Một cách thông minh hơn để tổng hợp thuốc

Công nghệ AI mới của các nhà nghiên cứu tại MIT chỉ gợi ý những cấu trúc phân tử có thể tổng hợp được trong phòng thí nghiệm, thay vì những cấu trúc bất kỳ.

Một cấu trúc phân tử tổng hợp | Ảnh: MIT

Các công ty dược phẩm đang sử dụng trí tuệ nhân tạo để tối ưu quá trình khám phá các loại thuốc mới. Chỉ trong vài phút, các mô hình học máy có thể đề xuất các phân tử mới có các đặc tính cụ thể, chống lại được một số bệnh nhất định - điều mà con người phải mất hàng tháng để đạt được theo cách thủ công.

Nhưng có một trở ngại lớn đang kìm hãm các hệ thống này: Những cấu trúc phân tử mà AI đề xuất thường rất khó hoặc không thể sản xuất được trong phòng thí nghiệm. Nếu nhà hóa học không tạo ra được một phân tử thực sự, họ không tài nào kiểm tra được các đặc tính kháng bệnh của nó.

Mới đây, tại Hội nghị Quốc tế về Học Đại diện (The International Conference on Learning Representations ICLR 2022), các nhà nghiên cứu tại MIT đã đưa ra một tiếp cận mới, buộc mô hình học máy chỉ gợi ý những cấu trúc phân tử có thể tổng hợp được.

"Nhiều mô hình nghĩ về việc xây dựng các cấu trúc phân tử theo cách kết hợp 'nguyên tử-với-nguyên tử', hoặc 'liên kết hóa học-với-liên kết hóa học'. Thay vào đó, chúng tôi thiết kế các mô hình xây dựng phân tử theo cách liên kết 'khối-với-khối' và 'phản ứng hóa học-với-phản ứng hóa học'”, tác giả chính của nghiên cứu, GS. Connor Coley tại Khoa kỹ thuật hóa học và Khoa kỹ thuật điện và khoa học máy tính của MIT, cho biết.

Cụ thể, mô hình được cung cấp một tập hợp các "khối xây dựng" khả thi, gồm một danh sách các hóa chất có thể mua được và các phản ứng hóa học có thể xảy ra giữa những hóa chất đó theo định luật hóa học.

Từ dữ liệu đầu vào này, mô hình tạo ra một cây thông tin bằng cách chọn lựa các khối và từng bước nối chúng lại với nhau bằng các phản ứng hóa học để hình thành nên phân tử cuối cùng. Ở mỗi bước, khi bổ sung thêm hóa chất và phản ứng hóa học mới, phân tử càng trở nên phức tạp hơn, cuối cùng thu được đầu ra là toàn bộ cấu trúc của phân tử và một cây thông tin về những loại hóa chất và các phản ứng hóa học tổng hợp nên nó.

Việc kiểm soát đầu vào cho phép các nhà nghiên cứu khoanh vùng không gian tìm kiếm một phân tử mới. "Điều đáng ngạc nhiên là bạn có thể tạo ra phần lớn các phân tử từ bộ mẫu nhỏ như vậy. Bạn không cần quá nhiều khối để có thể tạo ra một không gian rộng rãi cho mô hình tìm kiếm", nghiên cứu sinh sau tiến sĩ Rocío Mercado, đồng tác giả của bài báo, nói.

Có thể sử dụng mô hình AI này để tối ưu quá trình phát triển thuốc, chẳng hạn đưa ra một số tính chất nhất định muốn có trong phân tử cuối cùng để mô hình tự đề xuất một cấu trúc phân tử tổng hợp được từ những khối và mẫu phản ứng hóa học đã biết.

Mô hình này cũng có thể giúp cải thiện những cách phát triển thuốc hiện có. Chẳng hạn, nếu một công ty dược đã xác định được một phân tử cụ thể có tính chất mong muốn nhưng không thể sản xuất ra nó thì họ có thể dùng mô hình để tìm kiếm các phân tử tổng hợp gần giống với nó.

Các nhà nghiên cứu đã thử nghiệm mô hình bằng cách đánh giá khả năng tái tạo các phân tử tổng hợp. Kết quả, nó có thể tái tạo 51% tổng số phân tử và mỗi phân tử mất chưa đầy 1 giây.

Nhóm nghiên cứu giải thích kỹ thuật của họ nhanh hơn một số phương pháp khác vì mô hình AI không tìm kiếm thông qua tất cả các tùy chọn ở từng bước trên cây thông tin mà sử dụng một tập hóa chất và phản ứng đã có để làm việc.

Hiện nay, nhóm nghiên cứu đang lên kế hoạch cải tiến các mẫu phản ứng hóa học để nâng cao hiệu suất của mô hình.

Nguồn:

A smarter way to develop new drugs | MIT News

Amortized Tree Generation for Bottom-up Synthesis Planning and Synthesizable Molecular Design (arxiv.org)

Trang Linh (tổng hợp)