Trí tuệ nhân tạo đang mở ra kỷ nguyên mới trong nghiên cứu khoa học — nơi thuật toán thay thế thử nghiệm thủ công tốn thời gian. Từ dự đoán cấu trúc protein đến phát hiện vật liệu, AI đã chứng minh khả năng giải quyết các bài toán mà con người mất hàng thập kỷ vẫn chưa xong.
AlphaFold 3: Bước nhảy vọt trong dự đoán cấu trúc phân tử
Google DeepMind đã phát triển AlphaFold 3 — mô hình AI có thể dự đoán cấu trúc 3D của hầu hết các phân tử sinh học, bao gồm protein, DNA, RNA, và cả phức hợp ligand-receptor. Khác với AlphaFold 2 chỉ tập trung vào protein, AlphaFold 3 mở rộng phạm vi sang toàn bộ hệ sinh thái phân tử.
Mô hình sử dụng kiến trúc diffusion transformer, kết hợp attention mechanism để học các quy luật tương tác cấu trúc từ cơ sở dữ liệu lớn. Kết quả: độ chính xác vượt trội trên nhiều benchmark khoa học, đặc biệt trong nghiên cứu thuốc và vaccine.
AlphaFold 3 đã được cung cấp miễn phí qua AlphaFold Server cho cộng đồng khoa học toàn cầu. Trong vòng một năm ra mắt, hơn 1 triệu nhà nghiên cứu đã sử dụng để giải mã protein liên quan đến ung thư, Alzheimer, và virus cúm.
AI phát hiện vật liệu mới và pin thể rắn
Bên cạnh sinh học, AI đang thay đổi ngành vật liệu học. Các mô hình như GNoME (Graph Networks for Materials Exploration) của DeepMind đã dự đoán hơn 2 triệu cấu trúc vật liệu mới ổn định — gấp gần 10 lần số vật liệu đã biết trong lịch sử nhân loại.
Trong lĩnh vực pin thể rắn, AI tối ưu hóa thành phần điện giải để tăng độ dẫn điện và an toàn. Toyota và Samsung đã báo cáo pin thể rắn thế hệ mới với mật độ năng lượng 400Wh/kg, nhờ AI tối ưu hóa thành phần lithium sulfide và ceramic electrolyte.
AI trong phát triển thuốc: từ virtual screening đến clinical trial
Ngành dược mất trung bình 10-15 năm và 1-2 tỷ USD để đưa một thuốc mới ra thị trường. AI rút ngắn quy trình này đáng kể:
- Virtual screening: DeepMind Isomorphic Labs sử dụng AI để mô phỏng tương tác ligand-protein, loại bỏ 90% hợp chất không hiệu quả trước khi thử nghiệm ướt.
- Protein design: RFdiffusion và ESMFold cho phép thiết kế protein từ đầu — các enzyme xử lý nhựa, kháng sinh siêu kháng sinh đang trong thử nghiệm lâm sàng.
- Trial optimization: AI phân tích dữ liệu bệnh nhân để xác định nhóm thử nghiệm tối ưu, giảm chi phí và rút ngắn thời gian FDA phê duyệt.
Năm 2024, thuốc kháng siêu viêm nhóm INS018_055 được phát triển bởi AI đã bước vào giai đoạn thử nghiệm lâm sàng giai đoạn 2 cho bệnh phổi ký sinh trùng IPF — tốc độ từ concept đến clinical trial chỉ 18 tháng, thay vì 5 năm thông thường.
Thử thách và hạn chế
AI khoa học không phải là “phép màu”. Các mô hình đôi khi đưa ra dự đoán có độ tin cậy thấp (low confidence) mà con người khó phát hiện. Bên cạnh đó, dữ liệu training thiên lệch về các protein đã nghiên cứu nhiều — các protein hiếm hoặc mới vẫn là thách thức.
Vấn đề khác là AI hallucination: mô hình có thể tạo ra cấu trúc phân tử trông hợp lý nhưng không tồn tại trong thực tế. Cộng đồng khoa học đang phát triển các phương pháp verification bằng thí nghiệm ướt để chống lại hiện tượng này.
Kết luận
AI đang trở thành công cụ không thể thiếu trong phòng thí nghiệm hiện đại. Từ AlphaFold 3 đến GNoME và virtual screening, nó rút ngắn chu kỳ nghiên cứu từ thập kỷ xuống năm, từ triệu đô xuống trăm nghìn đô. Đối với Việt Nam, cơ hội nằm ở việc áp dụng các mô hình mã nguồn mở này vào nghiên cứu thuốc từ dược liệu địa phương, giảm phụ thuộc vào công nghệ ngoại nhập.
Tham khảo thêm: Google DeepMind AlphaFold 3, GNoME và vật liệu học, AlphaFold 3 Nature paper.
