Các nhà nghiên cứu sử dụng máy CyBio FeliX để trích xuất và điều chỉnh các mẫu DNA. Ảnh: LabGenius

Bước vào một xưởng sản xuất bánh quy cũ ở Nam London, nhiều người không khỏi cảm thấy lạ lẫm. Các thiết bị nhào bột khổng lồ và lò nướng công nghiệp xưa cũ đã biến mất, thế chỗ chúng là những trang thiết bị hiện đại như cánh tay robot, máy ấp vi sinh và máy giải trình tự DNA. James Field và startup LabGenius của ông không sản xuất đồ ngọt; họ đang xây dựng một phương pháp đột phá: ứng dụng AI để tạo ra các kháng thể y học mới.

Về cơ bản, kháng thể là phản ứng của cơ thể khi nhận biết được sự xâm nhập của các sinh vật lạ, và đóng vai trò là đội quân tiền tuyến của hệ thống miễn dịch. Chúng là những protein được tạo hình đặc biệt để bám vào những “kẻ địch” từ bên ngoài, vô hiệu hóa chúng. Từ những năm 1980, các công ty dược phẩm đã sản xuất kháng thể tổng hợp để điều trị các bệnh như ung thư và giảm nguy cơ đào thải sau khi phẫu thuật cấy ghép.

Song tiến độ thiết kế các kháng thể tổng hợp không nhanh như nhiều người tưởng. Các nhà thiết kế protein phải tìm hiểu hàng triệu tổ hợp axit amin tiềm năng để tìm ra những tổ hợp sẽ kết hợp với nhau, sau đó kiểm tra lại bằng thực nghiệm, điều chỉnh một số biến số để cải thiện các đặc điểm của phương pháp điều trị. “Nếu bạn muốn tạo ra một kháng thể trị liệu mới, thì ở đâu đó trong không gian vô tận của các phân tử tiềm năng này, rồi sẽ có phân tử mà bạn hằng kiếm tìm”, James Field, nhà sáng lập và là Giám đốc điều hành của LabGenius, cho biết.

Sẽ thế nào nếu robot làm công việc vất vả này thay chúng ta? Field quyết định thành lập công ty này vào năm 2012 khi đang học tiến sĩ về sinh học tổng hợp tại Imperial College London. Đó là thời điểm anh nhận thấy giá thành cho việc giải trình tự DNA, tính toán và chế tạo robot đều giảm xuống. LabGenius sử dụng cả ba phương pháp này để tự động hóa phần lớn quy trình phát hiện kháng thể. Tại phòng thí nghiệm ở Bermondsey, thuật toán học máy thiết kế các kháng thể để nhắm vào một số bệnh nhất định, sau đó hệ thống robot tự động xây dựng và phát triển chúng trong phòng thí nghiệm, chạy thử nghiệm và đưa dữ liệu trở lại thuật toán. Tất cả những bước này đều diễn ra dưới sự giám sát của con người. Tại trụ sở công ty, các chuyên gia dành riêng những căn phòng để nuôi cấy tế bào bệnh, phát triển kháng thể và giải trình tự DNA của chúng.

Để bắt đầu, các nhà khoa học sẽ tự xác định “không gian” phù hợp để tìm kiếm các kháng thể tiềm năng nhằm giải quyết một căn bệnh cụ thể: Họ cần các protein có thể phân biệt giữa tế bào khỏe mạnh và tế bào bệnh, bám vào tế bào bị bệnh và sau đó tuyển chọn một tế bào miễn dịch để hoàn thành công việc. Nhưng giữa vũ trụ vô tận của các lựa chọn tiềm năng, làm sao các nhà khoa học lựa ra được những protein này? LabGenius đã phát triển một mô hình học máy có thể khám phá protein phù hợp một cách nhanh chóng và hiệu quả hơn nhiều. “Bạn chỉ cần cung cấp cho hệ thống những ví dụ về tế bào khỏe mạnh và tế bào bệnh”, Field giải thích. “Sau đó, hệ thống sẽ tự tìm tòi các đặc điểm kháng thể khác nhau giúp phân biệt hai loại tế bào này.”

James Field, nhà sáng lập kiêm CEO của LabGenius. Ảnh: LabGenius

Mô hình chọn ra hơn 700 ứng cử viên sáng giá từ 100.000 kháng thể tiềm năng, sau đó tự động thiết kế, xây dựng và kiểm tra chúng nhằm mục đích tìm ra các kháng thể hoạt động hiệu quả để tiến hành nghiên cứu sâu hơn. Để dễ hình dung, hãy tưởng tượng bạn đang phải chọn ra một chiếc xe hơi hoàn hảo giữa hàng nghìn chiếc: Bạn có thể bắt đầu bằng cách chọn một màu cơ bản, sau đó lựa chọn tiếp các sắc thái màu cụ thể.

Rút ngắn thời gian

Các thử nghiệm diễn ra gần như hoàn toàn tự động, nhờ một loạt thiết bị cao cấp giúp chuẩn bị mẫu và chạy mẫu qua các giai đoạn khác nhau của quy trình thử nghiệm. Cụ thể, kháng thể được tạo ra dựa trên trình tự di truyền của chúng và sau đó được đưa vào thử nghiệm trên các mẫu của mô bệnh mà chúng cần xử lý. Các kỹ thuật viên giám sát quá trình, nhưng nhìn chung công việc của họ chủ yếu là chuyển mẫu từ máy này sang máy khác.

“Khi bạn có kết quả thử nghiệm từ tập hợp 700 phân tử đầu tiên, thông tin này sẽ được gửi lại cho mô hình làm dữ liệu để mô hình học tập”, Field cho biết. Nói cách khác, thuật toán bắt đầu vẽ nên một bức tranh về cách các thiết kế kháng thể khác nhau thay đổi hiệu quả điều trị - với mỗi vòng thiết kế kháng thể tiếp theo, nó sẽ trở nên tốt hơn, bức tranh ngày càng được hoàn thiện.

“Một hạn chế của kỹ thuật protein thông thường đó là ngay khi chúng ta tìm ra được một ứng viên, ta có xu hướng tiến hành nhiều chỉnh sửa nhỏ lên phân tử đó để xem nó có hoạt động hiệu quả hơn không”, Field phân tích. Những điều chỉnh đó có thể cải thiện một đặc tính - chẳng hạn như mức độ dễ dàng tạo ra kháng thể trên quy mô lớn - nhưng lại có tác động tai hại đến nhiều thuộc tính cần thiết khác, chẳng hạn như tính chọn lọc, độc tính, hiệu lực, v.v. Cách tiếp cận này tiêu tốn của chúng ta nhiều thời gian và có thể dẫn đến những điều chỉnh sai lệch.

Bên cạnh đó, vì sợ phạm sai lầm, các chuyên gia protein có xu hướng tìm kiếm những protein mà họ biết sẽ hoạt động hiệu quả. Kết quả là các phát hiện của bạn luôn nằm trong vòng an toàn và chỉ quẩn quanh trong một số lượng phân tử nhất định.

Phương pháp mà LabGenius phát triển giúp mang lại những giải pháp bất ngờ mà con người có thể chưa từng nghĩ tới - nhờ mô hình học máy, các nhà khoa học chỉ mất sáu tuần kể từ khi lên kế hoạch cho đến khi hoàn thành đợt thử nghiệm và trả kết quả lại cho mô hình học máy. Quá trình này gồm bốn bước:

1. Thiết kế: Dưới sự điều khiển của con người, một mô hình học máy thiết kế các kháng thể để thu hẹp giới hạn tìm kiếm, khai thác những hiểu biết từ các chu kỳ học tập trước đó thông qua một quy trình có tên là tối ưu hóa Bayes.

2. Xây dựng: Các phân tử DNA dành cho kháng thể được tạo ra, sau đó kháng thể phát triển bên trong tế bào động vật có vú hoặc vi khuẩn trước khi được điều chỉnh, sẵn sàng cho giai đoạn tiếp theo - giai đoạn tự động hóa bằng robot.

3. Thử nghiệm: Trong phòng thí nghiệm, hệ thống tiến hành các thử nghiệm dựa trên tế bào liên quan đến bệnh tật và thử nghiệm các kháng thể. Đáng chú ý, hệ thống có thể tiến hành thử nghiệm 768 kháng thể cùng một lúc. Mỗi bài thử nghiệm được cấp một mã vạch để thuận tiện cho việc theo dõi.

4. Học hỏi: Dữ liệu thử nghiệm được đưa trở lại mô hình học máy, làm cơ sở để thiết kế đợt 700 kháng thể tiếp theo.

Nhờ quy trình và công nghệ ưu việt này, LabGenius đã huy động được 28 triệu USD từ Atomico và Kindred, đồng thời đang bắt đầu hợp tác với các công ty dược phẩm để cung cấp dịch vụ tư vấn. Field cho biết các nhà khoa học có thể áp dụng công nghệ tự động này vào các nghiên cứu điều chế thuốc, rút ngắn quá trình tìm kiếm các “ứng cử viên” phù hợp.

Cuối cùng, Field chia sẻ rằng phương pháp điều trị bằng kháng thể hoạt động hiệu quả hơn và có ít tác dụng phụ hơn so với những phương pháp hiện có do con người thiết kế. “Chúng tôi có thể tìm thấy những phân tử mà bạn sẽ không bao giờ tìm thấy bằng các phương pháp thông thường”, ông nhấn mạnh. Vì chúng thử nghiệm tất cả các phân tử, không bị kìm hãm trong vòng an toàn, nên “chúng rất khác biệt so với những thiết kế mà con người nghĩ ra - điều này sẽ cho phép chúng tôi tìm ra các phân tử có đặc tính tốt hơn, từ đó cung cấp các kháng thể chất lượng cao cho bệnh nhân.”