Hãng được Nvidia hậu thuẫn ra mô hình AI giúp giảm đáng kể thời gian và chi phí phát triển các loại thuốc mới

Ngày càng có nhiều công ty khởi nghiệp công nghệ đang sử dụng AI để thúc đẩy nghiên cứu dược phẩm. Iambic Therapeutics vừa công bố chi tiết về mô hình khám phá thuốc AI mới của mình có tên Enchant.

Trước đây, Iambic Therapeutics nhận được đầu tư từ gã khổng lồ chip AI Nvidia.

Enchant được đào tạo trên một lượng lớn dữ liệu tiền lâm sàng, có nguồn gốc từ các thử nghiệm trong phòng thí nghiệm được tiến hành trên những loại thuốc trước khi chúng được thử nghiệm trên người. Mô hình AI này được thiết kế để dự đoán hiệu quả của một loại thuốc nhất định ở giai đoạn phát triển sớm nhất.

Trong bài báo khoa học được Iambic Therapeutics công bố, Enchant cho thấy độ chính xác cao khi dự đoán cơ thể người sẽ hấp thụ một số loại thuốc như thế nào, với kết quả được đối chiếu chéo với kết quả thực tế.

Iambic Therapeutics cho biết Enchant đã thiết lập một chuẩn mực mới, với điểm dự đoán độ chính xác là 0,74. Để so sánh, các mô hình trước đó chỉ đạt được điểm mức cao nhất là 0,58.

Fred Manby, đồng sáng lập và Giám đốc công nghệ Iambic Therapeutics, nói với Reuters rằng các nhà nghiên cứu sử dụng Enchant có thể giảm một nửa số vốn đầu tư cần thiết để phát triển một số loại dược phẩm, vì họ có thể thấy được mức độ thành công của một loại thuốc ngay từ giai đoạn sớm nhất.

“Chi phí đưa một sản phẩm ra thị trường thường được báo cáo khoảng 2 tỉ USD và phần lớn trong số đó không phải là chi phí chương trình, mà là tỷ lệ thất bại. Tỷ lệ thất bại cao ở các giai đoạn cuối làm gia tăng đáng kể chi phí tổng thể để đưa một loại thuốc ra thị trường. Nếu cải thiện 10% ở mỗi giai đoạn phát triển lâm sàng, về cơ bản bạn sẽ giảm chi phí xuống một nửa, vì hiệu quả đó được cộng dồn lại”, ông nói.

Frances Arnold, người đoạt giải Nobel hóa học năm 2018 và là thành viên hội đồng quản trị Iambic Therapeutics, nói với Reuters rằng Enchant đại diện cho một bước tiến lớn trong việc sử dụng AI để khám phá thuốc.

Nhắc đến chương trình AlphaFold của Google DeepMind (giúp các nhà phát triển giành giải Nobel hóa học 2024), bà Frances Arnold cho biết Enchant giải quyết một thách thức khác trong quy trình phát hiện thuốc.

“AlphaFold dự đoán cấu trúc 3D của cách một phân tử liên kết với một mục tiêu protein, nhưng cấu trúc là chưa đủ. Sự thành công của một ứng cử viên thuốc được xác định bởi các đặc tính dược động học, hiệu quả và độc tính của nó. Enchant giải quyết những thách thức riêng biệt và quan trọng này”, Frances Arnold nói.

Cuối tháng 8 vừa qua, nhóm nhà khoa học ở Trung Quốc và Mỹ cho biết đã phát triển mô hình AI mới mang tên ActFound, có thể giúp vượt qua một số thách thức lớn với việc phát triển và khám phá thuốc mới.

Theo một bài viết được đăng trên tạp chí Nature Machine Intelligence, ActFound hoạt động tốt hơn các mô hình AI cạnh tranh và vượt qua các thách thức khi sử dụng học máy để dự đoán hoạt tính sinh học.

"Hoạt tính sinh học gồm nhiều đặc tính khác nhau của hợp chất, chẳng hạn tương tác của chúng với mục tiêu, tác động đến hệ thống sinh học và hiệu quả điều trị", các nhà nghiên cứu từ Đại học Bắc Kinh (Trung Quốc), Đại học Washington (Mỹ) và INF Technology Shanghai (hãng công nghệ AI ở thành phố Thượng Hải) cho biết.

Những thách thức chính khi sử dụng học máy bao gồm việc dán nhãn dữ liệu hạn chế và sự không tương thích giữa các thử nghiệm đo lường hoạt tính hoặc hiệu lực của thuốc.

ActFound không chỉ vượt trội hơn các mô hình AI cạnh tranh mà còn hoạt động tốt như phương pháp tính toán truyền thống là free-energy perturbation (FEP). FEP là phương pháp tính toán được sử dụng rộng rãi trong mô hình hóa phân tử để ước tính sự thay đổi năng lượng tự do Gibbs khi hệ thống trải qua một quá trình biến đổi nhỏ, ví dụ như khi một phân tử thay đổi cấu trúc hoặc một chất hòa tan được thêm vào dung môi.

Dù các phép tính FEP có độ chính xác cao, nhóm nghiên cứu cảnh báo rằng chúng "yêu cầu các nguồn tài nguyên tính toán lớn mà thường không đủ khả năng chi trả cho các ứng dụng quy mô lớn".

Các phương pháp như vậy thường dựa vào những cấu trúc protein ba chiều khó có được để chạy, chỉ có thể thu được bằng thiết bị đắt tiền và quy trình phòng thí nghiệm mở rộng.

Nhóm nghiên cứu cho biết ActFound có thể hoạt động chính xác với ít điểm dữ liệu hơn, cung cấp một giải pháp thay thế chính xác và ít tốn kém hơn cho FEP.

"Kết quả đầy hứa hẹn của chúng tôi chỉ ra rằng ActFound có thể là mô hình nền tảng hoạt tính sinh học hiệu quả cho nhiều loại hoạt động khác nhau", Wang Sheng, tác giả chính của nghiên cứu và phó giáo sư tại Đại học Washington, nói.

Trung Quốc là nơi có ngành công nghiệp dược phẩm đang bùng nổ, với việc chính phủ đầu tư mạnh vào nghiên cứu và phát triển các loại thuốc cải tiến. Nhiều công ty đã chuyển sang AI để tìm các mục tiêu thuốc tiềm năng nhằm rút ngắn thời gian phát triển, với một số sản phẩm trải qua thử nghiệm lâm sàng.

Nhóm nghiên cứu viết trong bài báo của mình rằng: "Đánh giá hoạt tính sinh học của các hợp chất là trọng tâm quá trình khám phá và phát triển thuốc".

Đánh giá hoạt tính sinh học nhằm dự đoán giá trị cho các hợp chất, giúp nhà khoa học xác định các hợp chất có thể hữu ích từ một số lượng lớn ứng viên trong khi giảm thiểu những thí nghiệm tốn thời gian và tốn kém.

Dù học máy có tiềm năng, một số thách thức lớn vẫn hạn chế việc áp dụng công nghệ này.

"Các phương pháp học máy hiện tại có khả năng tổng quát hóa kém trong dự đoán hoạt tính sinh học do số lượng nhỏ hợp chất trong mỗi thử nghiệm ít và các phép đo không tương thích giữa những thử nghiệm", nhóm nghiên cứu viết.

Các mô hình nền tảng, được đào tạo trước trên tập dữ liệu lớn để tổng quát hóa dự đoán cho những tập dữ liệu không có nhãn, là một cách để vượt qua vấn đề này.

ActFound đã được đào tạo bằng 35.644 thử nghiệm từ cơ sở dữ liệu hóa học phổ biến cũng như 1,6 triệu hoạt tính sinh học được đo lường bằng thực nghiệm.

Ngoài ra, ActFound cũng sử dụng hai phương pháp học máy là học meta (siêu dữ liệu) và học từng cặp.

“Học meta rất phù hợp để dự đoán hoạt tính sinh học, vì có tình trạng thiếu hụt nghiêm trọng dữ liệu hoạt tính sinh học chưa được đo lường trong nhiều dự án khám phá thuốc do chi phí trong phòng thí nghiệm cao”, Wang Sheng nói.

Trong khi đó, học từng cặp giúp khái quát hóa mô hình AI. Thay vì dự đoán các giá trị tuyệt đối có khả năng không tương thích, nó tính toán sự khác biệt tương đối giữa các cặp hợp chất.

“Trực giác của chúng tôi là dù các hợp chất từ ​​các thử nghiệm khác nhau có thể có những đơn vị, phạm vi giá trị hoặc số liệu đo lường khác nhau, những hợp chất trong cùng một xét nghiệm là tương đương nhau. Chúng tôi là những người đầu tiên kết hợp học meta và học từng cặp trong dự đoán hoạt tính sinh học”, nhóm nghiên cứu viết.

ActFound đã được thử nghiệm trên 6 tập dữ liệu hoạt tính sinh học trong thế giới thực và được phát hiện là vượt trội 9 mô hình AI cạnh tranh về dự đoán trong miền và hoạt động mạnh mẽ trong dự đoán liên miền.

Nói cách khác, ActFound không chỉ hoạt động tốt trong các điều kiện mà nó đã được huấn luyện, mà còn thể hiện hiệu suất tốt khi áp dụng cho các trường hợp mới hoặc khác biệt.

Nhóm cũng tiến hành một nghiên cứu điển hình để xem liệu ActFound có thể được sử dụng để dự đoán hoạt tính sinh học thuốc điều trị ung thư hay không và thấy rằng nó hoạt động tốt hơn các mô hình AI khác.

Nhóm nghiên cứu cho biết: "Kết quả đầy hứa hẹn của chúng tôi chỉ ra rằng ActFound có thể là mô hình nền tảng hoạt tính sinh học hiệu quả để dự đoán hoạt tính sinh học của hợp chất, mở đường cho việc phát triển và khám phá thuốc dựa trên học máy".