AI trong khám phá thuốc: Thực trạng, thách thức và lộ trình phía trước

Trong suốt thập kỷ qua, trí tuệ nhân tạo (AI) đã trở thành một trong những lĩnh vực thu hút sự quan tâm lớn nhất của ngành dược phẩm, với kỳ vọng sẽ cách mạng hóa quy trình khám phá thuốc truyền thống. Tuy nhiên, một bài phân tích gần đây trên tạp chí Nature Reviews Drug Discovery đã đưa ra một góc nhìn thẳng thắn và đầy thách thức: mặc dù công nghệ phát triển nhanh, bằng chứng về tác động lâm sàng thực tế của AI vẫn còn rất hạn chế. Vậy đâu là nguyên nhân và làm thế nào để vượt qua?

Hình ảnh minh họa về những thách thức của dữ liệu hóa học trong mô hình dự đoán

Sự bùng nổ của AI trong khám phá thuốc

Không thể phủ nhận rằng AI, đặc biệt là học sâu (deep learning), đã tạo ra những bước tiến đáng kể trong nhiều lĩnh vực như dự đoán cấu trúc protein (với AlphaFold là minh chứng rõ ràng nhất), thiết kế phân tử, dự đoán tính chất hóa học và sinh học của các hợp chất tiềm năng. Các kỹ thuật như học tăng cường, mô hình ngôn ngữ lớn (LLM) và sinh tổng hợp phân tử đã mở ra những khả năng mới mà trước đây không thể tưởng tượng được.

Khoảng cách giữa kết quả nghiên cứu và tác động lâm sàng

Tuy nhiên, điểm mấu chốt mà bài viết nhấn mạnh là: liệu AI đã thực sự giúp mang lại những loại thuốc an toàn và hiệu quả hơn cho bệnh nhân nhanh hơn hay chưa? Câu trả lời, dựa trên các dữ liệu hiện có, là "chưa thực sự rõ ràng".

Một trong những lý do chính là việc phát triển các mô hình AI thường thiếu sự tập trung vào chuyển dịch lâm sàng (clinical translation). Nhiều nghiên cứu chỉ dừng lại ở việc xây dựng và tối ưu mô hình trên các bộ dữ liệu có sẵn, mà không đặt câu hỏi liệu mô hình đó có thực sự cải thiện được quyết định trong quá trình phát triển thuốc ở thế giới thực hay không.

"Các nghiên cứu đối sánh (benchmarking) về các công cụ AI trong khám phá thuốc cần phải chuyển từ việc chỉ xác thực mô hình sang tập trung vào khả năng cải thiện việc ra quyết định của chúng."

Điều này cho thấy một vấn đề cốt lõi: sự khác biệt giữa xác thực mô hình (model validation) và cải thiện quy trình (process improvement). Một mô hình có độ chính xác cao trong phòng thí nghiệm ảo có thể không mang lại giá trị nếu nó không được thiết kế để tích hợp vào quy trình ra quyết định thực tế của các nhà khoa học dược phẩm.

Những thách thức lớn từ dữ liệu

Một thách thức quan trọng khác được nêu ra là bản chất của dữ liệu khoa học sự sống. Không giống như dữ liệu hình ảnh hay văn bản, dữ liệu sinh học và hóa học có tính chất có điều kiện (conditional) — nghĩa là kết quả của một thí nghiệm phụ thuộc rất nhiều vào bối cảnh, điều kiện tiến hành, và chịu ảnh hưởng lớn từ các yếu tố nhiễu không kiểm soát được.

Các vấn đề về định nghĩa vấn đề không đầy đủ (underspecification) cũng là một rào cản lớn. Nhiều mô hình AI được xây dựng với các định nghĩa bài toán quá đơn giản so với các tình huống sử dụng thực tế phức tạp. Ví dụ, một mô hình dự đoán khả năng liên kết của một phân tử với protein trong ống nghiệm có thể hoàn toàn thất bại khi áp dụng vào bối cảnh tế bào sống hoặc cơ thể người, nơi có vô số các yếu tố tương tác khác nhau.

"Công nghệ đẩy" và "Khoa học kéo"

Bài viết cũng đề cập đến một vấn đề mang tính triết lý trong cách tiếp cận phát triển công nghệ. Sự phát triển AI trong dược phẩm hiện nay bị chi phối bởi xu hướng "công nghệ đẩy" (technology push) — tức là phát triển các công cụ AI vì chúng khả thi về mặt kỹ thuật, thay vì xu hướng "khoa học kéo" (science pull) — tức là bắt đầu từ các vấn đề khoa học quan trọng nhất và sau đó tìm kiếm giải pháp công nghệ phù hợp.

Ngoài ra, thời gian và nguồn lực để vận hành hóa (operationalize) các khả năng kỹ thuật thành các hệ thống có quy mô phù hợp, dễ tiếp cận với người dùng là một trong những yếu tố khiến tác động của AI bị chậm lại. Một mô hình AI ấn tượng trong phòng thí nghiệm không có nghĩa là nó có thể dễ dàng được triển khai ở quy mô toàn công ty, với hàng triệu hợp chất và hàng nghìn nhà khoa học sử dụng hàng ngày.

Hướng đi cho tương lai: Tập trung vào chuyển dịch

Mặc dù có những thách thức không nhỏ, các tác giả vẫn đưa ra những khuyến nghị tích cực và có tính xây dựng. Trọng tâm là cần phải thay đổi cách đánh giá sự thành công của các dự án AI trong khám phá thuốc.

Thay vì chỉ chạy theo các chỉ số như độ chính xác (accuracy) hay diện tích dưới đường cong (AUC) trên các bộ dữ liệu chuẩn, cần phải xây dựng các chuẩn đánh giá mới tập trung vào việc cải thiện khả năng ra quyết định trong các tình huống thực tế. Điều này đòi hỏi sự hợp tác chặt chẽ hơn giữa các nhà khoa học máy tính, nhà hóa học, nhà sinh học và các chuyên gia lâm sàng ngay từ giai đoạn đầu của quá trình phát triển mô hình.

Bài viết cũng nhấn mạnh tầm quan trọng của việc tạo ra các bộ dữ liệu chất lượng cao, tập trung vào các vấn đề có ý nghĩa lâm sàng trực tiếp. Việc tạo ra dữ liệu để huấn luyện các mô hình AI cần phải bắt nguồn từ các câu hỏi khoa học và quyết định cụ thể cần được cải thiện trong quá trình phát triển thuốc.

Kết luận

AI trong khám phá thuốc đang ở một giai đoạn chuyển mình quan trọng. Đã qua thời kỳ kỳ vọng thái quá và cũng chưa đến giai đoạn trưởng thành thực sự. Như phân tích từ Nature Reviews Drug Discovery cho thấy, để AI thực sự thay đổi cuộc chơi trong ngành dược phẩm và mang lại lợi ích cho bệnh nhân, cần phải có một sự thay đổi căn bản trong chiến lược phát triển — từ việc tập trung vào công nghệ và chỉ số mô hình, sang việc tập trung vào các vấn đề lâm sàng thực tế và khả năng ra quyết định.

Đối với cộng đồng nghiên cứu và các doanh nghiệp công nghệ tại Việt Nam — nơi nguồn nhân lực AI đang phát triển mạnh — bài học quan trọng là cần hướng tới các bài toán có giá trị ứng dụng thực tế, hợp tác chặt chẽ với các chuyên gia trong ngành, và kiên nhẫn xây dựng các hệ thống bền vững thay vì chỉ đơn thuần tạo ra các mô hình ấn tượng trên giấy.