LangChain ra mắt Deep Life Sci: Trợ lý AI chuyên sâu cho nghiên cứu lâm sàng và phòng thí nghiệm

Định luật Eroom (gợi ý: hãy đọc ngược từ Eroom) là "người anh em song sinh độc ác" của định luật Moore. Sự sụt giảm theo cấp số nhân về giá thành của sức mạnh tính toán trong 70 năm qua đã mang đến cho chúng ta máy tính cá nhân, internet, điện thoại di động và giờ đây là cuộc cách mạng AI. Đáng tiếc thay, nghiên cứu dược phẩm lại đi theo hướng ngược lại, với chi phí phát triển mỗi loại thuốc mới tăng gấp đôi sau mỗi chín năm.

Các AI agent có tiềm năng đảo ngược xu hướng này, nhưng các giải pháp đa năng hiện nay không được xây dựng với tính chuyên biệt hóa theo lĩnh vực mà các tổ chức khoa học sự sống cần. Đó là lý do tại sao chúng tôi phát triển Deep Life Sci: một trợ lý agent mã nguồn mở được tạo ra dành riêng cho các nhà khoa học lâm sàng và phòng thí nghiệm.

Chi phí nghiên cứu và phát triển dược phẩm đang tăng tốc

Sự gia tăng chi phí không kiểm soát trong ngành dược đến từ cả hai giai đoạn của quy trình phát triển thuốc: nghiên cứu tiền lâm sàng và thử nghiệm lâm sàng. Việc xác định các mục tiêu thuốc tiềm năng đòi hỏi phải sàng lọc hàng triệu bài báo khoa học và các tập dữ liệu sinh học khổng lồ để tìm ra thông tin chi tiết. Khi một phân tử ứng viên có vẻ an toàn và hiệu quả, nó sẽ chuyển sang giai đoạn thử nghiệm lâm sàng trên người, nơi hàng chục nghìn trang giấy tờ phải được hoàn thiện để đảm bảo tuân thủ các quy định ngày càng khắt khe của FDA.

Nhiều công ty AI đã hứa hẹn rằng công cụ của họ sẽ giúp khôi phục năng suất nghiên cứu, nhưng các trợ lý AI đa năng như Claude và ChatGPT lại thiếu kiến thức chuyên môn cần thiết và khả năng tích hợp với các nguồn dữ liệu khoa học. Các sản phẩm AI chuyên biệt hơn cho công nghệ sinh học thường có mức giá chênh lệch rất cao.

Trong cả hai trường hợp, các khung (harness) của agent đều là độc quyền, ngăn cản người dùng tùy chỉnh và khiến họ bị phụ thuộc vào các mô hình nguồn đóng đắt đỏ. Vấn đề này đặc biệt nghiêm trọng trong lĩnh vực khoa học sự sống, nơi các quy định GxP yêu cầu tài liệu và nhật ký kiểm toán kỹ lưỡng để giải trình lý do tại sao hệ thống hoạt động như vậy, đòi hỏi các công ty phải có toàn quyền kiểm soát bất kỳ hệ thống nào được sử dụng để đưa ra quyết định lâm sàng.

Một trợ lý agent mã nguồn mở cho khoa học sự sống

Tại LangChain, chúng tôi tin rằng các tổ chức làm chủ được trí tuệ của riêng mình sẽ nắm giữ lợi thế. Chúng tôi đã phát triển Deep Life Sci, một trợ lý agent mã nguồn mở dành cho các nhà khoa học lâm sàng và phòng thí nghiệm được xây dựng trên khung Deep Agents của chúng tôi, như một khuôn mẫu để các công ty áp dụng và sửa đổi cho các trường hợp sử dụng của riêng họ.

Deep Life Sci có thể truy cập hồ sơ thử nghiệm lâm sàng từ hơn 600.000 nghiên cứu đã đăng ký trên ClinicalTrials.gov, 29 triệu tóm tắt bài báo thông qua PubMed và 12 triệu bài báo toàn văn trên PubMed Central, đồng thời xem xét hàng trăm tài liệu cùng lúc bằng cách phân công cho các sub-agent (agent phụ). Mỗi agent đi kèm với một sandbox LangSmith, cho phép nó chạy mã một cách an toàn để thực hiện các phân tích dữ liệu tùy ý. Người dùng có thể tải lên các tệp PDF, hình ảnh, tệp dữ liệu dạng bảng, tệp thư mục như RIS, tệp trình tự như SMILES, FASTA và nhiều định dạng khác để agent đưa vào quy trình làm việc của mình.

Ví dụ về quy trình làm việc của agent với Deep Life Sci

Trong một quy trình làm việc điển hình, một nhà khoa học phòng thí nghiệm hoàn thành sàng lọc RNA-seq hoặc proteomics và tải lên bảng kết quả. Agent sẽ chạy phân tích làm giàu (enrichment) trong sandbox để xác định các gen biểu hiện khác biệt, sau đó tìm kiếm trong tài liệu các bằng chứng trước đó liên kết từng kết quả với kiểu hình, tách biệt các gen đã được mô tả rõ ràng khỏi các gen mới và trả về một bảng xếp hạng kèm theo các bài báo hỗ trợ.

Ngược lại, một nhóm phát triển lâm sàng hoặc HEOR có thể cần tìm mọi thử nghiệm đã công bố về tiêu chuẩn chăm sóc trong một chỉ định cụ thể, với giá trị điểm cuối, N, đặc điểm dân số và thời gian theo dõi được trích xuất nhất quán. Agent sẽ thực hiện tìm kiếm, sàng lọc theo tiêu chí, trích xuất từng thử nghiệm vào một lược đồ chung và tạo ra cả bảng dữ liệu lẫn so sánh theo kiểu forest-plot.

Trong giai đoạn thử nghiệm lâm sàng, hàng nghìn trang tài liệu thuộc nhiều loại khác nhau được tạo ra, từ chấp thuận có hiểu biết (informed consent), tài liệu và sửa đổi giao thức lâm sàng, biểu mẫu báo cáo ca bệnh, v.v. – tất cả đều phải được kiểm toán, xem xét và chỉnh sửa kỹ lưỡng nhiều lần trước khi hoàn thiện. Sử dụng Deep Life Sci, người dùng có thể tải lên các tài liệu giao thức tham chiếu, nghiên cứu và thu thập thêm thông tin thống kê, đồng thời nhanh chóng quản lý các phản hồi và chỉnh sửa cần thiết, điều này cuối cùng có thể cắt giảm đáng kể thời gian xử lý tài liệu lâm sàng.

Làm chủ trí tuệ của riêng bạn trong nghiên cứu và phát triển

Giá trị của Deep Life Sci càng tăng lên khi agent được tối ưu hóa và tích hợp vào hệ sinh thái của công ty. Deep Life Sci biết điểm cuối chính là gì, nhưng nó không biết các sắc thái cụ thể của công ty như kết quả từ các xét nghiệm nội bộ, những điểm cuối nào mà các cơ quan quản lý đã phản đối, hoặc những địa điểm thử nghiệm nào thực sự đã tuyển dụng bệnh nhân thay vì chỉ hứa hẹn.

Tích hợp bối cảnh này vào khung làm việc chính là cách thực hiện việc làm chủ trí tuệ trong thực tế, và vì mã nguồn của Deep Life Sci là mã nguồn mở, các tổ chức có thể tiếp cận theo bất kỳ cách nào họ muốn. Việc tùy chỉnh này có thể bao gồm thêm các tích hợp với dữ liệu và tài liệu nội bộ, tận dụng các mô hình tiên phong và mã nguồn mở khác nhau, thực thi các rào cản (guardrails) và cổng phê duyệt, v.v.

Việc sửa đổi khung làm việc sẽ đưa bạn vào vòng đời phát triển agent (ADLC): xây dựng, kiểm thử, triển khai, giám sát, sau đó đưa những gì đã học được vào phiên bản tiếp theo. Việc theo dõi (tracing) và đánh giá (evaluations) giúp thúc đẩy vòng lặp phát triển này.

Mọi lượt chạy của Deep Life Sci đều được ghi lại từ đầu đến cuối trong tài khoản LangSmith của riêng bạn, bao gồm các tìm kiếm tài liệu mà agent đã thực hiện, mã nó đã chạy trong sandbox, các tài liệu mà mỗi sub-agent đã đọc và cách nó chuyển từ đó đến câu trả lời. Những quỹ đạo này cho phép gỡ lỗi và cải thiện agent, đồng thời đóng vai trò là hồ sơ kiểm toán.

Các đánh giá cho bạn biết liệu một thay đổi đối với agent có giúp cải thiện hiệu suất hay không. Deep Life Sci đi kèm với một bộ đánh giá mặc định có thể được sửa đổi và bổ sung khi bạn thêm các tích hợp và xác định các trường hợp sử dụng mới. Hãy chạy bộ đánh giá trước và sau khi bạn thay đổi mô hình hoặc viết lại prompt, và bạn sẽ thấy liệu phiên bản mới có thực sự cải thiện hay vô tình làm giảm hiệu suất.

AI agent đang cách mạng hóa các lĩnh vực như lập trình và toán học. Y sinh học, nơi hiệu quả chi phí và tốc độ lặp lại chuyển đổi trực tiếp thành mạng sống con người, không nên bị bỏ lại phía sau. Các công ty công nghệ sinh học và dược phẩm kết hợp các công cụ mã nguồn mở như Deep Life Sci và khả năng ADLC của LangSmith có thể đảo ngược định luật Eroom bằng cách tiết kiệm chi phí và tăng tốc độ lặp lại trong toàn bộ chu kỳ phát triển thuốc.

Bắt đầu với Deep Life Sci tại đây.