Tự nhiên chỉ thử một phần nhỏ của mọi DNA có thể tồn tại: AI muốn khám phá phần còn lại

Một đoạn DNA chỉ dài 200 base đã có khoảng 4²⁰⁰ cách sắp xếp A, C, G và T — xấp xỉ 2,6 × 10¹²⁰ chuỗi khác nhau. Evolution chưa từng có cơ hội “thử” quá một phần cực nhỏ của không gian đó. Phần lớn những chuỗi có thể viết về mặt toán học có lẽ vô dụng, nhưng cũng không có lý do để giả định mọi trình tự hữu ích đều đã xuất hiện trong tự nhiên.

Đó là khoảng trống mà generative AI đang bắt đầu nhắm tới. Một ví dụ cụ thể là DNA-Diffusion, mô hình do nhóm tại Mass General Brigham, Broad Institute cùng các cộng sự phát triển và công bố trên Nature Genetics. Thay vì chỉ dự đoán một đoạn genome tự nhiên đang làm gì, hệ thống học các pattern điều hòa gene rồi viết ra những đoạn DNA 200 base mới, được thiết kế để hoạt động ưu tiên trong một loại tế bào nhất định.

Điểm quan trọng là DNA-Diffusion không “tìm kiếm mọi DNA có thể tồn tại”. Không gian 4²⁰⁰ quá lớn để bất kỳ máy tính nào duyệt brute-force. AI làm việc khác: nó học các ràng buộc mà evolution đã để lại trong DNA chức năng, rồi lấy những ràng buộc đó làm bản đồ để đi vào những vùng sequence space mà genome tự nhiên chưa từng ghi nhận.

Genome tự nhiên là dữ liệu huấn luyện, không phải giới hạn thiết kế

Trong nhiều năm, computational genomics chủ yếu dùng machine learning theo hướng đọc: đưa một DNA sequence vào và dự đoán nó có phải promoter, enhancer, binding site hay biến thể gây bệnh hay không. Generative genomics đảo chiều bài toán. Nếu mô hình đã học được những tổ hợp motif nào thường đi cùng hoạt tính điều hòa, liệu nó có thể tạo một sequence mới thỏa những quy tắc đó?

DNA-Diffusion tập trung vào cis-regulatory elements (CRE), những đoạn DNA không nhất thiết mã hóa protein nhưng góp phần quyết định gene nào được bật, ở tế bào nào và ở mức nào. Nhóm hướng mô hình tới ba loại tế bào được nghiên cứu kỹ: K562, HepG2 và GM12878.

Đây là lựa chọn thực tế. Với gene therapy, một promoter hoặc enhancer nhỏ nhưng có tính đặc hiệu tế bào cao có thể hữu ích hơn một sequence tự nhiên dài và khó đóng gói. Một regulatory element dành cho B cell chẳng hạn cần kích hoạt gene ở B cell nhưng càng ít ảnh hưởng tới tế bào khác càng tốt.

Thay vì bắt đầu từ một enhancer tự nhiên rồi thay từng nucleotide, DNA-Diffusion có thể khởi đầu từ noise và tạo cả sequence mới. Cách tiếp cận này gần với diffusion model trong tạo ảnh: trong quá trình huấn luyện, hệ thống học cách đảo ngược nhiễu để quay về cấu trúc có ý nghĩa; khi sinh mẫu, nó đi từ noise về một chuỗi DNA được condition theo loại tế bào mục tiêu.

AI không chỉ tạo DNA “trông giống thật”

Thách thức của generative biology nằm ở chỗ một sequence có thể rất thuyết phục với mô hình nhưng hoàn toàn vô dụng trong tế bào. Vì vậy nhóm không dừng ở đánh giá in silico.

Sau khi huấn luyện, họ tạo 100.000 sequence dài 200 bp cho mỗi loại tế bào và kiểm tra xem chúng có sao chép dữ liệu huấn luyện hay không. Phân tích alignment cho thấy các sequence sinh ra không đơn giản là những mảnh genome đã biết được chép lại. Đồng thời, chúng vẫn chứa các motif transcription factor và pattern điều hòa tương tự DNA tự nhiên.

Bước quan trọng hơn là thí nghiệm. Nhóm xây một thư viện 5.850 regulatory element và dùng STARR-seq để đo hoạt tính trên ba cell line. Phương pháp này đặt các sequence ứng viên trong plasmid reporter rồi định lượng mức RNA mà chúng tạo ra, cho phép sàng lọc hàng nghìn sequence song song.

Theo paper, các sequence do DNA-Diffusion tạo ra đạt sự cân bằng tốt giữa ba mục tiêu vốn thường xung đột: hoạt tính mạnh, đặc hiệu theo cell type và đa dạng sequence. Nói cách khác, mô hình không chỉ học cách viết nhiều biến thể gần giống một enhancer tự nhiên duy nhất.

Một bài kiểm tra khó hơn: đưa sequence trở lại genome

Reporter assay vẫn có một nhược điểm: plasmid nằm ngoài chromosome và không trải qua đầy đủ môi trường chromatin của genome thật. Một enhancer hoạt động tốt trên plasmid chưa chắc sẽ giữ được hiệu quả khi được đặt vào locus nội sinh.

Để kiểm tra bước này, nhóm chuyển sang AXIN2, một gene có liên quan tới cơ chế bảo vệ trong chronic lymphocytic leukemia. Họ so sánh các sequence tổng hợp với một biến thể tự nhiên đã biết có thể tăng hoạt tính của AXIN2, rồi đưa các candidate vào vị trí điều hòa trong genome của một B-cell line có nguồn gốc từ bệnh nhân leukemia.

Kết quả đáng chú ý là nhiều sequence tổng hợp đã kích hoạt AXIN2 mạnh hơn biến thể tự nhiên dùng làm mốc so sánh. Trong phân tích lựa chọn candidate của nhóm, 6 trong 10 sequence được xếp hạng cao theo một metric dự đoán đã vượt mức biểu hiện của biến thể bảo vệ tự nhiên. Sequence được thiết kế cho B cell cũng cho tính đặc hiệu: những sequence nhắm tới cell type khác không kích hoạt AXIN2 theo cùng cách.

Đây là phần làm cho nghiên cứu khác với một demo tạo chuỗi trên máy tính. AI đã đề xuất DNA không có trong genome tự nhiên, sequence được tổng hợp, đưa vào tế bào và thực sự điều chỉnh biểu hiện gene theo hướng mong muốn.

“Chưa có trong tự nhiên” không đồng nghĩa “tốt hơn tự nhiên”

Dù headline về sequence space rất hấp dẫn, nghiên cứu này không chứng minh AI có thể tự do khám phá toàn bộ thế giới DNA có thể tồn tại. DNA-Diffusion vẫn học từ dữ liệu sinh học tự nhiên. Nếu training data không chứa một loại regulatory grammar nào đó, mô hình cũng khó tự phát minh ra cơ chế hoàn toàn xa lạ với những pattern nó đã học.

Thêm nữa, chức năng của DNA phụ thuộc mạnh vào ngữ cảnh. Một enhancer 200 bp hoạt động trong một cell line chưa chắc giữ cùng hành vi trong mô sống, ở một vị trí chromosome khác hoặc trong môi trường bệnh lý khác. STARR-seq đo một lớp chức năng cụ thể; thử nghiệm AXIN2 đã tiến gần hơn tới bối cảnh endogenous nhưng vẫn diễn ra trong tế bào nuôi cấy, không phải trên bệnh nhân.

Khả năng tạo sequence mới cũng đặt ra một vấn đề benchmarking khó hơn prediction. Với mô hình dự đoán, nhà nghiên cứu có ground truth để biết đúng hay sai. Với generative model, “novelty” chưa đủ: sequence phải mới, có chức năng, ổn định, không tạo tác dụng ngoài ý muốn và có thể hoạt động trong một hệ sinh học phức tạp mà mô hình chưa mô phỏng đầy đủ.

AI đang chuyển biology từ tìm kiếm sang thiết kế

Điều DNA-Diffusion minh họa rõ nhất không phải một công thức gene therapy cụ thể mà là sự thay đổi trong cách computational biology dùng dữ liệu evolution. Trước đây, genome tự nhiên giống một thư viện để tìm kiếm: muốn một enzyme mới, một regulatory element mới hay một CRISPR system mới, researcher thường bắt đầu bằng việc tìm thứ tương tự trong sinh vật đã tồn tại.

Generative model biến thư viện đó thành dữ liệu để học quy tắc. Sau khi học, hệ thống có thể đề xuất sequence nằm ngoài catalog tự nhiên nhưng vẫn giữ những đặc điểm khiến chúng có khả năng hoạt động. Đây cũng là logic đang xuất hiện ở protein design, RNA design và các genome foundation model: không chỉ hỏi “nature đã tạo ra cái gì?”, mà hỏi “những quy tắc của nature còn cho phép tạo ra cái gì khác?”.

Khoảng cách giữa hai câu hỏi đó rất lớn. Với 200 nucleotide, sequence space đã vượt xa bất kỳ tập dữ liệu genome nào con người có thể thu thập. AI không làm không gian này nhỏ đi; nó cố học một bản đồ xác suất để tránh phần lớn những nơi không đáng thử.

Bước tiếp theo của DNA-Diffusion là mở rộng sang nhiều loại tế bào và kết hợp các sequence tổng hợp với những công cụ genome editing hoặc vector gene therapy. Nhưng trước khi một đoạn DNA do AI viết trở thành thành phần của liệu pháp, nó vẫn phải vượt qua các lớp kiểm chứng về tác dụng ngoài mục tiêu, độ bền, tính đặc hiệu và an toàn trong mô sống.

Nói cách khác, AI chưa “khám phá phần còn lại” của DNA sequence space. Nó mới bắt đầu chứng minh rằng phần chưa từng được evolution thử không nhất thiết là vùng trắng hoàn toàn: nếu học được đủ ngữ pháp từ những sequence tự nhiên đang hoạt động, mô hình có thể đề xuất những “câu” mới — và một số câu đã được tế bào đọc đúng như dự định.