AlphaGenome 2 đã ngừng tính trung bình các tế bào của bạn

Năm 2024, một nhóm tại Viện Francis Crick đã dành một năm rưỡi làm việc trong phòng thí nghiệm để tìm ra vì sao một chữ cái DNA duy nhất lại gây ra bệnh viêm ruột. Mô hình mới của Google DeepMind tái tạo phát hiện này trong khoảng 30 phút. AlphaGenome 2 dự đoán một biến thể tác động ra sao bên trong một loại tế bào cụ thể thay vì dựa trên mức trung bình của mô, và trên một bài kiểm chuẩn về tế bào miễn dịch, nó tìm được gần gấp đôi số biến thể nhân quả so với trình độ tiên tiến nhất trước đó. Đây là lớp thứ ba trong một chồng lớp công nghệ mà Google đã xây dựng từ AlphaFold — và lớp thứ năm vẫn còn thiếu.

Năm 2024, một nhóm tại Viện Francis Crick ở Luân Đôn đã làm một việc tốn kém. Họ dành một năm rưỡi cho chỉnh sửa gen và sinh học phân tử để giải thích vì sao một chữ cái DNA duy nhất, nằm trong một đoạn hệ gen không chứa gen nào, lại làm tăng nguy cơ mắc bệnh viêm ruột. Câu trả lời là một công tắc từ xa hoạt hóa quá mức một gen có tên ETS2 trong các tế bào miễn dịch ở ruột.

Tuần này, các nhà nghiên cứu tại Google DeepMind đã tái tạo kết quả đó bằng tính toán, không cần đến pipet.

“Họ đã tìm ra câu trả lời trong 30 phút, trong khi chúng tôi phải mất một năm rưỡi làm thí nghiệm,” James Lee, nhà miễn dịch học dẫn dắt nghiên cứu năm 2024, nói với Nature. “Từ góc nhìn của chúng tôi, điều đó thật đáng yên tâm.”

Mô hình này là AlphaGenome 2, được công bố vào ngày 11 tháng 11. Cải tiến của nó có phạm vi hẹp, mang tính kỹ thuật và có ý nghĩa quan trọng: nó dự đoán một biến thể DNA tác động ra sao bên trong một loại tế bào hoặc trạng thái tế bào cụ thể, thay vì lấy trung bình trên toàn bộ một mô.

Sự phân biệt đó chính là toàn bộ lập luận. Tim, não và hệ miễn dịch của bạn mang cùng một trình tự DNA. Điều tách biệt chúng là việc mỗi tế bào bật những gen nào và bật bao nhiêu. Một biến thể có thể phá hỏng một gen trong một tế bào và không làm gì ở tế bào bên cạnh, đó là lý do vì sao giá trị trung bình của một mô có thể che giấu cơ chế mà một chương trình thuốc cần đến.

Bốn bước vào năm 2024 đã trở thành ba vào năm 2026: biến thể, cơ chế, và một mô hình có thể tiếp cận chúng mà không cần mười tám tháng ở giữa.

Điều gì thực sự đã thay đổi

AlphaGenome 1, được xem trước vào tháng 6 năm 2025 và công bố trên Nature vào tháng 1 năm 2026, đã đọc một triệu chữ cái DNA và đưa ra dự đoán cho hàng nghìn thí nghiệm trên nhiều mô cùng một lúc. DeepMind hiện nói rằng thiết kế đó "đã phân tán năng lực của mô hình" và khiến việc phân tách các loại tế bào có quan hệ gần gũi trở nên khó khăn.

AlphaGenome 2 là một mô hình có điều kiện. Cùng với trình tự DNA, mô hình nhận một điều kiện sinh học — mô, loại tế bào hoặc trạng thái tế bào — và sử dụng điều kiện đó ở mọi giai đoạn trong kiến trúc của mình, dự đoán cho từng điều kiện một. Mô hình được huấn luyện trên hơn 107 triệu hồ sơ tế bào riêng lẻ, bao gồm 637 loại tế bào người và 311 loại tế bào chuột, đồng thời bổ sung dữ liệu methyl hóa DNA, một đầu ra mà các nhà nghiên cứu đã yêu cầu.

Hai hệ quả quan trọng hơn các tiêu chuẩn đánh giá. Thứ nhất, nó có thể dự đoán các phép đo còn thiếu: đưa cho nó hoạt động gen ở cấp độ tế bào đơn, nó sẽ ước lượng khả năng tiếp cận chromatin, giúp phòng thí nghiệm biết thí nghiệm nào đáng thực hiện tiếp theo. Thứ hai, nó thích ứng với những trạng thái tế bào mà nó chưa từng thấy, chỉ từ vài chục tế bào và không cần huấn luyện lại. Với dữ liệu từ một nghiên cứu vắc-xin mRNA COVID-19, nó đã tách các tế bào T hoạt hóa khỏi các tế bào T nghỉ, và phát hiện rằng một biến thể liên quan đến COVID-19 nặng phá vỡ hoạt động gen mạnh hơn ở trạng thái hoạt hóa — một hiệu ứng mà các tế bào nghỉ sẽ che giấu.

“Nếu bạn muốn hiểu các biến thể liên quan đến bệnh di truyền, thì bạn phải tự hỏi những loại tế bào nào bị ảnh hưởng,” Žiga Avsec, người lãnh đạo nhóm AlphaGenome, nói với Nature. Lee nói thẳng thừng hơn về hạn chế của phiên bản trước: một mô hình không thể dự đoán tính đặc hiệu theo loại tế bào “chưa thực sự hữu ích với chúng tôi”.

Ngăn xếp mà Google đang xây dựng

Đọc các bản phát hành theo thứ tự và một cấu trúc sẽ hiện ra. Mỗi bản giải quyết lớp phía trên bản trước đó, và mỗi bản đều vô dụng nếu đứng một mình.

Isomorphic Labs, công ty tách ra từ Alphabet điều hành mảng thiết kế thuốc của DeepMind theo hướng thương mại, đã huy động được 2,1 tỷ USD vào tháng 5 và cho biết các thử nghiệm lâm sàng đầu tiên của mình dự kiến sẽ diễn ra trước cuối năm nay — một mục tiêu mà trước đó công ty đã đặt cho năm 2025. AlphaFold đã cho chúng ta biết hình dạng của ổ khóa. AlphaGenome cho chúng ta biết nó nằm trên cánh cửa nào và trong phòng nào. Isomorphic cắt chìa khóa. Không điều nào trong số đó quyết định liệu chìa khóa có đến được căn phòng hay không.

Đưa thuốc đến đích là nơi sinh học không còn là một bài toán thông tin. Một loại thuốc gắn đúng protein trong đĩa thí nghiệm vẫn phải sống sót qua dòng máu, vượt qua đúng màng và đi vào tế bào đích. Việc đưa thuốc đến đích có tồn tại — hạt nano lipid, liên hợp kháng thể-thuốc, tế bào T được biến đổi kỹ thuật — nhưng nó được chọn theo từng cơ quan và từng phân tử, chứ không được tính toán từ một trình tự. Thử nghiệm lâm sàng vẫn là phép thử duy nhất có ý nghĩa, và chúng chậm vì những lý do mà không mô hình nào đã thay đổi được.

Ba đến năm năm sẽ đòi hỏi những gì

Lập luận cho việc sớm giải quyết các bài toán sinh học không phải là các mô hình có phép màu. Mà là chi phí của bước đầu tiên — hình thành một giả thuyết đúng về cơ chế — đã giảm nhanh hơn bất kỳ ai dự đoán. Ba mươi phút so với mười tám tháng không phải là một khoản tăng năng suất; đó là một kiểu công việc khác.

Ba điều sẽ phải đồng thời đúng. Chuỗi từ biến thể đến tế bào đến thuốc phải tiếp tục được thu hẹp, điều mà mô hình này lần đầu tiên làm cho có vẻ khả thi. Kiểm chứng trong phòng thí nghiệm ướt phải theo kịp, đây là vấn đề về robot và thuốc thử, không phải vấn đề AI. Và lớp thứ năm phải được giải quyết một lần, trong một mô, cho một lớp phân tử — sau đó mô thức này có xu hướng khái quát hóa.

AlphaGenome 2 không chữa khỏi bất kỳ bệnh nào. Nó chỉ dùng cho nghiên cứu, chưa được xác thực cho công việc lâm sàng, và các dự đoán của nó chỉ là giả thuyết mà phòng thí nghiệm vẫn phải kiểm nghiệm. Nhiều bệnh liên quan đến hàng tá biến thể; một số enhancer điều hòa gen từ khoảng cách xa hơn mức mô hình có thể thấy. Kết quả trong 30 phút đã tái tạo một điều đã được biết.

Nhưng giờ đây chồng công nghệ đã có hình hài, và mảnh ghép còn thiếu đã có tên. Đó là một tình thế khác với năm năm của những bản demo đầy hứa hẹn.

Nguồn: Google DeepMind, "AlphaGenome 2: Giải mã cách tế bào đọc DNA để hiểu rõ hơn về bệnh tật" (11 tháng 11 năm 2026); Nature news, "AI siêu mạnh của DeepMind để lập bản đồ hệ gen khiến các nhà khoa học kinh ngạc" (11 tháng 11 năm 2026); Thông báo tài trợ của Isomorphic Labs (12 tháng 5 năm 2026).

Liên hệ: [email protected]

TÁC GIẢ

Về ABN Asia: Ai-Banking-NetworkSecurity (ABN), ABN Asia được thành lập từ năm 2012, là một công ty xuất phát từ học thuật, do những giảng viên, cựu du học sinh Hungary, Hà Lan, Nga, Đức, và Nhật Bản sáng lập. Chúng tôi chia sẻ đam mê chung và tầm nhìn vững chắc về công nghệ, mang đến sự đổi mới và chất lượng đỉnh cao cho khách hàng. Phương châm của chúng tôi là: Tốt hơn. Nhanh hơn. An toàn hơn. Trong nhiều trường hợp: Rẻ hơn.

Hãy liên hệ với chúng tôi khi Quý doanh nghiệp có các nhu cầu về dịch vụ công nghệ thông tin, tư vấn chuyển đổi số, tìm kiếm các giải pháp phần mềm phù hợp, hoặc nếu Quý doanh nghiệp có đấu thầu CNTT (RFP) để chúng tôi tham dự. Quý doanh nghiệp có thể liên hệ với chúng tôi qua địa chỉ email [email protected]. Chúng tôi sẵn lòng hỗ trợ với mọi nhu cầu công nghệ của Quý doanh nghiệp.

© ABN ASIA