Hình ảnh chân dung CEO Peyton Greenside của công ty công nghệ sinh học BigHat Biosciences
Theo trang tin Stat News, cùng với làn sóng bùng nổ của trí tuệ nhân tạo trong ngành dược phẩm, những tuyên bố về khả năng thiết kế thuốc chỉ trong vài giờ hay rút ngắn đáng kể thời gian phát triển thuốc đang ngày càng xuất hiện nhiều hơn.
Tuy nhiên, theo Peyton Greenside, CEO của công ty công nghệ sinh học của Mỹ BigHat Biosciences, phần lớn giá trị thực sự của AI lại nằm ở một nơi khác.
Bà nhấn mạnh: “Bạn có thể thiết kế một protein trong vài giờ, nhưng điều đó không có nghĩa là bạn đã tạo ra được một loại thuốc”.
Khi AI thiết kế thuốc chỉ còn là bước khởi đầu
BigHat Biosciences là một trong những công ty công nghệ sinh học ứng dụng học máy để thiết kế các liệu pháp kháng thể.
Được thành lập năm 2019, công ty đã hoàn thành hợp tác với Tập đoàn công nghệ sinh học đa quốc gia Johnson & Johnson và hiện có các chương trình hợp tác với Merck, Amgen, AbbVie, Lilly cùng nhiều doanh nghiệp dược phẩm lớn khác.
Không chỉ cung cấp nền tảng thiết kế thuốc cho đối tác, BigHat còn phát triển danh mục thuốc riêng.
Công ty dự kiến đưa hai ứng viên thuốc vào thử nghiệm lâm sàng trong năm tới, trong đó có một thuốc liên hợp kháng thể, thuốc (ADC) điều trị ung thư dạ dày dự kiến tiến vào lâm sàng trong vài tháng tới.
CEO Greenside, tiến sĩ sinh học Y sinh và từng là giành được học bổng sau Tiến sĩ danh giá Schmidt Science Fellow, đồng sáng lập BigHat với vai trò Giám đốc Khoa học trước khi đảm nhận vị trí CEO vào năm 2025.
Theo bà, những màn trình diễn cho thấy AI có thể thiết kế thuốc cực nhanh thường tạo ra một nhận thức sai lệch về bản chất của quá trình phát triển dược phẩm.
“Nếu bạn muốn tôi thiết kế một protein cho bạn ngay bây giờ trong sáu giờ, tôi rất sẵn lòng làm điều đó”.
Thậm chí, bà cho biết công việc này có thể hoàn thành chỉ trong khoảng 20 phút. Tuy nhiên, sau khi có được một trình tự phân tử, toàn bộ phần việc khó khăn nhất vẫn còn ở phía trước.
Bà khẳng định: “Đó mới là nơi chứa đựng phần việc khó khăn nhất: tạo ra một loại thuốc thực sự.”
Theo bà Greenside, ngành công nghệ sinh học hiện đang chứng kiến hai xu hướng nổi bật.
Một bên là các công ty tại Trung Quốc liên tục tạo ra số lượng lớn phân tử cho các mục tiêu đang được thị trường quan tâm, từ kháng thể đơn đặc hiệu đến kháng thể hai đặc hiệu, theo cách tiếp cận chương trình tốt nhất giành được chiến thắng.
Ở phía còn lại là làn sóng các công ty thiết kế các protein mới hoàn toàn được tạo ra mà không có tiền thân tiến hoá hoặc không dựa trên các trình tự tự nhiên đã tồn tại (protein de novo) bằng AI như Chai, Nabla, Latent.
Các doanh nghiệp này sử dụng mô hình AI để tạo ra những phân tử mới từ đầu và giải quyết các mục tiêu sinh học khó.
Tuy nhiên, CEO Greenside cho rằng hai hướng tiếp cận trên đều có một điểm chung, đó là phần lớn vẫn tập trung vào các thiết kế tương đối đơn giản hoặc các kháng thể hai đặc hiệu cơ bản.
Trong khi đó, nhu cầu của ngành dược đang thay đổi nhanh chóng.
Hình ảnh giao diện công ty công nghệ sinh học BigHat Biosciences của Mỹ.
Theo bà, nhiều đối tác dược phẩm lớn hiện không còn tập trung vào kháng thể đơn dòng truyền thống mà chuyển sang các phân tử phức tạp hơn như kháng thể hai đặc hiệu, ba đặc hiệu hoặc các hệ thống có cơ chế điều kiện hóa.
Nguyên nhân của sự thay đổi này được cho là khá đơn giản, bởi những mục tiêu sinh học “dễ” đã gần như được khai thác hết.
Bà cho rằng: “Có một số lượng nhỏ mục tiêu có thể được khai phá bằng thiết kế ban đầu, nhưng thành thật mà nói, rất nhiều trường hợp đòi hỏi những thiết kế tinh vi hơn”.
Bên cạnh đó, một trong những chủ đề được quan tâm nhiều nhất trong phát triển thuốc bằng AI là khả năng dự đoán tính sản sinh miễn dịch, tức nguy cơ cơ thể tạo phản ứng miễn dịch chống lại thuốc.
Bà Greenside lập luận rằng, ngay cả với những thuốc thành công nhất trên thị trường, phản ứng miễn dịch vẫn rất khó dự đoán.
Ví dụ, khoảng 25% bệnh nhân sử dụng thuốc có tác dụng giảm đau Humira tạo ra kháng thể chống thuốc.
Điều này cho thấy tính sản sinh miễn dịch không phải một thuộc tính thể hiện giá trị số đơn giản mà là một phổ phản ứng khác nhau giữa từng cá thể.
Để hiểu đầy đủ vấn đề, các nhà khoa học còn phải xem xét kiểu kháng nguyên bạch cầu người (HLA) và hàng loạt yếu tố sinh học khác của mỗi bệnh nhân.
CEO Greenside khẳng định rằng, điều khả thi nhất hiện nay là giảm thiểu các yếu tố nguy cơ đã biết.
Ví dụ, các nhà phát triển thuốc có thể hạn chế hiện tượng kết tụ protein, nâng cao độ tinh khiết, cải thiện độ ổn định hoặc tối đa hóa mức độ tương đồng với protein người nhằm giảm khả năng kích hoạt phản ứng miễn dịch.
Tuy nhiên, không ai có thể đưa ra dự đoán chắc chắn. Bà chia sẻ: “Không ai có thể dự đoán chính xác tính sản sinh miễn dịch. Ngay cả ngành dược cũng không thể làm được điều đó”.
Trong giới AI công nghệ sinh học, một câu chuyện thường xuyên được nhắc tới là viễn cảnh chỉ cần một cú nhấp chuột là có thể xác định phân tử nào cuối cùng sẽ được phê duyệt.
Greenside cho rằng đây là một hình ảnh hấp dẫn nhưng còn rất xa thực tế.
Theo bà, ngay cả khi sở hữu một mô hình hoàn hảo có thể tạo ra phân tử liên kết chính xác với mục tiêu mong muốn, các công ty vẫn sẽ sẵn sàng dành thêm thời gian để tiếp tục tối ưu hóa trước khi đầu tư 30–50 triệu USD cho quá trình phát triển tiếp theo.
Trong một lĩnh vực mà phần lớn chương trình nghiên cứu đều thất bại, mục tiêu thực tế hơn là cải thiện dần xác suất thành công.
Thay vì tìm kiếm một hệ thống có thể phân loại hoàn hảo “thành công hay thất bại”, ngành công nghệ sinh học cần tập trung vào việc nâng tỷ lệ thành công lên từng bước nhỏ nhưng có ý nghĩa.
AI không thể thay thế các thử nghiệm sinh học
Một trong những tuyên bố phổ biến nhất trong ngành hiện nay là AI có thể rút ngắn đáng kể thời gian phát triển thuốc.
CEO Greenside không phủ nhận giá trị của AI trong giai đoạn thiết kế phân tử, nhưng bà cho rằng nhiều người đang đánh đồng việc thiết kế nhanh với việc phát triển thuốc nhanh.
Nhưng đó mới chỉ là điểm khởi đầu.
Bà cho rằng: “Chúng ta hoàn toàn có thể khởi tạo một tác nhân Claude rồi bảo nó: “Hãy thiết kế cho tôi một phân tử”. Nó sẽ tạo ra cho bạn một trình tự”.
Sau khi có phân tử, các nhà khoa học vẫn phải xây dựng hệ thống thử nghiệm, xác nhận mức độ biểu hiện của mục tiêu, lựa chọn các dòng tế bào đối chứng, kiểm chứng độ tin cậy của phép thử, mở rộng quy mô sản xuất và đánh giá hoạt tính sinh học.
Nếu kết quả khả quan, chương trình tiếp tục bước sang thử nghiệm trên động vật trước khi có thể tiến tới nghiên cứu lâm sàng.
Theo bà Greenside, đây chính là thực tế mà nhiều màn trình diễn AI thường bỏ qua: “Bạn có thể thiết kế bất cứ thứ gì trên máy tính trong vòng sáu giờ, nhưng bạn vẫn phải thực hiện toàn bộ quá trình đặc trưng hóa và đánh giá ở phía sau”.
Bà thừa nhận rằng trong tương lai, các mô hình AI có thể giúp giảm bớt một phần nhu cầu thử nghiệm thực nghiệm. Tuy nhiên, đến nay vẫn chưa có bằng chứng đủ mạnh để thay thế hoặc bỏ qua các quy trình kiểm chứng tiêu chuẩn.
Với CEO Peyton Greenside, giá trị lớn nhất của AI trong phát triển thuốc không phải là tạo ra một “phân tử hoàn hảo” chỉ bằng một cú nhấp chuột, mà là giúp các nhà khoa học giải quyết những bài toán sinh học và kỹ thuật phân tử ngày càng phức tạp hơn.
Trong một ngành có tỷ lệ thất bại rất cao, việc tăng thêm vài phần trăm xác suất thành công đôi khi đã đủ tạo nên khác biệt trị giá hàng trăm triệu USD.
* Nguồn: Stat News, Nature
