Kết nối tác nhân trí tuệ nhân tạo với phòng thí nghiệm sinh học ướt

Đội ngũ nghiên cứu tại Google Research vừa công bố chuỗi tiến bộ trong việc đưa các tác nhân trí tuệ nhân tạo trực tiếp vào phòng thí nghiệm sinh học ướt để tự động hóa quy trình thiết kế phân tử. Mục tiêu dài hạn của nhóm là tạo ra các hệ thống không chỉ lập kế hoạch và phân tích trên máy tính mà còn tự thực hiện thí nghiệm vật lý, tự học hỏi từ kết quả thực tế và cải tiến liên tục dưới sự định hướng của con người. Thách thức lớn nhất hiện nay là các mô hình biên vẫn thiếu khả năng suy luận chính xác về hình học không gian ba chiều và trạng thái vật lý, khiến việc điều khiển robot xử lý chất lỏng trở nên dễ xảy ra sai sót.

Để khắc phục khoảng cách giữa tư duy lý thuyết của trí tuệ nhân tạo và thực tế hỗn loạn trong phòng thí nghiệm, nhóm đã phát triển khung hạ tầng xác thực cho các phòng thí nghiệm khám phá có tên là VERID. Đây là một bản sao kỹ thuật số theo thời gian thực dưới dạng cây thực thể thể tích ba chiều, cho phép theo dõi mọi thứ từ hình học của cánh tay robot đến thể tích giếng, danh tính thuốc thử và lượng đầu típ hút. Được xây dựng trên nền tảng mã nguồn mở PyLabRobot, VERID cung cấp bốn năng lực cốt lõi để tác nhân lập kế hoạch, mô phỏng và thực thi các giao thức xử lý chất lỏng kết hợp với camera đa góc nhìn đồng bộ. Trong các thử nghiệm thực tế, hệ thống này đã giúp tác nhân tự phát hiện lỗi phân tầng chất nhuộm do pha chế quá sát đáy giếng, tự động khôi phục trạng thái sau khi đầu đọc phiến đĩa gặp sự cố giữa chừng, và tự động điều chỉnh lại chiến lược khi mô phỏng từ chối một lệnh hút không phù hợp với không gian vật lý hẹp.

Bên cạnh hạ tầng tự động hóa, nhóm còn thử nghiệm chu trình khép kín trong việc khám phá aptamer ADN gắn kết protein qua các chu kỳ kéo dài từ bảy đến mười ngày. Thông qua ba vòng thử nghiệm trên hai mục tiêu protein là myoglobin và alpha thrombin, các tác nhân đã tự động thiết kế, tổng hợp, lựa chọn và giải trình tự để cải thiện tỷ lệ thành công. Đối với mục tiêu alpha thrombin, vòng đầu tiên đạt tỷ lệ thành công bằng không do kẹp mồi cố định làm gián đoạn cấu trúc gập, nhưng sau khi tác nhân tự điều chỉnh thân bám bên ở vòng hai và ba, tỷ lệ thành công đã tăng vọt lên lần lượt 26% và 42,1% với độ đặc hiệu 98,5%. Ngược lại, với mục tiêu myoglobin, việc tác nhân quá tập trung vào ái lực gắn kết thô ở vòng hai đã làm gia tăng các mô típ G quadruplex gây dính không đặc hiệu, khiến tỷ lệ thành công thực tế sụt giảm từ 10,2% xuống 3,7%. Nhận diện được sai sót này từ dữ liệu thực nghiệm, tác nhân đã tự động sửa đổi quy tắc thiết kế ở vòng ba để hạn chế các mô típ bừa bãi, giúp khôi phục độ đặc hiệu lên 72,4% và đẩy tỷ lệ thành công tăng gấp chín lần đạt 33,5%.

Ở một bước tiến phức tạp hơn dành cho protein sinh học thay vì phân tử tổng hợp hóa học, nhóm đã áp dụng quy trình này vào việc thiết kế chất kết hợp de novo cho protein hoạt hóa nguyên bào sợi alpha FAP, một thụ thể lớn thường quá biểu hiện trong các khối u rắn. Việc tạo ra các chất kết hợp này đòi hỏi bước tinh chỉnh cấu trúc tiêu tốn rất nhiều năng lực tính toán của bộ xử lý đồ họa vì thời gian tính toán tỷ lệ bình phương theo độ dài mục tiêu. Bằng cách cắt bỏ cục bộ túi liên kết ngay trong quá trình gấp cấu trúc, đường ống đã tăng tốc độ xử lý mỗi chu kỳ lên hơn tám lần mà không làm mất đi độ chính xác cấu trúc. Trong các thử nghiệm đối đầu, sự kết hợp giữa con người và trí tuệ nhân tạo đã giúp nâng cao gần gấp đôi tỷ lệ thành công trên máy tính so với việc nhà khoa học làm việc độc lập, đồng thời tìm ra các chất kết hợp có ái lực ràng buộc chặt chẽ ở mức đơn vị nanomolar đơn chữ số chỉ sau vài lượt chạy thí nghiệm.

Những nỗ lực này cho thấy trí tuệ nhân tạo đang dần bước ra khỏi không gian ảo để trực tiếp can thiệp vào các chu trình vật lý phức tạp của ngành sinh học.