Mặc dù cho đến nay, các phương pháp tính toán liên quan đến quá trình khám phá thuốc đã có một nền tảng vững chắc, song, vẫn còn một khoảng trống không nhỏ khi nói đến các công cụ AI mới có khả năng dự đoán nhanh chóng, hiệu quả và tiết kiệm chi phí về cường độ tương tác giữa các phân tử và protein - một bước quan trọng trong quá trình khám phá thuốc.
Thực tế, việc sử dụng AI để hợp lý hóa việc khám phá thuốc đang bùng nổ trên thế giới hiện nay. Các nhà nghiên cứu đã và đang triển khai các mô hình học máy để giúp xác định các phân tử - trong số hàng tỷ lựa chọn - có thể có các đặc tính mà họ đang tìm kiếm để phát triển các loại thuốc mới.
Song quá trình này lại có rất nhiều biến số cần xem xét - từ giá nguyên vật liệu đến nguy cơ xảy ra sự cố - nên ngay cả khi các nhà khoa học sử dụng AI, việc cân nhắc chi phí để tổng hợp các ứng cử viên tốt nhất không phải là một nhiệm vụ dễ dàng.
Các thách thức liên quan đến việc xác định các phân tử tốt nhất và tiết kiệm chi phí nhất để thử nghiệm là một trong những lý do khiến các loại thuốc mới mất quá nhiều thời gian để phát triển, đồng thời cũng là nguyên nhân chính khiến giá thuốc kê đơn tăng cao.
Gần đây, để giúp các nhà khoa học đưa ra những lựa chọn phù hợp với chi phí, các nhà nghiên cứu của Viện Công nghệ Massachusetts (Mỹ) cũng đã phát triển một khung thuật toán để tự động xác định các ứng cử viên phân tử tối ưu, giúp giảm thiểu chi phí tổng hợp đồng thời tối đa hóa khả năng các ứng cử viên có được các đặc tính mong muốn. Thuật toán cũng xác định các vật liệu và các bước thử nghiệm cần thiết để tổng hợp các phân tử này.
Khung định lượng của họ, được gọi là Quy trình tối ưu hóa lộ trình dựa trên phần thưởng và lập kế hoạch tổng hợp (SPARROW), xem xét chi phí tổng hợp một loạt phân tử cùng một lúc, do nhiều ứng cử viên thường có thể được bắt nguồn từ một số hợp chất hóa học giống nhau.
Và mới đây, TS. Nguyễn Thị Ngọc Anhvà nhóm nghiên cứu tại Đại học Monash (Úc) đã phát triển “PSICHIC” (PhySIcoCHemICal) - tập hợp kiến thức chuyên môn về giao diện công nghệ máy tính và khám phá thuốc để đưa ra một cách tiếp cận hoàn toàn mới.
Các so sánh giữa dự đoán thử nghiệm và dự đoán AI của một thư viện hợp chất lớn với thụ thể A1 - một mục tiêu điều trị tiềm năng cho nhiều bệnh - đã chứng minh PSICHIC có thể sàng lọc và xác định một cách hiệu quả một ứng cử viên thuốc mới. Hơn nữa, PSICHIC có thể phân biệt các tác dụng chức năng của hợp chất hay nói cách khác là cách thuốc có thể ảnh hưởng đến cơ thể chúng ta”, TS. May chia sẻ trong thông cáo báo chí của Đại học Monash. TS. Lauren May
|
Trong nghiên cứu mới xuất bản trên tạp chí Nature Machine Intelligence, các nhà khoa học đã chứng minh cách PSICHIC chỉ sử dụng dữ liệu trình tự, cùng với AI, để giải mã các tương tác phân tử protein với độ chính xác rất cao, đồng thời loại bỏ nhu cầu liên quan đến các quy trình tốn kém và kém chính xác hơn như cấu trúc 3D.
TS. Lauren May - đồng tác giả của nghiên cứu và công tác tại Viện Khoa học Dược phẩm Monash (MIPS), cho biết nhóm đã chứng minh rằng PSICHIC có thể sàng lọc các ứng cử viên thuốc mới một cách hiệu quả và thực hiện lập hồ sơ chọn lọc.
“Các so sánh giữa dự đoán thử nghiệm và dự đoán AI của một thư viện hợp chất lớn với thụ thể A1 - một mục tiêu điều trị tiềm năng cho nhiều bệnh - đã chứng minh PSICHIC có thể sàng lọc và xác định một cách hiệu quả một ứng cử viên thuốc mới. Hơn nữa, PSICHIC có thể phân biệt các tác dụng chức năng của hợp chất hay nói cách khác là cách thuốc có thể ảnh hưởng đến cơ thể chúng ta”, TS. May chia sẻ trong thông cáo báo chí của Đại học Monash.
“AI có tiềm năng to lớn trong việc thay đổi hoàn toàn bối cảnh phát triển thuốc. Chúng tôi thấy trước rằng PSICHIC sẽ định hình lại việc sàng lọc ảo và nâng cao hiểu biết về tương tác giữa phân tử protein”, TS. May nói thêm.
Nhà khoa học dữ liệu, chuyên gia AI và tác giả chính - Giáo sư Geoff Webb từ Khoa Khoa học Dữ liệu và Trí tuệ Nhân tạo của Đại học Monash, cho biết, mặc dù đã có các phương pháp khác để dự đoán tương tác giữa phân tử protein nhưng các phương pháp này có thể tốn kém và khả năng dự đoán tác dụng chức năng của thuốc cũng kém hơn.
“Việc áp dụng các phương pháp tiếp cận sử dụng AI để nâng cao hiệu quả chi phí và độ chính xác của việc khám phá thuốc là một lĩnh vực đang phát triển và mở rộng nhanh chóng. Với PSICHIC, nhóm của chúng tôi đã loại bỏ nhu cầu sử dụng cấu trúc 3D để lập bản đồ các tương tác phân tử protein, vốn là một yêu cầu tốn kém và thường có nhiều hạn chế”, Giáo sư Webb nói.
“Thay vào đó, PSICHIC xác định ‘dấu vân tay’ duy nhất của các tương tác protein-phân tử cụ thể bằng cách áp dụng AI để phân tích hàng nghìn tương tác protein-phân tử, giúp sàng lọc các hợp chất thuốc nhanh hơn và hiệu quả hơn mà không cần hiển thị hiển thị cấu trúc protein hoặc phân tử ở dạng 3D có độ phân giải cao”.
TS. Nguyễn Thị Ngọc Anh- đồng tác giả của nghiên cứu và hiện đang công tác tại Viện khoa học dược phẩm Monash với chuyên môn liên quan đến các phương pháp tiếp cận AI đối với tương tác giữa thuốc và thụ thể - cũng nhấn mạnh tầm quan trọng của những tương tác này.
“Tương tác giữa các phân tử và protein củng cố nhiều quá trình sinh học, trong đó thuốc phát huy tác dụng như mong muốn bằng cách tương tác có chọn lọc với các protein cụ thể. Hiện nay, đã có những nỗ lực đáng kể trên toàn cầu nhằm phát triển các phương pháp mới dựa trên AI nhằm xác định chính xác cách thức hoạt động của một phân tử khi nó tương tác với mục tiêu protein của nó. Và xét cho cùng, đây là nền tảng cốt lõi để sản xuất thuốc”, TS. Nguyễn Thị Ngọc Anhnói.
Theo nghiên cứu sinh tiến sỹ Huân Yee Koh - tác giả thứ nhất đến từ Khoa Công nghệ Thông tin của Đại học Monash, nhóm nghiên cứu của họ đã có những động lực rất cụ thể đằng sau việc thiết kế ra PSICHIC để khám phá thuốc.
“AI có khả năng cải thiện đáng kể tính mạnh mẽ, hiệu quả và chi phí ở nhiều giai đoạn trong quá trình phát triển thuốc, từ khám phá ở giai đoạn đầu cho đến dự đoán phản ứng lâm sàng. Tuy nhiên, vì nhiều hệ thống AI về cơ bản dựa vào việc khớp mẫu nên các hệ thống này có thể bị ảnh hưởng từ mức độ tự do không bị hạn chế. Điều này có thể dẫn đến việc ghi nhớ các mô hình đã biết trước đó thay vì tìm hiểu các cơ chế cơ bản của tương tác phối tử protein, và vấn đề này cuối cùng lại cản trở việc phát hiện ra các loại thuốc mới”, nghiên cứu sinh tiến sỹ Huân Yee Koh cho biết.
“PSICHIC giải quyết vấn đề này bằng cách kết hợp các ràng buộc hóa lý vào mô hình AI của nó khi học từ dữ liệu trình tự. Điều này cho phép PSICHIC đạt được khả năng giải mã các cơ chế tương tác giữa phối tử protein trực tiếp từ dữ liệu trình tự, bỏ qua nhu cầu về cấu trúc tốn kém và giúp việc khám phá thuốc trở nên hiệu quả hơn và đáng tin cậy hơn”.
Giáo sư Shirui Pan, đồng tác giả và là thành viên tương lai của ARC tại Trường Công nghệ Thông tin và Truyền thông tại Đại học Griffith, cho biết thực tế PSICHIC chỉ yêu cầu dữ liệu trình tự để vận hành có nghĩa là nó có thể có khả năng tiếp cận rất dễ dàng.
“So với các phương pháp dựa trên trình tự sâu trước đây, phương pháp này cung cấp sự thể hiện trung thực hơn về các tương tác phân tử protein cơ bản, từ đó thu hẹp khoảng cách hiệu suất giữa các phương pháp dựa trên trình tự và các phương pháp dựa trên cấu trúc hoặc phức tạp”, Giáo sư Shirui Pan cho biết.