính xác cần thiết.

Thiết kế phân tử theo hướng “ngược”

Theo các tác giả, thiết kế phân tử về bản chất là một “bài toán nghịch”. Các nhà hóa học không đơn giản muốn tìm ra một phân tử bất kỳ; họ cần một phân tử có thể thực hiện một chức năng cụ thể, chẳng hạn tương tác mạnh với ánh sáng cho các ứng dụng quang học hoặc có cấu trúc điện tử đặc biệt quyết định khả năng hấp thụ năng lượng hay dẫn điện. Trước đây, quá trình phát triển thuốc hoặc vật liệu thường bắt đầu từ những hợp chất đã biết, sau đó điều chỉnh dần hoặc tìm kiếm trong các cơ sở dữ liệu phân tử đã được tổng hợp. Ngược lại, AI tạo sinh có thể tạo ra hoàn toàn các cấu trúc mới từ đầu, mở ra khả năng khám phá những không gian hóa học mà trước đó chưa từng được xem xét.

Từ năm 2022, khi các nhà nghiên cứu chứng minh rằng những công nghệ AI tạo ảnh như hệ thống DALL-E, có thể được điều chỉnh để tạo ra cấu trúc phân tử ba chiều, lĩnh vực này đã phát triển nhanh chóng. Các phương pháp sau đó liên tục cải thiện ba yếu tố quan trọng: độ chính xác trong việc nhắm tới các đặc tính phân tử, tính hợp lệ hóa học của cấu trúc được tạo ra và tốc độ tính toán. PropMolFlow cải thiện đồng thời cả ba yếu tố nhờ một thuật toán mới giúp tìm ra con đường trực tiếp hơn từ dữ liệu nhiễu ngẫu nhiên đến cấu trúc phân tử hợp lệ. Nhờ đó, quá trình tạo phân tử chỉ cần khoảng 100 bước tính toán, trong khi các phương pháp trước đây thường cần tới khoảng 1.000 bước.

Tuy nhiên, tốc độ cao chỉ có ý nghĩa nếu các phân tử được tạo ra thực sự hợp lý về mặt hóa học. Vì vậy, nhóm nghiên cứu đã đánh giá PropMolFlow bằng cách so sánh với nhiều mô hình AI khác. Kết quả cho thấy phương pháp này đạt tỷ lệ hợp lệ cấu trúc trên 90%, nghĩa là các phân tử được tạo ra có mô hình liên kết và hình học phân tử chính xác. Điều này đặc biệt quan trọng, bởi nhiều phương pháp trước đây tạo ra những cấu trúc trông có vẻ hợp lý nhưng thực tế lại vi phạm các quy tắc hóa học cơ bản. Đồng thời, PropMolFlow cũng đạt độ chính xác tương đương hoặc vượt trội trong việc tái tạo các đặc tính phân tử mục tiêu so với những phương pháp tiên tiến nhất hiện nay, trong khi thời gian tính toán nhanh hơn đáng kể.

Một thách thức quan trọng trong thiết kế phân tử bằng AI là đánh giá độ tin cậy của kết quả. Nếu một mạng nơ-ron tạo ra phân tử và một mạng nơ-ron khác dự đoán đặc tính của nó, cả hai hệ thống có thể mắc những sai lệch tương tự vì được huấn luyện trên cùng nguồn dữ liệu. Điều này giống như việc AI tự chấm điểm bài làm của chính mình. Để khắc phục vấn đề này, nhóm PropMolFlow đã kiểm chứng các phân tử được tạo ra bằng lý thuyết phiếm hàm mật độ (Density Functional Theory - DFT), một phương pháp hóa học lượng tử dựa trên các nguyên lý vật lý cơ bản và hoàn toàn độc lập với các mô hình học máy. Kết quả cho thấy trong phần lớn trường hợp, các dự đoán của mạng nơ-ron phù hợp chặt chẽ với kết quả tính toán vật lý, cho thấy việc đánh giá nhanh bằng AI vẫn đáng tin cậy về mặt thống kê.

Triển vọng cho khám phá khoa học

Theo các nhà nghiên cứu, sự kết hợp giữa tốc độ và độ chính xác của PropMolFlow có thể tạo ra bước tiến lớn trong khám phá phân tử. Với khả năng tạo ra hàng nghìn ứng viên phân tử hợp lệ chỉ trong vài phút thay vì nhiều giờ, các nhà khoa học có thể tăng tốc đáng kể chu trình nghiên cứu: tạo phân tử ứng viên, lọc bằng tính toán, kiểm chứng bằng mô hình vật lý hoặc thí nghiệm, rồi sử dụng kết quả để cải thiện vòng thiết kế tiếp theo.

Dù vậy, các nhà khoa học cũng lưu ý rằng các loại thuốc thực tế và vật liệu tiên tiến thường có cấu trúc lớn và phức tạp hơn những phân tử được nghiên cứu trong công trình này. Việc mở rộng phương pháp sang các hệ thống lớn hơn vẫn là một thách thức đang tiếp tục được nghiên cứu. Tuy nhiên, các nguyên lý được phát triển, đặc biệt là cách tích hợp đặc tính mục tiêu vào mô hình và quy trình kiểm chứng bằng phương pháp vật lý, vốn được xem là nền tảng quan trọng cho những ứng dụng tham vọng hơn trong tương lai.

N.P.A (theo NYU)