AI đang tự tìm thuốc mới: Bước tiếp theo là để phòng lab tự “tiến hóa” cả chiếc hộp nano đưa thuốc vào tế bào

AI có thể đề xuất một phân tử thuốc mới trong vài giây. Nhưng một phân tử tốt trên màn hình vẫn chưa giải quyết được câu hỏi khó hơn: làm sao đưa nó tới đúng tế bào mà không bị phân hủy, mắc kẹt ở sai cơ quan hoặc gây độc trên đường đi?

Đó là lý do một hướng nghiên cứu mới đang chuyển AI từ việc “tìm thuốc” sang thiết kế cả phương tiện vận chuyển thuốc. Tại University of Toronto, hệ thống LUMI-lab kết hợp một foundation model về phân tử với robot phòng thí nghiệm để tự chọn lipid, tổng hợp chúng, đóng mRNA vào lipid nanoparticle (LNP), thử trên tế bào rồi dùng dữ liệu thật để quyết định vòng thí nghiệm tiếp theo.

Trong công trình đăng trên Cell, LUMI-lab đã tự tổng hợp và đánh giá hơn 1.700 LNP qua mười chu kỳ active learning. Từ một thư viện khoảng 221.000 lipid có thể tổng hợp, hệ thống chỉ cần thử chưa tới 1% số ứng viên nhưng vẫn tìm ra một đặc điểm mà nhóm nghiên cứu không đặt giả thuyết từ trước: đuôi lipid chứa bromine thường làm tăng hiệu quả đưa mRNA vào tế bào.

Ở đây, “tiến hóa” chỉ là cách hình dung. LUMI-lab không dùng tiến hóa sinh học và cũng không tự tạo thuốc theo nghĩa hoàn toàn độc lập. Nó vận hành một vòng lặp thiết kế – chế tạo – thử nghiệm – học lại, trong đó dữ liệu của mỗi thế hệ thí nghiệm làm thay đổi lựa chọn của thế hệ tiếp theo.

Thuốc tốt vẫn có thể thất bại vì không tới được đúng nơi

mRNA, CRISPR và nhiều liệu pháp acid nucleic có một vấn đề chung: bản thân phân tử mang thông tin di truyền rất dễ bị phân hủy và khó tự đi xuyên qua màng tế bào. Vì vậy, phần “bao bì” có thể quan trọng gần như phần cargo.

Lipid nanoparticle giải quyết một phần bài toán này bằng cách bao quanh RNA trong một hạt nano gồm nhiều thành phần lipid. Trong đó, ionizable lipid giữ vai trò đặc biệt quan trọng: nó phải đủ thuận lợi để đóng gói RNA, ổn định khi lưu thông, giúp hạt đi vào tế bào rồi hỗ trợ RNA thoát khỏi endosome để tới nơi nó có thể hoạt động.

Chỉ thay một nhóm hóa học trên lipid cũng có thể làm thay đổi kích thước hạt, độ ổn định, độc tính, khả năng đi vào tế bào và cơ quan mà hạt tích tụ. Không gian thiết kế vì thế rất lớn, trong khi dữ liệu thực nghiệm lại nhỏ hơn nhiều so với những lĩnh vực AI đã có hàng triệu mẫu huấn luyện chất lượng cao.

Đó là một lý do các hệ self-driving lab hấp dẫn trong drug delivery: thay vì cố dự đoán hoàn hảo mọi thứ từ dữ liệu có sẵn, hệ thống có thể chủ động tạo thêm đúng loại dữ liệu mà mô hình đang thiếu.

LUMI-lab biến active learning thành một dây chuyền vật lý

LUMI, viết tắt của Large-scale Unsupervised Modeling followed by Iterative experiments, bắt đầu từ một mô hình transformer được pretrain trên hơn 28 triệu cấu trúc phân tử. Mục tiêu của pretraining không phải để mô hình biết trước lipid nào tốt nhất, mà để nó học được biểu diễn hóa học đủ rộng trước khi bước vào một lĩnh vực dữ liệu còn thưa.

Sau đó là vòng active learning. Ở mỗi chu kỳ, mô hình chọn những lipid nên thử tiếp từ thư viện 221.000 ứng viên có thể tổng hợp. Một phần ứng viên được chọn vì mô hình dự đoán chúng có hiệu suất cao; phần còn lại được chọn vì mô hình chưa chắc chắn về chúng. Cách chia này cân bằng hai mục tiêu thường xung đột: khai thác vùng hóa học đã biết là tốt và khám phá vùng mà hệ thống còn hiểu kém.

Robot liquid handling thực hiện quá trình tổng hợp ionizable lipid, phối chúng cùng helper lipid, cholesterol và PEG-lipid để tạo LNP chứa mRNA. Các hạt sau đó được đưa lên tế bào phế quản người. Plate reader đo tín hiệu phát quang để đánh giá mức mRNA được chuyển vào và biểu hiện trong tế bào.

Dữ liệu của thí nghiệm lại quay về mô hình. Mô hình cập nhật, chọn lứa ứng viên tiếp theo, rồi robot tiếp tục. Một chu kỳ hoàn chỉnh mất khoảng 39 giờ, phần lớn thời gian không nằm ở AI mà ở phản ứng hóa học và thời gian ủ tế bào.

Đây chính là khác biệt giữa một model dự đoán và một self-driving lab. Model chỉ nói “hãy thử lipid này”. Phòng lab tự lái phải biến đề xuất đó thành một mẫu vật lý, đo được kết quả thật và đóng vòng phản hồi mà không cần con người tự chọn từng thí nghiệm.

Điều bất ngờ là bromine

Sau mười vòng, LUMI-lab đã tổng hợp và thử hơn 1.700 LNP. Kết quả nổi bật không chỉ là tìm được vài lipid hiệu suất cao, mà là một mẫu cấu trúc xuất hiện lặp lại ở nhóm ứng viên tốt nhất.

Các lipid brominated chỉ chiếm khoảng 8% thư viện hóa học nhưng chiếm hơn một nửa số ứng viên hiệu suất cao nhất. Theo nhóm nghiên cứu, bromination trước đó chưa được xem là một đặc điểm thiết kế phổ biến để tăng hiệu quả mRNA delivery.

Điểm đáng chú ý về mặt phương pháp nằm ở chỗ nhóm không ra lệnh cho mô hình “hãy thử thêm bromine”. Mối liên hệ này nổi lên từ vòng lặp giữa dự đoán và dữ liệu thực nghiệm.

Trong các phép thử tiếp theo, một lipid có tên LUMI-6 được dùng để tạo LNP mang hệ CRISPR-Cas9. Khi đưa trực tiếp vào khí quản chuột, công thức này đạt mức chỉnh sửa gene khoảng 20,3% ở tế bào biểu mô phổi trong điều kiện thí nghiệm được báo cáo.

Đó là dữ liệu tiền lâm sàng, không phải bằng chứng về hiệu quả điều trị ở người. Các nghiên cứu sau đó của nhóm đang xem xét khả năng dùng những nền tảng delivery tương tự cho phổi, trong đó có các hướng liên quan đến cystic fibrosis. University of Toronto cho biết các công thức mRNA hít đang ở giai đoạn đánh giá tiền lâm sàng về an toàn và hiệu quả.

“Chiếc hộp” cũng là một bài toán tối ưu đa mục tiêu

Một hạn chế quan trọng của thí nghiệm đầu tiên là mục tiêu tối ưu chính vẫn tương đối hẹp: tìm lipid giúp tăng mRNA transfection potency. Trong thuốc thật, đó chỉ là một biến trong nhiều biến.

Một LNP đưa được nhiều RNA vào tế bào nhưng gây viêm mạnh có thể không dùng được. Một hạt hoạt động tốt trong culture dish có thể tích tụ chủ yếu ở gan khi vào cơ thể. Công thức tốt nhất cho phổi không nhất thiết tốt nhất cho cơ, não hoặc khối u. Tính ổn định khi bảo quản, khả năng sản xuất quy mô lớn và độ lặp lại giữa các lô cũng phải được tính vào.

Nhóm LUMI-lab vì vậy đang hướng tới tối ưu đồng thời nhiều tiêu chí gồm potency, safety, tolerability và tissue selectivity. Đây là nơi khái niệm “phòng lab tự tiến hóa chiếc hộp nano” trở nên đúng hơn về mặt trực giác: hệ thống không chỉ tìm một con số cực đại mà phải học cách đánh đổi giữa nhiều tính chất vốn kéo nhau theo những hướng khác nhau.

Một bài tổng quan mới trên Nature Reviews Bioengineering vào tháng 9/2026 cũng mô tả đây là một hướng lớn của lĩnh vực nanomedicine. Machine learning hiện đã được dùng để dự đoán kích thước hạt, hiệu suất đóng gói, cellular uptake, biodistribution và khả năng vượt các hàng rào sinh học. Khi nối các model đó với robot và hệ phân tích tự động, quá trình thiết kế – chế tạo – thử nghiệm – phân tích có thể khép kín.

Self-driving lab chưa phải “AI tự làm thuốc”

Cách gọi “autonomous” dễ khiến người đọc hình dung một AI tự đặt câu hỏi y học, chế thuốc rồi quyết định đưa vào bệnh nhân. Hệ thống hiện tại chưa làm điều đó.

Con người vẫn xác định mục tiêu nghiên cứu, xây thư viện hóa học, chọn loại tế bào, thiết kế assay, đặt giới hạn an toàn, kiểm tra dữ liệu và thực hiện các thử nghiệm động vật. Robot tự động hóa những bước lặp lại; mô hình quyết định mẫu nào nên thử tiếp trong phạm vi không gian mà nhà nghiên cứu đã thiết kế.

Hơn nữa, tốc độ discovery không xóa được phần chậm nhất của phát triển thuốc. Một lipid mới vẫn phải trải qua đánh giá độc tính, dược động học, phân bố mô, khả năng sản xuất, tính ổn định và cuối cùng là thử nghiệm lâm sàng. Một self-driving lab có thể tăng tốc phần đầu của pipeline; nó không nén toàn bộ quá trình phát triển thuốc xuống còn vài ngày.

Nhưng chính giới hạn đó cho thấy vì sao hướng này đáng chú ý. AI drug discovery thường tập trung vào câu hỏi “phân tử nào nên tồn tại?”. LUMI-lab mở rộng câu hỏi thành “phân tử đó nên được đóng gói và đưa tới tế bào bằng vật liệu nào?”. Với RNA và gene editing, câu hỏi thứ hai đôi khi mới là nút thắt quyết định liệu một liệu pháp có rời được khỏi phòng thí nghiệm hay không.

Bước tiếp theo vì thế không phải để AI tạo ra một “viên nano hoàn hảo”. Thử thách thực tế hơn là xây một phòng lab có thể tự học từ thất bại, tối ưu nhiều thuộc tính cùng lúc và chứng minh rằng những công thức nó tìm ra vẫn tốt khi chuyển từ đĩa tế bào sang động vật, rồi cuối cùng sang người.

Nguồn: Xu và cộng sự, Cell — LUMI-lab; Leslie Dan Faculty of Pharmacy, University of Toronto; Acceleration Consortium — ứng dụng cho mRNA delivery tới phổi; Nature Reviews Bioengineering — AI và machine learning trong nanoparticle drug delivery.