Tại một nhà máy bánh quy cũ ở Nam London, các máy trộn khổng lồ và lò nướng công nghiệp đã được thay thế bằng cánh tay robot, tủ ấm và máy giải trình tự DNA. James Field và công ty LabGenius của anh không làm ra những món ăn ngọt; họ đang thực hiện một cách tiếp cận cách mạng, được hỗ trợ bởi AI để thiết kế các kháng thể y tế mới.

Trong tự nhiên, kháng thể là phản ứng của cơ thể đối với bệnh tật và đóng vai trò như những binh sĩ tuyến đầu của hệ miễn dịch. Chúng là những chuỗi protein được định hình đặc biệt để bám vào các tác nhân xâm nhập ngoại lai để chúng có thể được đẩy ra khỏi hệ thống. Kể từ những năm 1980, các công ty dược phẩm đã tạo ra các kháng thể tổng hợp để điều trị các bệnh như ung thư và để giảm khả năng cơ thể từ chối các cơ quan được cấy ghép.

Nhưng việc thiết kế những kháng thể này là một quá trình chậm chạp đối với con người - các nhà thiết kế protein phải vượt qua hàng triệu sự kết hợp tiềm năng của các axit amin để tìm ra những cái sẽ kết hợp lại với nhau theo đúng cách, và sau đó kiểm tra tất cả chúng bằng thực nghiệm, điều chỉnh một số biến số để cải thiện một số đặc điểm của phương pháp điều trị trong khi hy vọng điều đó không làm nó tồi tệ hơn ở các khía cạnh khác. "Nếu bạn muốn tạo ra một kháng thể điều trị mới, đâu đó trong không gian vô hạn của các phân tử tiềm năng này có phân tử mà bạn muốn tìm," Field, người sáng lập và CEO của LabGenius nói.

Anh ấy bắt đầu công ty vào năm 2012 khi, trong khi đang học tiến sĩ về sinh học tổng hợp tại Imperial College London, anh ấy nhận thấy chi phí giải trình tự DNA, tính toán và robot đều đang giảm xuống. LabGenius sử dụng cả ba yếu tố này để tự động hóa phần lớn quá trình khám phá kháng thể. Tại phòng thí nghiệm ở Bermondsey, một thuật toán học máy thiết kế các kháng thể để nhắm mục tiêu các bệnh cụ thể, và sau đó các hệ thống robot tự động xây dựng và nuôi cấy chúng trong phòng thí nghiệm, chạy các thử nghiệm và cung cấp dữ liệu trở lại cho thuật toán, tất cả với sự giám sát hạn chế của con người. Có những phòng để nuôi cấy tế bào bệnh, phát triển kháng thể và giải trình tự DNA của chúng: Các kỹ thuật viên mặc áo choàng phòng thí nghiệm chuẩn bị mẫu và gõ trên máy tính khi các máy móc chạy ù ù đằng sau.

Các nhà khoa học con người bắt đầu bằng cách xác định một không gian tìm kiếm các kháng thể tiềm năng để giải quyết một bệnh cụ thể: Họ cần các protein có thể phân biệt giữa tế bào khỏe mạnh và tế bào bệnh, bám vào các tế bào bệnh, và sau đó thu hút một tế bào miễn dịch để hoàn thành công việc. Nhưng những protein này có thể nằm ở bất kỳ đâu trong không gian tìm kiếm vô hạn của các lựa chọn tiềm năng. LabGenius đã phát triển một mô hình học máy có thể khám phá không gian đó nhanh hơn và hiệu quả hơn nhiều. "Đầu vào duy nhất bạn cung cấp cho hệ thống với tư cách là một con người là: đây là một ví dụ về một tế bào khỏe mạnh, đây là một ví dụ về một tế bào bệnh," Field nói. "Và sau đó bạn để hệ thống khám phá các mẫu kháng thể khác nhau có thể phân biệt được."

Mô hình chọn hơn 700 lựa chọn ban đầu từ khắp không gian tìm kiếm của 100.000 kháng thể tiềm năng, và sau đó tự động thiết kế, xây dựng và kiểm tra chúng, với mục đích tìm ra các khu vực tiềm năng để điều tra sâu hơn. Hãy nghĩ đến việc chọn chiếc xe hoàn hảo từ một tập hợp gồm hàng nghìn chiếc: Bạn có thể bắt đầu bằng cách chọn một màu sắc rộng, và sau đó lọc từ đó thành các sắc thái cụ thể.

Các thử nghiệm được tự động hóa gần như hoàn toàn, với một loạt thiết bị cao cấp tham gia vào việc chuẩn bị mẫu và chạy chúng qua các giai đoạn khác nhau của quá trình thử nghiệm: Các kháng thể được phát triển dựa trên trình tự gen của chúng và sau đó được đưa vào thử nghiệm trên các xét nghiệm sinh học - các mẫu của mô bệnh mà chúng được thiết kế để giải quyết. Con người giám sát quá trình, nhưng công việc của họ chủ yếu là di chuyển mẫu từ máy này sang máy khác.

Công thức của LabGenius cho các liệu pháp miễn dịch mới

Thiết kế: Một mô hình học máy thiết kế các kháng thể dựa trên hướng dẫn lỏng lẻo từ các nhà khoa học là con người (để thu hẹp không gian tìm kiếm) và những hiểu biết từ các chu kỳ học tập trước đó sử dụng một quy trình gọi là tối ưu hóa Bayesian.

Xây dựng: Các phân tử DNA cho các kháng thể được tạo ra và xác nhận, và sau đó các kháng thể được nuôi cấy bên trong các tế bào động vật có vú hoặc vi khuẩn trước khi được tinh chế, sẵn sàng cho giai đoạn tiếp theo - tự động hóa robot giúp đẩy nhanh quá trình.

Kiểm tra: Các xét nghiệm dựa trên tế bào liên quan đến bệnh được nuôi cấy trong phòng thí nghiệm và được sử dụng làm sân thử nghiệm cho các kháng thể, với thông lượng cao hơn nhiều cho phép kiểm tra 768 kháng thể cùng một lúc. Mỗi thử nghiệm có một mã vạch cho phép hệ thống theo dõi nó.

Học hỏi: Dữ liệu thực nghiệm được đưa trở lại vào mô hình học máy, giúp hướng dẫn thiết kế lô 700 kháng thể tiếp theo. Sự kết hợp này của học máy và các thí nghiệm trong thế giới thực tăng số lượng kháng thể có thể kiểm tra lên 35 lần.

"Khi bạn có kết quả thực nghiệm từ bộ 700 phân tử đầu tiên đó, thông tin đó được đưa trở lại mô hình và được sử dụng để tinh chỉnh hiểu biết của mô hình về không gian," Field nói. Nói cách khác, thuật toán bắt đầu xây dựng một bức tranh về cách các thiết kế kháng thể khác nhau thay đổi hiệu quả của điều trị - với mỗi vòng thiết kế kháng thể tiếp theo, nó trở nên tốt hơn, cân bằng cẩn thận giữa việc khai thác các thiết kế tiềm năng với việc khám phá các khu vực mới.

"Một thách thức với kỹ thuật protein thông thường là, ngay khi bạn tìm thấy điều gì đó hoạt động một chút, bạn có xu hướng thực hiện một số lượng rất lớn các điều chỉnh rất nhỏ đối với phân tử đó để xem liệu bạn có thể tinh chỉnh nó thêm không," Field nói. Những điều chỉnh đó có thể cải thiện một thuộc tính - ví dụ như việc kháng thể có thể được sản xuất dễ dàng ở quy mô lớn - nhưng lại có tác động thảm khốc đến nhiều thuộc tính khác cần thiết, chẳng hạn như tính chọn lọc, độc tính, hiệu lực, và nhiều hơn nữa. Cách tiếp cận thông thường có nghĩa là bạn có thể đang chọn nhầm cây, hoặc bỏ lỡ cả khu rừng vì vài cái cây - tối ưu hóa vô tận một thứ hoạt động một chút, khi có thể có những lựa chọn tốt hơn nhiều ở một phần hoàn toàn khác của bản đồ.

Bạn cũng bị hạn chế bởi số lượng thử nghiệm bạn có thể chạy, hoặc số lượng "cơ hội", như Field gọi. Điều này có nghĩa là các kỹ sư protein con người có xu hướng tìm kiếm những thứ mà họ biết sẽ hoạt động. "Kết quả là, bạn có tất cả những kinh nghiệm thực tế hoặc quy tắc ngón tay cái mà các kỹ sư protein con người làm để cố gắng tìm ra các không gian an toàn," Field nói. "Nhưng hệ quả của điều đó là bạn nhanh chóng tích lũy các tín điều."

Cách tiếp cận của LabGenius mang lại những giải pháp bất ngờ mà con người có thể không nghĩ ra, và tìm thấy chúng nhanh hơn: Chỉ mất sáu tuần từ khi thiết lập một vấn đề đến khi hoàn thành lô đầu tiên, tất cả được chỉ đạo bởi các mô hình học máy. LabGenius đã huy động được 28 triệu đô la từ các công ty như Atomico và Kindred, và đang bắt đầu hợp tác với các công ty dược phẩm, cung cấp dịch vụ của mình như một công ty tư vấn. Field nói rằng cách tiếp cận tự động có thể được triển khai cho các hình thức khám phá thuốc khác, biến quá trình khám phá thuốc dài và "thủ công" thành một quá trình hợp lý hơn.

Cuối cùng, Field nói, đó là một công thức cho sự chăm sóc tốt hơn: các phương pháp điều trị bằng kháng thể hiệu quả hơn, hoặc có ít tác dụng phụ hơn so với những phương pháp hiện có được thiết kế bởi con người. "Bạn tìm thấy những phân tử mà bạn sẽ không bao giờ tìm thấy bằng cách sử dụng các phương pháp thông thường," anh ấy nói. "Chúng rất khác biệt và thường trái ngược với các thiết kế mà bạn với tư cách là một con người sẽ đưa ra - điều này sẽ cho phép chúng ta tìm thấy các phân tử có tính chất tốt hơn, cuối cùng dẫn đến kết quả tốt hơn cho bệnh nhân."

Nguồn: Wired