Lần đầu tiên, một đột phá khoa học được tạo ra bởi trí tuệ nhân tạo (AI) đã được công nhận bằng giải Nobel.

Cụ thể, Viện Hàn lâm Khoa học Hoàng gia Thụy Điển ngày 9/10 công bố ông David Baker (người Mỹ) được vinh danh "vì công trình thiết kế protein tính toán", trong khi hai nhà khoa học Demis Hassabis (người Anh) và John M. Jumper (người Mỹ) đồng nhận giải “vì công trình dự đoán cấu trúc protein”.

Công trình sử dụng trí tuệ nhân tạo (AI) để "giải mã" cấu trúc của hầu hết loại protein được cộng đồng nghiên cứu quan tâm đặc biệt. Cấu trúc protein được coi là bài toán "nửa thế kỷ" của cộng đồng khoa học cũng như cả thế giới, trong đó nút thắt lớn nhất là dự đoán cấu trúc protein mà không cần thí nghiệm.

Công trình AI lịch sử

Theo Nature, tại DeepMind, công ty con của Google, John Jumper và Demis Hassabis đã phát triển một công cụ AI mang tính cách mạng với khả năng dự đoán cấu trúc protein có tên AlphaFold.

Sau đó, cũng chính AI này là nền tảng củng cố cho công trình của ông David Baker về thiết kế protein tính toán.

“Tôi hy vọng khi chúng ta nhìn lại AlphaFold, đây sẽ là bằng chứng đầu tiên về tiềm năng đáng kinh ngạc của AI trong việc thúc đẩy khám phá khoa học”, Hassabis phát biểu tại buổi họp báo ở DeepMind vào ngày 9/10.

Từng là một người chơi cờ vua giỏi và đi đầu về việc phổ biến AI, Hassabis đã bắt đầu thành lập DeepMind vào năm 2010 với mục tiêu xây dựng các hệ thống AI có thể thực hiện một số nhiệm vụ nhất định như con người hoặc thậm chí là tốt hơn.

Chỉ trong vài giây, AlphaFold có thể hoàn thành công việc mà các nhà khoa học phải mất nhiều năm để nghiên cứu. Ảnh: DeepMind.

Đến năm 2016, Hassabis chuyển sự chú ý của mình sang lĩnh vực protein sau khi phần mềm AI của DeepMind được công chúng biết đến rộng rãi với thành tích đánh bại một kỳ thủ đẳng cấp thế giới của môn cờ vây, một trò chơi cờ nổi tiếng của Trung Quốc.

Sau chiến thắng ở môn cờ vây, Hassabis và David Silver, một nhà khoa học hàng đầu tại DeepMind, quyết định đã đến lúc chuyển từ trò chơi sang các vấn đề trong thế giới thực.

Trong suốt 50 năm, các nhà khoa học đã tìm kiếm phương pháp dự đoán cấu trúc protein một cách nhanh chóng.

Mặc dù vậy, phải đến năm 2019, AlphaFold của DeepMind trình làng, tạo nên bước đột phá, vượt qua mọi hệ thống khác trên thế giới.

AlphaFold được xem là bước đột phá trong lĩnh vực sinh học. Việc dự đoán cấu trúc protein có thể giúp các nhà khoa học tìm hiểu cơ chế gây bệnh, dự đoán mức hiệu quả của các loại thuốc và vai trò của protein trong cơ thể. Những vấn đề toàn cầu như nghiên cứu enzyme phân hủy nhựa cũng gắn liền với protein.

Trước khi AlphaFold ra đời, việc tìm ra hình dạng của protein là một nhiệm vụ cực kỳ khó khăn. Phần khó nhất chính là tìm ra những cấu trúc vật lý của protein. Thông thường, các nhà khoa học sẽ sử dụng tia X hoặc kính hiển vi điện tử (Cryo-EM) để khảo sát hình dạng của protein.

Tuy nhiên, những cách này rất phức tạp và mất thời gian, thậm chí lên đến vài tháng. Theo Matthew Higgins, giáo sư Đại học Oxford, sinh viên có thể phải mất đến một hoặc hai năm mới có thể tạo ra một cấu trúc mới và thông thường, kết quả rất mờ nhạt và không thuyết phục.

Trong khi đó, với AlphaFold, việc dự đoán hình dạng và cấu trúc của protein có thể hoàn tất chỉ trong vài giây với độ chính xác cao.

Tạo ra protein mới

Sau khi dự đoán cấu trúc của hầu hết mọi loại protein mà khoa học biết đến, một số trong đó rất cần thiết để hiểu các căn bệnh nguy hiểm như Alzheimer và Parkinson, DeepMind tiếp tục đi sâu hơn khi ra mắt phiên bản cải tiến AlphaFold2.

Cho đến mùa hè năm 2022, công cụ này đã xuất bản 200 triệu dự đoán cấu trúc protein. Tốc độ phổ biến của AlphaFold2 cũng phát triển với tốc độ chóng mặt.

DeepMind tuyên bố khoảng 98,5% bộ protein của con người đã được mô hình hóa. Ảnh: New Scientist.

Theo PubMed, chỉ có 4 bài báo đề cập đến AlphaFold vào năm 2020. Con số này đã tăng lên 92 bài báo vào năm 2021 và đạt con số khủng với 546 bài báo vào năm 2022.

Trong khi đó, hơn hai thập kỷ trước khi DeepMind bắt đầu làm việc trên AlphaFold, nhà vật lý sinh học David Baker và các đồng nghiệp đã phát triển một công cụ phần mềm có tên là Rosetta với nhiệm vụ mô hình hóa các cấu trúc protein bằng các nguyên lý vật lý.

Cụ thể, công cụ này so sánh các đoạn nhỏ của nhiều cấu trúc và trình tự protein hiện có để xác định trình tự protein có thể gấp thành một hình dạng cụ thể.

Thực tế, trước khi AlphaFold xuất hiện và thống trị, Rosetta mới là công cụ hàng đầu trong cuộc thi CASP (Critical Assessment of Protein Structure Prediction).

Theo đó, cùng với những phần mềm khác, Rosetta sẽ được cung cấp trình tự axit amin cho 100 protein để dự đoán cấu trúc của chúng. Bài giải sẽ được đối chiếu với kết quả nghiên cứu trong phòng thí nghiệm. Tuy nhiên, Baker sớm nhận ra mô hình này có thể được đảo ngược để thiết kế các protein hoàn toàn mới.

Công cụ này sau đó đã thành công bước đầu trong việc thiết kế các protein mới, bao gồm những loại enzyme, protein có thể liên kết chặt chẽ với các phân tử khác và các hạt nano protein tự lắp ráp giống với virus. Một trong số này đã được dùng làm cơ sở cho vaccine Covid-19 và đã được phê duyệt.

Khi AlphaFold2 được công bố nhưng vẫn chưa được phát hành, Baker và nhóm của ông, bao gồm nhà hóa học Minkyung Baek đã bắt tay vào tìm hiểu phần mềm và áp dụng một số thủ thuật của nó vào phiên bản Rosetta dựa trên AI trước đó.

RoseTTAFold - một công cụ phần mềm sử dụng kỹ thuật học sâu để dự đoán nhanh chóng và chính xác các cấu trúc protein dựa trên thông tin hạn chế. Ảnh: University of Washington.

Phiên bản đầu tiên có tên RoseTTAFold cho ra kết quả hoạt động gần như AlphaFold2. Kể từ năm 2021, cả hai mạng lưới AI này đều liên tục được các nhà phát triển và các nhà khoa học khác cải tiến để giải quyết những thách thức mới, chẳng hạn như dự đoán cấu trúc những phức hợp của nhiều protein tương tác khác nhau.

Trong những năm gần đây, nhóm của Baker đặc biệt năng nổ trong việc áp dụng máy học để tạo ra các protein mới chưa từng thấy trong tự nhiên.

Một công cụ do nhóm của Baker phát triển gần đây kết hợp RoseTTAFold với mạng nơ-ron khuếch tán tạo hình ảnh đã dẫn đến bước thay đổi trong khả năng thiết kế protein của các nhà nghiên cứu.

Martin Steinegger, một nhà sinh học tại Đại học Quốc gia Seoul, ví tác động của AlphaFold, RoseTTAFold và các công cụ AI sinh học khác với tác động của các sứ mệnh Apollo Moon.

Trong khi đó, nhiều nhà nghiên cứu hy vọng AlphaFold và các công cụ AI khác mà nó truyền cảm hứng sẽ tạo nên cuộc cách mạng vĩ đại trong lịch sử y học.

Thực tế, cuộc cách mạng mà Jumper, Hassabis và Baker cùng các đồng nghiệp của họ đã khởi xướng vẫn mới chỉ còn trong giai đoạn sơ khai. Tác động đầy đủ của AlphaFold đối với khoa học có thể phải mất nhiều năm nữa mới được biết đến.

Dùng ChatGPT thế nào để không tạo ra nội dung vô tri

Sự phát triển của AI mở ra nhiều tiềm năng nhưng cũng có không ít mối lo đối với ngành xuất bản, đặc biệt là nhóm tác giả viết sách.

Các tác giả sách cần phải chấp nhận sự vươn lên của AI, sử dụng chúng như một "siêu trợ lý" thay vì chối bỏ trào lưu. Chia sẻ với Tri thức - Znews, nhiều cây viết cho rằng người làm sách vẫn có thể đứng vững trong thời đại AI nếu biết cách tận dụng sức mạnh của trí tuệ nhân tạo.

Lần đầu tiên, một đột phá khoa học được tạo ra bởi trí tuệ nhân tạo (AI) đã được công nhận bằng giải Nobel.

Cụ thể, Viện Hàn lâm Khoa học Hoàng gia Thụy Điển ngày 9/10 công bố ông David Baker (người Mỹ) được vinh danh "vì công trình thiết kế protein tính toán", trong khi hai nhà khoa học Demis Hassabis (người Anh) và John M. Jumper (người Mỹ) đồng nhận giải “vì công trình dự đoán cấu trúc protein”.

Công trình sử dụng trí tuệ nhân tạo (AI) để "giải mã" cấu trúc của hầu hết loại protein được cộng đồng nghiên cứu quan tâm đặc biệt. Cấu trúc protein được coi là bài toán "nửa thế kỷ" của cộng đồng khoa học cũng như cả thế giới, trong đó nút thắt lớn nhất là dự đoán cấu trúc protein mà không cần thí nghiệm.

Công trình AI lịch sử

Theo Nature, tại DeepMind, công ty con của Google, John Jumper và Demis Hassabis đã phát triển một công cụ AI mang tính cách mạng với khả năng dự đoán cấu trúc protein có tên AlphaFold.

Sau đó, cũng chính AI này là nền tảng củng cố cho công trình của ông David Baker về thiết kế protein tính toán.

“Tôi hy vọng khi chúng ta nhìn lại AlphaFold, đây sẽ là bằng chứng đầu tiên về tiềm năng đáng kinh ngạc của AI trong việc thúc đẩy khám phá khoa học”, Hassabis phát biểu tại buổi họp báo ở DeepMind vào ngày 9/10.

Từng là một người chơi cờ vua giỏi và đi đầu về việc phổ biến AI, Hassabis đã bắt đầu thành lập DeepMind vào năm 2010 với mục tiêu xây dựng các hệ thống AI có thể thực hiện một số nhiệm vụ nhất định như con người hoặc thậm chí là tốt hơn.

Chỉ trong vài giây, AlphaFold có thể hoàn thành công việc mà các nhà khoa học phải mất nhiều năm để nghiên cứu. Ảnh: DeepMind.

Đến năm 2016, Hassabis chuyển sự chú ý của mình sang lĩnh vực protein sau khi phần mềm AI của DeepMind được công chúng biết đến rộng rãi với thành tích đánh bại một kỳ thủ đẳng cấp thế giới của môn cờ vây, một trò chơi cờ nổi tiếng của Trung Quốc.

Sau chiến thắng ở môn cờ vây, Hassabis và David Silver, một nhà khoa học hàng đầu tại DeepMind, quyết định đã đến lúc chuyển từ trò chơi sang các vấn đề trong thế giới thực.

Trong suốt 50 năm, các nhà khoa học đã tìm kiếm phương pháp dự đoán cấu trúc protein một cách nhanh chóng.

Mặc dù vậy, phải đến năm 2019, AlphaFold của DeepMind trình làng, tạo nên bước đột phá, vượt qua mọi hệ thống khác trên thế giới.

AlphaFold được xem là bước đột phá trong lĩnh vực sinh học. Việc dự đoán cấu trúc protein có thể giúp các nhà khoa học tìm hiểu cơ chế gây bệnh, dự đoán mức hiệu quả của các loại thuốc và vai trò của protein trong cơ thể. Những vấn đề toàn cầu như nghiên cứu enzyme phân hủy nhựa cũng gắn liền với protein.

Trước khi AlphaFold ra đời, việc tìm ra hình dạng của protein là một nhiệm vụ cực kỳ khó khăn. Phần khó nhất chính là tìm ra những cấu trúc vật lý của protein. Thông thường, các nhà khoa học sẽ sử dụng tia X hoặc kính hiển vi điện tử (Cryo-EM) để khảo sát hình dạng của protein.

Tuy nhiên, những cách này rất phức tạp và mất thời gian, thậm chí lên đến vài tháng. Theo Matthew Higgins, giáo sư Đại học Oxford, sinh viên có thể phải mất đến một hoặc hai năm mới có thể tạo ra một cấu trúc mới và thông thường, kết quả rất mờ nhạt và không thuyết phục.

Trong khi đó, với AlphaFold, việc dự đoán hình dạng và cấu trúc của protein có thể hoàn tất chỉ trong vài giây với độ chính xác cao.

Tạo ra protein mới

Sau khi dự đoán cấu trúc của hầu hết mọi loại protein mà khoa học biết đến, một số trong đó rất cần thiết để hiểu các căn bệnh nguy hiểm như Alzheimer và Parkinson, DeepMind tiếp tục đi sâu hơn khi ra mắt phiên bản cải tiến AlphaFold2.

Cho đến mùa hè năm 2022, công cụ này đã xuất bản 200 triệu dự đoán cấu trúc protein. Tốc độ phổ biến của AlphaFold2 cũng phát triển với tốc độ chóng mặt.

DeepMind tuyên bố khoảng 98,5% bộ protein của con người đã được mô hình hóa. Ảnh: New Scientist.

Theo PubMed, chỉ có 4 bài báo đề cập đến AlphaFold vào năm 2020. Con số này đã tăng lên 92 bài báo vào năm 2021 và đạt con số khủng với 546 bài báo vào năm 2022.

Trong khi đó, hơn hai thập kỷ trước khi DeepMind bắt đầu làm việc trên AlphaFold, nhà vật lý sinh học David Baker và các đồng nghiệp đã phát triển một công cụ phần mềm có tên là Rosetta với nhiệm vụ mô hình hóa các cấu trúc protein bằng các nguyên lý vật lý.

Cụ thể, công cụ này so sánh các đoạn nhỏ của nhiều cấu trúc và trình tự protein hiện có để xác định trình tự protein có thể gấp thành một hình dạng cụ thể.

Thực tế, trước khi AlphaFold xuất hiện và thống trị, Rosetta mới là công cụ hàng đầu trong cuộc thi CASP (Critical Assessment of Protein Structure Prediction).

Theo đó, cùng với những phần mềm khác, Rosetta sẽ được cung cấp trình tự axit amin cho 100 protein để dự đoán cấu trúc của chúng. Bài giải sẽ được đối chiếu với kết quả nghiên cứu trong phòng thí nghiệm. Tuy nhiên, Baker sớm nhận ra mô hình này có thể được đảo ngược để thiết kế các protein hoàn toàn mới.

Công cụ này sau đó đã thành công bước đầu trong việc thiết kế các protein mới, bao gồm những loại enzyme, protein có thể liên kết chặt chẽ với các phân tử khác và các hạt nano protein tự lắp ráp giống với virus. Một trong số này đã được dùng làm cơ sở cho vaccine Covid-19 và đã được phê duyệt.

Khi AlphaFold2 được công bố nhưng vẫn chưa được phát hành, Baker và nhóm của ông, bao gồm nhà hóa học Minkyung Baek đã bắt tay vào tìm hiểu phần mềm và áp dụng một số thủ thuật của nó vào phiên bản Rosetta dựa trên AI trước đó.

RoseTTAFold - một công cụ phần mềm sử dụng kỹ thuật học sâu để dự đoán nhanh chóng và chính xác các cấu trúc protein dựa trên thông tin hạn chế. Ảnh: University of Washington.

Phiên bản đầu tiên có tên RoseTTAFold cho ra kết quả hoạt động gần như AlphaFold2. Kể từ năm 2021, cả hai mạng lưới AI này đều liên tục được các nhà phát triển và các nhà khoa học khác cải tiến để giải quyết những thách thức mới, chẳng hạn như dự đoán cấu trúc những phức hợp của nhiều protein tương tác khác nhau.

Trong những năm gần đây, nhóm của Baker đặc biệt năng nổ trong việc áp dụng máy học để tạo ra các protein mới chưa từng thấy trong tự nhiên.

Một công cụ do nhóm của Baker phát triển gần đây kết hợp RoseTTAFold với mạng nơ-ron khuếch tán tạo hình ảnh đã dẫn đến bước thay đổi trong khả năng thiết kế protein của các nhà nghiên cứu.

Martin Steinegger, một nhà sinh học tại Đại học Quốc gia Seoul, ví tác động của AlphaFold, RoseTTAFold và các công cụ AI sinh học khác với tác động của các sứ mệnh Apollo Moon.

Trong khi đó, nhiều nhà nghiên cứu hy vọng AlphaFold và các công cụ AI khác mà nó truyền cảm hứng sẽ tạo nên cuộc cách mạng vĩ đại trong lịch sử y học.

Thực tế, cuộc cách mạng mà Jumper, Hassabis và Baker cùng các đồng nghiệp của họ đã khởi xướng vẫn mới chỉ còn trong giai đoạn sơ khai. Tác động đầy đủ của AlphaFold đối với khoa học có thể phải mất nhiều năm nữa mới được biết đến.

Dùng ChatGPT thế nào để không tạo ra nội dung vô tri

Sự phát triển của AI mở ra nhiều tiềm năng nhưng cũng có không ít mối lo đối với ngành xuất bản, đặc biệt là nhóm tác giả viết sách.

Các tác giả sách cần phải chấp nhận sự vươn lên của AI, sử dụng chúng như một "siêu trợ lý" thay vì chối bỏ trào lưu. Chia sẻ với Tri thức - Znews, nhiều cây viết cho rằng người làm sách vẫn có thể đứng vững trong thời đại AI nếu biết cách tận dụng sức mạnh của trí tuệ nhân tạo.