AI bắt đầu thiết kế thuốc tim mạch: Cuộc thử nghiệm thực sự của “AI drug discovery” đang diễn ra

Novartis đang dùng nền tảng AI-enhanced của Unnatural Products để phát triển macrocyclic peptide cho bệnh tim mạch. Nhưng phép thử quan trọng của AI drug discovery không phải tạo phân tử nhanh đến đâu, mà là các ứng viên có vượt được Phase II, Phase III và chứng minh lợi ích ở người hay không.

Tháng 8 13, 2026

AI bắt đầu thiết kế thuốc tim mạch: Cuộc thử nghiệm thực sự của “AI drug discovery” đang diễn ra

AI đã chứng minh rằng nó có thể dự đoán cấu trúc protein, sàng lọc hàng triệu phân tử và thậm chí đề xuất những cấu trúc hóa học chưa từng được tổng hợp. Giờ đây, công nghệ này đang tiến vào một trong những lĩnh vực khó nhất của dược học: bệnh tim mạch. Nhưng phép thử quan trọng nhất không diễn ra trên màn hình GPU. Nó diễn ra trong cơ thể người.

Tháng 2/2026, Novartis ký thỏa thuận với startup Unnatural Products (UNP) để sử dụng một nền tảng thiết kế macrocyclic peptide có AI hỗ trợ cho một chương trình bệnh tim mạch chưa được tiết lộ. UNP có thể nhận tới 100 triệu USD tiền trả trước và các mốc trước IND, cùng tối đa 1,7 tỷ USD ở các mốc phát triển, pháp lý và thương mại nếu chương trình thành công.

Đây là một dấu hiệu đáng chú ý: AI drug discovery không còn chỉ tập trung vào ung thư, bệnh hiếm hay các bài toán proof-of-concept. Những công ty dược lớn đang bắt đầu đặt cược vào AI cho bệnh tim mạch — lĩnh vực có số bệnh nhân rất lớn, yêu cầu an toàn cao và những thử nghiệm kết cục thường kéo dài nhiều năm.

Tuy nhiên, tính đến ngày 13/8/2026, chưa có ứng viên nào từ chương trình Novartis–UNP được công bố là đã bước vào thử nghiệm trên người. Điều đó làm nổi bật ranh giới quan trọng giữa AI có thể thiết kế một phân tử và AI có thể tạo ra một loại thuốc thực sự tốt hơn.

AI đang “thiết kế thuốc tim mạch” theo nghĩa nào?

Cụm từ “thuốc do AI thiết kế” dễ tạo cảm giác rằng một mô hình nhận prompt, tự vẽ phân tử rồi đưa thẳng vào thử nghiệm. Quy trình thật phức tạp hơn nhiều.

Trong dược học hiện đại, AI có thể tham gia ở nhiều tầng khác nhau:

Chọn mục tiêu sinh học: tìm gene, protein hoặc pathway có liên hệ với bệnh từ dữ liệu omics, y văn và hồ sơ bệnh nhân.
Dự đoán cấu trúc và tương tác: ước tính hình dạng protein, túi gắn và cách một phân tử có thể tương tác với mục tiêu.
Tạo phân tử: dùng mô hình sinh để đề xuất cấu trúc mới thỏa nhiều tiêu chí như ái lực, độ chọn lọc và tính chất hóa lý.
Tối ưu lead: dự đoán độ hòa tan, tính thấm, chuyển hóa, độc tính và các đặc tính dược động học để thu hẹp vòng lặp tổng hợp – thử nghiệm.
Hỗ trợ phát triển lâm sàng: chọn biomarker, phân tầng bệnh nhân, mô hình hóa liều và hỗ trợ thiết kế thử nghiệm.

Vì vậy, hai thuốc cùng được gọi là “AI-discovered” có thể khác nhau rất nhiều. Một chương trình có thể dùng AI chỉ để tìm target. Chương trình khác có thể dùng AI để tạo cấu trúc phân tử. Một chương trình thứ ba dùng AI xuyên suốt từ target tới lead optimization.

Đây cũng là lý do cần thận trọng với các bảng xếp hạng “thuốc AI” trong ngành: không có một định nghĩa pháp lý duy nhất cho nhãn này.

Novartis muốn dùng AI để tiếp cận những target tim mạch khó nhắm tới

UNP tập trung vào macrocyclic peptide — các peptide có cấu trúc vòng. Đây là một lớp phân tử được quan tâm vì chúng có thể tạo bề mặt tương tác lớn hơn nhiều small molecule truyền thống, trong khi vẫn có khả năng được tối ưu để thấm qua màng tế bào hoặc thậm chí dùng đường uống trong một số trường hợp.

Trên nền tảng của mình, UNP mô tả một vòng lặp liên tục giữa thiết kế số và phòng thí nghiệm vật lý: tạo macrocycle, tổng hợp, đo độ mạnh, độ chọn lọc và tính thấm, sau đó đưa dữ liệu trở lại hệ thống để tiếp tục tối ưu.

Đây là loại bài toán phù hợp với AI vì không gian cấu trúc rất lớn. Thay đổi một amino acid, cấu hình lập thể hoặc kiểu đóng vòng có thể làm thay đổi mạnh ái lực, độ bền trong huyết tương và khả năng đi qua màng tế bào.

Trong thỏa thuận công bố ngày 18/2/2026, Novartis và UNP không tiết lộ target hay bệnh tim mạch cụ thể. UNP sẽ thực hiện phần nghiên cứu ban đầu, còn Novartis chịu trách nhiệm các nghiên cứu phục vụ IND, phát triển lâm sàng, sản xuất và thương mại hóa nếu chương trình tiến tới giai đoạn đó.

Điểm đáng chú ý ở đây không phải một viên thuốc tim mạch đã sắp ra mắt. Điều đáng chú ý là một hãng dược lớn đang trả tiền cho khả năng tạo ra chemical matter mới bằng một vòng lặp AI + thí nghiệm đối với những mục tiêu mà phương pháp truyền thống khó xử lý.

“Undruggable” không có nghĩa là AI tự động giải được

Ngành dược thường gọi một mục tiêu là “undruggable” khi không dễ tìm phân tử có thể bám đủ mạnh, đủ chọn lọc và tiếp cận đúng vị trí trong cơ thể.

Protein–protein interaction là ví dụ điển hình. Small molecule rất nhỏ nên đôi khi không che phủ được bề mặt tương tác lớn. Kháng thể có thể bám rất tốt nhưng thường khó đi vào bên trong tế bào. Macrocyclic peptide cố chiếm khoảng giữa hai thế giới này.

AI có thể tăng tốc việc tìm kiếm cấu trúc phù hợp, nhưng nó không xóa bỏ các quy luật hóa học và sinh học. Một phân tử vẫn phải được tổng hợp. Nó phải bền. Nó phải tới được mô cần điều trị ở nồng độ đủ cao. Nó không được bám quá nhiều mục tiêu khác. Gan và thận phải xử lý được nó. Và quan trọng nhất: can thiệp vào target đó phải thực sự giúp bệnh nhân.

Đây chính là nơi drug discovery khác với một bài toán dự đoán cấu trúc đơn thuần.

Tim mạch là một phép thử đặc biệt khắc nghiệt cho AI drug discovery

Trong nhiều bệnh tim mạch mạn tính, một ứng viên thuốc có thể phải được dùng hàng tháng hoặc hàng năm cho số lượng bệnh nhân rất lớn. Điều đó khiến tiêu chuẩn an toàn cực kỳ cao.

Một tín hiệu độc tính hiếm có thể không xuất hiện trong vài chục động vật hoặc vài chục người ở Phase I nhưng trở thành vấn đề khi thuốc được dùng cho hàng chục nghìn bệnh nhân.

Hiệu quả cũng khó chứng minh. Hạ một biomarker không phải lúc nào đồng nghĩa giảm nhồi máu cơ tim, đột quỵ, nhập viện vì suy tim hay tử vong. Nhiều chương trình phải tiến tới các thử nghiệm lớn, dài và đắt tiền để chứng minh lợi ích trên kết cục lâm sàng.

Đó là lý do một bài Perspective đăng trên Circulation ngày 27/7/2026 xem generative AI và AI agent như công cụ tiềm năng cho nhiều bước của phát triển thuốc tim mạch — từ chọn target, repurposing, thiết kế small molecule đến tối ưu thử nghiệm — nhưng không coi chúng là sự thay thế cho validation sinh học và clinical trial.

Phép thử lớn nhất của AI drug discovery hiện lại đang diễn ra ở bệnh phổi

Ứng viên cho thấy rõ nhất khoảng cách từ thuật toán đến bệnh nhân hiện nay không phải thuốc tim mạch mà là rentosertib của Insilico Medicine, đang được phát triển cho xơ phổi vô căn (IPF).

Rentosertib đặc biệt vì Insilico sử dụng AI ở cả hai đầu của quá trình: nền tảng của công ty xác định TNIK như một target tiềm năng cho IPF, sau đó generative AI được dùng để tạo và tối ưu phân tử ức chế TNIK.

Theo bài báo trên Nature Medicine, chương trình đi từ khởi đầu target discovery tới đề cử preclinical candidate trong khoảng 18 tháng và hoàn tất Phase 0/1 trong chưa tới 30 tháng.

Đây là phần mà AI đã có bằng chứng khá thuyết phục: nó có thể giúp rút ngắn một số vòng lặp tiền lâm sàng.

Nhưng phần khó hơn bắt đầu khi thuốc được đưa vào cơ thể người.

Phase II cho thấy tín hiệu tích cực — và cả lý do không nên tuyên bố chiến thắng sớm

Thử nghiệm Phase 2a của rentosertib tuyển 71 bệnh nhân IPF và phân ngẫu nhiên họ vào bốn nhóm: placebo, 30 mg một lần/ngày, 30 mg hai lần/ngày hoặc 60 mg một lần/ngày trong 12 tuần.

Mục tiêu chính là an toàn. Tỷ lệ adverse event xuất hiện sau điều trị nhìn chung tương tự giữa các nhóm, nhưng adverse event được đánh giá có liên quan đến điều trị tăng theo liều. Một số bệnh nhân phải ngừng thuốc vì vấn đề gan hoặc tiêu chảy; độc tính gan đặc biệt đáng chú ý ở một số người đồng thời dùng nintedanib.

Ở endpoint thứ cấp về chức năng phổi, nhóm 60 mg/ngày có mức thay đổi FVC trung bình +98,4 ml sau 12 tuần, trong khi nhóm placebo giảm 20,3 ml. Đây là tín hiệu đáng quan tâm, nhưng nghiên cứu nhỏ, thời gian ngắn và không đủ để kết luận thuốc làm thay đổi diễn tiến bệnh dài hạn.

Chính tác giả nghiên cứu kết luận kết quả chỉ hỗ trợ việc tiếp tục đánh giá ở các thử nghiệm lớn và dài hơn.

Ngày 7/7/2026, Insilico thông báo đã khởi động Phase III tại Trung Quốc. Nghiên cứu dự kiến tuyển 320 bệnh nhân ở 47 trung tâm, theo dõi 52 tuần. Endpoint chính là tốc độ suy giảm FVC hằng năm.

Đây mới là loại thử nghiệm có thể trả lời câu hỏi mà ngành AI drug discovery cần nhất: một ứng viên được AI tạo ra có tiếp tục giữ lợi thế khi đi vào nghiên cứu quy mô lớn hay không.

80–90% thành công ở Phase I nghe ấn tượng, nhưng chưa phải đáp án

Một phân tích đăng trên Drug Discovery Today năm 2024 theo dõi pipeline của các biotech AI-native. Trong 24 phân tử do AI hỗ trợ khám phá đã hoàn thành Phase I vào thời điểm phân tích, 21 được xếp là thành công, tương đương khoảng 80–90%.

Con số này cao hơn đáng kể so với nhiều mức trung bình lịch sử của ngành và gợi ý AI có thể hữu ích trong việc tạo ra các phân tử có tính chất “drug-like”, dược động học và độ an toàn ban đầu tốt hơn.

Nhưng sang Phase II, nơi câu hỏi chuyển từ “thuốc có vào được cơ thể an toàn không?” sang “thuốc có thực sự giúp người bệnh không?”, tỷ lệ thành công trong phân tích chỉ khoảng 40% — gần với mức lịch sử của ngành.

Mẫu nghiên cứu còn nhỏ, các định nghĩa “AI-discovered” không đồng nhất và các công ty AI có thể ưu tiên những target đã được xác nhận sinh học tốt hơn. Vì vậy, 80–90% không nên được diễn giải như bằng chứng rằng AI đã giải quyết bài toán thất bại lâm sàng.

Nó gợi ý một điều hẹp hơn: AI có vẻ đang làm tốt hơn ở phần chemistry và early development so với phần human efficacy.

Tại sao Phase II và III mới là bài kiểm tra thật?

AI học từ dữ liệu đã có. Với hóa học, ngành dược có kho dữ liệu tương đối lớn về cấu trúc phân tử, độ hòa tan, ái lực, ADME, độc tính và nhiều assay tiêu chuẩn.

Nhưng hiệu quả lâm sàng là bài toán khó hơn nhiều. Bệnh nhân không phải một protein tinh khiết trong ống nghiệm. Họ khác nhau về gene, tuổi, bệnh nền, thuốc đang dùng, chức năng cơ quan, môi trường và giai đoạn bệnh.

Một target có thể rất hợp lý ở mô hình tế bào nhưng không phải driver đủ quan trọng ở người. Một thuốc có thể chạm đúng target nhưng cơ thể bù trừ bằng pathway khác. Biomarker có thể thay đổi nhưng không làm giảm biến cố.

Vì vậy, AI có thể tối ưu phân tử cho một giả thuyết sinh học sai nhanh hơn — nhưng vẫn là giả thuyết sai.

Đây là giới hạn căn bản của “AI drug design”: chất lượng output cuối cùng bị chặn bởi chất lượng mô hình sinh học của bệnh.

Không phải mọi “AI drug” đều do generative AI vẽ từ đầu

Một hiểu lầm khác là cho rằng tất cả thuốc AI đều là phân tử hoàn toàn mới do mô hình sinh tạo ra.

Trong thực tế, AI drug discovery bao gồm cả repurposing. Hệ thống có thể tìm trong danh mục thuốc hoặc phân tử đã biết và phát hiện một mối liên hệ mới giữa thuốc và bệnh.

Loại chương trình này có thể tiến nhanh hơn vì đã có dữ liệu an toàn trước đó. Nhưng nó không kiểm tra cùng một năng lực với một chương trình de novo, nơi AI phải giúp tạo chemical matter mới.

Do đó, khi đánh giá “AI có làm thuốc tốt hơn hay không”, cần hỏi chính xác AI đã đóng vai trò gì: tìm target, chọn phân tử cũ, dự đoán cấu trúc hay tạo một phân tử mới.

Isomorphic Labs cho thấy ngay cả AI rất mạnh cũng không thể bỏ qua khoảng cách tới clinic

Isomorphic Labs, công ty tách ra từ Google DeepMind và khai thác công nghệ cấu trúc sinh học bắt nguồn từ AlphaFold, từng đặt mục tiêu đưa các thuốc thiết kế bằng AI vào thử nghiệm lâm sàng trước cuối năm 2025.

Đầu năm 2026, CEO Demis Hassabis cho biết mốc này đã lùi sang cuối năm 2026. Đến tháng 4, công ty vẫn cho biết đang chuẩn bị bước vào clinic.

Việc chậm hơn kế hoạch không phải bằng chứng AI thất bại. Nó minh họa điều ngược lại: ngay cả khi thuật toán thiết kế phân tử rất mạnh, drug development vẫn phải đi qua tổng hợp, assay, tối ưu chemistry, độc tính, CMC, nghiên cứu tiền lâm sàng, hồ sơ pháp lý và nhiều bước kiểm chứng khác.

AI có thể làm một số bước nhanh hơn. Nó không làm các bước còn lại biến mất.

Không có “FDA ưu tiên” chỉ vì thuốc được AI thiết kế

Tính đến tháng 8/2026, chưa có thuốc được phát hiện chủ yếu bằng nền tảng AI/generative AI nào nhận full FDA approval chỉ nhờ nguồn gốc AI của nó.

Về mặt pháp lý, một phân tử do AI đề xuất vẫn phải chứng minh chất lượng, an toàn và hiệu quả như các thuốc khác.

Tháng 1/2026, FDA và European Medicines Agency công bố 10 nguyên tắc chung về “Good AI Practice in Drug Development”. Các nguyên tắc nhấn mạnh thiết kế lấy con người làm trung tâm, quản lý rủi ro, dữ liệu phù hợp, đánh giá hiệu năng, tính minh bạch và quản trị suốt vòng đời.

FDA cũng cho biết cơ quan đã thấy số hồ sơ phát triển thuốc chứa thành phần AI tăng mạnh, với hơn 500 submission có thành phần AI trong giai đoạn 2016–2023.

Điều này cho thấy regulator đã xem AI là một phần thực tế của R&D dược phẩm. Nhưng họ đang xây khung để đánh giá độ tin cậy của bằng chứng do AI hỗ trợ, chứ không tạo một con đường miễn trừ thử nghiệm cho thuốc AI.

Cardiovascular AI sẽ phải chứng minh nhiều hơn “tạo lead trong vài tháng”

Nếu chương trình Novartis–UNP tạo ra một macrocyclic peptide tim mạch có thể đi tới IND, thành công đầu tiên sẽ là chứng minh AI mở được một target từng khó tiếp cận.

Nếu ứng viên vượt Phase I, nó sẽ cho thấy platform có thể tạo phân tử với đặc tính đủ tốt để dùng ở người.

Nếu vượt Phase II, câu hỏi khó hơn mới được trả lời: target đó có thực sự thay đổi sinh học bệnh ở bệnh nhân không.

Và với nhiều chỉ định tim mạch, Phase III còn phải chứng minh lợi ích trên endpoint có ý nghĩa: nhập viện, khả năng vận động, biến cố tim mạch lớn hoặc tử vong.

Đó là lý do “AI thiết kế thuốc tim mạch” hiện mới nên được xem là khởi đầu của thí nghiệm, không phải kết luận.

Thứ AI có thể thay đổi trước tiên có lẽ là kinh tế của thất bại

Ngay cả khi tỷ lệ thành công Phase II không tăng mạnh, AI vẫn có thể thay đổi ngành dược nếu nó giúp các công ty thất bại sớm hơn và rẻ hơn.

Nếu một hệ thống có thể loại hàng nghìn phân tử kém trước khi tổng hợp, dự đoán sớm rủi ro ADME hoặc tìm lead chỉ trong vài vòng thí nghiệm, chi phí để đến preclinical candidate có thể giảm.

Nếu target selection tốt hơn giúp loại bỏ những giả thuyết yếu trước khi bắt đầu chương trình tốn kém, tổng năng suất R&D có thể tăng dù xác suất thành công tuyệt đối ở clinic chỉ cải thiện vừa phải.

Đây là một tiêu chí đánh giá thực tế hơn việc hỏi liệu AI có “phát minh thuốc nhanh gấp 10 lần” hay không.

AI drug discovery cần được đánh giá bằng thuốc, không phải benchmark

Trong machine learning, một mô hình mới thường được đánh giá bằng benchmark: accuracy, ROC-AUC, độ chính xác cấu trúc hoặc binding affinity.

Trong dược học, benchmark cuối cùng khác hẳn: bệnh nhân có khỏe hơn hay không.

Một mô hình dự đoán binding tốt hơn 20% có thể không tạo ra thuốc tốt hơn nếu target sai. Một phân tử có predicted affinity cực cao vẫn thất bại nếu không hấp thu. Một lead có PK đẹp vẫn vô nghĩa nếu không cải thiện bệnh.

Đó là lý do rentosertib Phase III quan trọng với toàn ngành dù nó không phải thuốc tim mạch. Nếu một chương trình mà cả target lẫn phân tử đều được AI hỗ trợ tìm ra vượt được thử nghiệm quy mô lớn, đây sẽ là bằng chứng mạnh hơn hàng trăm benchmark chemistry.

Ngược lại, nếu những ứng viên nổi bật liên tục thất bại ở Phase II hoặc III, ngành sẽ phải xem lại giả định rằng cải thiện thiết kế phân tử sẽ tự động chuyển thành cải thiện hiệu quả lâm sàng.

Kết luận

AI đang bắt đầu bước vào drug discovery tim mạch theo nghĩa rất cụ thể: các hãng dược lớn đã ký những hợp tác nơi machine learning và generative design tham gia trực tiếp vào quá trình tạo phân tử cho target cardiovascular.

Thỏa thuận Novartis–Unnatural Products là một ví dụ rõ ràng. AI-enhanced macrocycle platform sẽ được dùng để tạo therapeutic candidate cho một chương trình tim mạch chưa công bố, còn Novartis sẽ đưa những ứng viên thành công qua IND và clinic.

Nhưng chưa có thuốc tim mạch từ chương trình này được công bố là đang thử nghiệm trên người. Và rộng hơn, tính đến tháng 8/2026, ngành AI drug discovery vẫn đang chờ bằng chứng quyết định từ các thử nghiệm lâm sàng giai đoạn muộn.

Rentosertib đã đi xa nhất trong nhóm những ứng viên mà cả target và phân tử được phát triển với generative AI, và nay đã bước vào Phase III cho IPF. Kết quả của những chương trình như vậy sẽ giúp trả lời câu hỏi quan trọng hơn mọi demo: AI chỉ làm drug discovery nhanh hơn, hay thực sự làm tăng xác suất tạo ra một loại thuốc hiệu quả?

Đối với tim mạch, câu trả lời còn chưa có. Nhưng thí nghiệm đã bắt đầu.