Theo một nghiên cứu được công bố trên Kỷ yếu của Viện Hàn lâm Khoa học Quốc gia (PNAS) vào ngày 9 tháng 6 năm 2026, các nhà nghiên cứu từ Viện Hóa học Hữu cơ Thượng Hải thuộc Viện Hàn lâm Khoa học Trung Quốc đã phát triển một mô hình trí tuệ nhân tạo tổng hợp có thể dự đoán các tương tác protein-protein ở độ phân giải nguyên tử.
Công trình, dẫn đầu bởi TS. Yang Jing, Yuan Junying và James J. Chou đã được Viện Hàn lâm Khoa học Trung Quốc nêu bật và được Phys.org đưa tin. Nó bổ sung một công cụ mới vào một lĩnh vực phát triển nhanh, trong đó AI ngày càng được sử dụng nhiều để thiết kế các máy phân tử làm nền tảng cho thuốc, vật liệu và sinh học tổng hợp. For more context on this story, see our ongoing more AI stories.
Tại sao tương tác protein-protein lại quan trọng
Protein là công cụ lao động phân tử của cơ thể con người. Chúng xây dựng các mô, vận chuyển phân tử, điều chỉnh giao tiếp tế bào và chống lại nhiễm trùng. Nhiều loại thuốc quan trọng nhất - bao gồm liệu pháp kháng thể điều trị ung thư và insulin điều trị bệnh tiểu đường - hoạt động bằng cách tương tác với các protein cụ thể hoặc bằng cách thay thế những protein bị thiếu hoặc hoạt động sai chức năng.
Bởi vì rất nhiều quá trình sinh học phụ thuộc vào cách các protein liên kết với nhau nên khả năng dự đoán và điều khiển chính xác các tương tác protein-protein có thể đẩy nhanh quá trình phát triển thuốc và giải quyết các nhu cầu y tế chưa được đáp ứng. Sự tiến bộ ở đây cũng bổ sung cho những tiến bộ nhanh chóng trong công nghệ phân phối như vectơ virus liên quan đến adeno và các hạt nano lipid mRNA, giúp đưa các phân tử trị liệu vào tế bào.
Cách tiếp cận từ dưới lên thay vì từ trên xuống
Hầu hết các khung AI hiện có để thiết kế protein đều tuân theo chiến lược từ trên xuống: trước tiên, chúng tạo ra một giàn protein tổng thể phù hợp với vị trí mục tiêu, sau đó thiết kế một trình tự để tối ưu hóa liên kết. Void-X đảo ngược logic đó.
Mô hình là một hệ thống nạp nguyên tử. Nó được đào tạo để nhận biết các kiểu tương tác ở quy mô nguyên tử và lấp đầy các "khoảng trống" - những khoảng trống - trong các giao diện protein. Giả định hướng dẫn của nó là các phức hợp phân tử ổn định được giữ với nhau bằng cách đóng gói nguyên tử tối ưu, xuất hiện từ các tương tác cục bộ giữa các nguyên tử lân cận cũng như các khớp nối bậc cao hơn với các nguyên tử ở xa hơn. Thay vì thiết kế toàn bộ hình dạng protein, Void-X trực tiếp tạo ra các cụm nguyên tử nhỏ gọn được tối ưu hóa để đóng gói chặt chẽ trong một vùng cấu trúc xác định, tạo cho thiết kế một nền tảng vững chắc về mặt vật lý.
Được huấn luyện trên tám triệu cụm nguyên tử
Để đào tạo Void-X, các nhà nghiên cứu đã tập hợp một bộ dữ liệu gồm hơn tám triệu cụm nguyên tử hình cầu được rút ra từ các cấu trúc được xác định bằng thực nghiệm được gửi vào Ngân hàng Dữ liệu Protein. Đối với mỗi cụm, khoảng 30% các nguyên tử ngoại vi, liền kề về mặt không gian bị che đi, trong khi các nguyên tử còn lại đóng vai trò là “bối cảnh” – một dấu nhắc hiệu quả – mà mô hình sử dụng để dự đoán các nguyên tử còn thiếu.
Các nhà nghiên cứu đã báo cáo rằng mạng kết quả chứa 172 triệu tham số và đạt được độ chính xác dự đoán cao: 78,3% đối với cụm nguyên tử trong chuỗi và 68,2% đối với cụm liên chuỗi.
Ý nghĩa của việc khám phá thuốc và hơn thế nữa
Theo các tác giả, những khả năng này cho phép tạo ra các tương tác protein có độ phân giải nguyên tử de novo, cung cấp những gì họ mô tả như một lộ trình bổ sung và trực quan về mặt vật lý để thiết kế protein. Bằng cách kết hợp chi tiết cấp độ nguyên tử với mô hình tổng quát, Void-X mở rộng bộ công cụ cho các giao diện phân tử sinh học kỹ thuật hợp lý.
Điều đó quan trọng vì thiết kế giao diện là trọng tâm của quá trình phát triển thuốc hiện đại. Các công cụ tính toán tốt hơn để dự đoán cách một phân tử ứng cử viên sẽ liên kết với mục tiêu protein của nó có thể rút ngắn con đường từ ý tưởng đến trị liệu, giảm sự phụ thuộc vào các thí nghiệm thử và sai tốn kém và giúp thiết kế protein cho các chức năng hoàn toàn mới trong sinh học tổng hợp dễ dàng hơn.
Một lĩnh vực đang phát triển
Void-X xuất hiện trong bối cảnh công việc về protein do AI điều khiển đang gia tăng. Từ dự đoán cấu trúc đến thiết kế tạo ra toàn bộ nguyên tử, các nhà nghiên cứu đang dần dần hướng tới khả năng mô hình hóa các tương tác phân tử sinh học ở độ phân giải nguyên tử đầy đủ. Các hệ thống tạo ra toàn nguyên tử trước đó đã chứng minh tính khả thi của việc thiết kế và dự đoán các tương tác ở quy mô đó và Void-X đóng góp một chiến lược đóng gói đầu tiên, khác biệt cho nỗ lực tương tự.
Thủ thuật che giấu khiến nó hoạt động
Phương pháp đào tạo của Void-X mượn một trang từ cẩm nang mô hình ngôn ngữ. Bằng cách che giấu khoảng 30% nguyên tử trong mỗi cụm huấn luyện và yêu cầu mô hình suy ra chúng từ bối cảnh xung quanh, các nhà nghiên cứu đã biến sinh học cấu trúc thành một nhiệm vụ điền vào chỗ trống - nguyên tắc tương tự cho phép các mô hình ngôn ngữ lớn dự đoán các từ còn thiếu trong một câu. Sự khác biệt là "từ vựng" của Void-X bao gồm các nguyên tử được sắp xếp trong không gian ba chiều và ngữ pháp mà nó học được phản ánh các quy tắc đóng gói vật lý chi phối cách gấp và liên kết của các protein thực.
Việc đào tạo nhận thức về cấu trúc đó là điều khiến Void-X khác biệt với các phương pháp xử lý protein dưới dạng chuỗi axit amin phẳng. Bởi vì mô hình lý giải đồng thời về các khớp nối nguyên tử cục bộ và tầm xa, nên nó có thể đề xuất hình học giao diện tôn trọng các ràng buộc vật lý của một phức hợp ổn định, thay vì tạo ra các thiết kế trông có vẻ hợp lý nhưng không ổn định về mặt sinh học.
Giới hạn và câu hỏi mở
Kết quả đầy hứa hẹn, nhưng các nhà nghiên cứu thẳng thắn rằng vẫn còn nhiều thách thức. Độ chính xác giữa các chuỗi là 68,2% - liên quan đến các phức hợp đa protein xác định hầu hết các mục tiêu thuốc trong thế giới thực - thấp hơn đáng kể so với con số trong chuỗi, phản ánh khó khăn lớn hơn trong việc mô hình hóa cách hai phân tử riêng biệt kết hợp với nhau. Thiết kế giao diện liên kết chặt chẽ trong mô hình tính toán cũng chỉ là bước đầu tiên; các ứng cử viên vẫn phải được tổng hợp và xác nhận bằng thực nghiệm, và các tương tác được dự đoán có thể gặp khó khăn trong môi trường lộn xộn hơn của tế bào sống.
Mở rộng quy mô dữ liệu huấn luyện, tinh chỉnh cách xử lý các vùng protein linh hoạt hoặc bị rối loạn của mô hình và tích hợp Void-X với các hệ thống bổ sung từ trên xuống có thể là các bước tiếp theo. Các tác giả coi sự đóng góp của họ là công nghệ bổ sung chứ không phải thay thế - một lựa chọn có nền tảng vật lý để kết hợp với các giàn giáo hiện có khi lĩnh vực này chạy đua hướng tới thiết kế phân tử toàn diện, đáng tin cậy.
Xu hướng rộng hơn
Nghiên cứu, được công bố theo DOI 10.1073/pnas.2607035123, báo hiệu rằng cuộc cạnh tranh để xây dựng các công cụ thiết kế phân tử chính xác hơn bao giờ hết hiện đang diễn ra tốt đẹp - và AI có khả năng tạo sinh đang trở thành một phần không thể thiếu trong bàn làm việc của các nhà hóa sinh. Khi các mô hình như Void-X thu hẹp khoảng cách giữa tính toán và phòng thí nghiệm, hy vọng là các nhà nghiên cứu sẽ có thể thiết kế các phương pháp trị liệu, enzyme và vật liệu mới nhanh hơn và hợp lý hơn bao giờ hết.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
