Đại học Tây Hồ và Alibaba ra mắt mô hình AI 'Quy Nguyên' giúp tái lập trình tế bào gốc

Theo tin từ IT ngày 14 tháng 7, Đại học Tây Hồ (Westlake University) và Viện nghiên cứu DAMO (Alibaba DAMO Academy) hôm nay thông báo đã xây dựng thành công tập dữ liệu nhiễu loạn tổ hợp quy mô lớn cho quá trình tái lập trình tế bào gốc, đồng thời phát triển mô hình AI mang tên "Guiyuan" để dự đoán số phận của tế bào gốc.

Năm 2006, các nhà khoa học lần đầu tiên phát hiện ra rằng có thể sử dụng các yếu tố cụ thể để "tái lập trình" tế bào da thành tế bào gốc đa năng cảm ứng (iPSC). Nói một cách dễ hiểu, điều này tương đương với việc đưa một tế bào da đã "tốt nghiệp và đi làm" trở về "trạng thái khởi điểm" với nhiều tiềm năng phát triển. Trong quá trình tái lập trình, tế bào có tính dẻo, lúc này nếu bổ sung các loại thuốc phân tử nhỏ và yếu tố tăng trưởng dạng protein khác nhau, có thể dẫn dắt chúng đến các trạng thái tế bào gốc khác nhau.

Tuy nhiên, từ lâu, nghiên cứu này phụ thuộc rất nhiều vào kinh nghiệm cá nhân và việc thử sai lặp đi lặp lại. "Để điều khiển sự chuyển đổi số phận của tế bào gốc, chúng ta đang đối mặt với một bài toán tối ưu hóa tổ hợp cực kỳ phức tạp," chuyên gia thuật toán cấp cao Cố Phỉ (Gu Fei) từ Viện nghiên cứu DAMO của Alibaba giải thích, "Nghiên cứu này liên quan đến 25 yếu tố điều hòa dòng dõi, bao gồm 17 loại thuốc phân tử nhỏ và 8 loại yếu tố tăng trưởng dạng protein. Về lý thuyết, chúng có thể tạo ra gần 4 triệu tổ hợp khác nhau. Nếu chỉ dựa vào phương pháp truyền thống để kiểm chứng từng thí nghiệm một, có thể mất hàng chục năm, chi phí cao và tỷ lệ thành công cũng rất thấp."

Theo thông tin IT có được, mô hình "Guiyuan" áp dụng chiến lược mã hóa đa phương thức (dual-modal encoding): một mặt mã hóa các loại thuốc phân tử nhỏ thông qua biểu diễn cấu trúc phân tử, mặt khác mã hóa các đại phân tử sinh học như yếu tố tăng trưởng và cytokine thông qua mô hình ngôn ngữ protein, từ đó đưa cả hai vào cùng một không gian biểu diễn đa chiều để dự đoán ảnh hưởng của các tổ hợp khác nhau đối với số phận tế bào.

Quan trọng hơn, Guiyuan không phải là một mô hình "hộp đen" đơn thuần. Nhóm nghiên cứu đã thêm các mô-đun có khả năng giải thích vào mô hình, giúp kết nối các kết quả dự đoán với các con đường tín hiệu sinh học đã biết. Nói cách khác, AI không chỉ có thể cho các nhà nghiên cứu biết "tổ hợp nào có khả năng hiệu quả hơn", mà còn giúp giải thích "tại sao lại hiệu quả".

Mô hình Guiyuan đã hoàn thành việc mô phỏng và dự đoán gần 4 triệu tổ hợp tiềm năng. Nhóm nghiên cứu đã thực hiện kiểm chứng thí nghiệm dựa trên phương án tối ưu do mô hình đề xuất và thu được thành công tế bào gốc dạng hạ phôi (hypoblast-like stem cells) chất lượng cao. Trong phôi tự nhiên, tế bào hạ phôi thường chỉ xuất hiện vào khoảng ngày thứ 5 đến ngày thứ 7 sau khi thụ tinh, tham gia vào việc hỗ trợ dinh dưỡng, truyền tín hiệu phát triển, làm tổ của phôi và hình thành túi noãn hoàng sớm. Do giai đoạn này "trôi qua rất nhanh", các nhà nghiên cứu rất khó để nghiên cứu một cách hệ thống cơ chế hình thành và chức năng của chúng.

Tế bào gốc dạng hạ phôi mà nhóm nghiên cứu nuôi cấy lần này có chất lượng vượt trội so với các kết quả tương tự đã được công bố trước đó, có đặc điểm phân tử tương đồng cao với tế bào hạ phôi tự nhiên và biểu hiện ổn định các yếu tố đa năng then chốt. Sau khi cấy truyền liên tục 50 thế hệ trong ống nghiệm, chúng vẫn duy trì các đặc tính chức năng của tế bào gốc, hứa hẹn cung cấp nguồn tế bào đáng tin cậy cho các ứng dụng tiếp theo.

Nghiên cứu viên Lưu Hiểu Đông (Liu Xiaodong) từ Đại học Tây Hồ cho biết, thành tựu này sẽ giúp hiểu rõ hơn về sự phát triển của phôi thai người giai đoạn đầu, đồng thời thúc đẩy các nghiên cứu về tạo máu trong ống nghiệm, xây dựng mô hình phôi và liệu pháp tế bào: "Tế bào hạ phôi đóng vai trò then chốt trong sự phát triển phôi thai giai đoạn đầu, sự bất thường của chúng có thể liên quan mật thiết đến các vấn đề như sảy thai liên tiếp, thất bại khi làm tổ của phôi. Trước đây, loại tế bào này rất khó nuôi cấy ổn định lâu dài trong ống nghiệm. Giờ đây, nhờ sự hỗ trợ của AI, chúng tôi đã tìm ra phương án điều khiển số phận tế bào tối ưu hơn, cung cấp cho các nhà nghiên cứu nguồn vật liệu có thể khuếch đại và nghiên cứu được."

Hiện tại, nhóm nghiên cứu đã áp dụng mô hình Guiyuan vào các nhiệm vụ điều khiển số phận tế bào khác, bao gồm việc điều chế tế bào tiền thân thần kinh dopamine cần thiết cho dự án liệu pháp tế bào bệnh Parkinson, cũng như các loại tế bào chức năng khác, đồng thời giúp tối ưu hóa quy trình sản xuất. Bằng cách kết hợp mô hình AI, thí nghiệm nhiễu loạn quy mô lớn và sinh học tế bào gốc, Đại học Tây Hồ và Viện nghiên cứu DAMO đã cung cấp một mô hình nghiên cứu mới cho việc điều khiển số phận tế bào phức tạp.

Tuyên bố quảng cáo: Các liên kết ngoài (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) có trong bài viết được sử dụng để truyền tải thêm thông tin, tiết kiệm thời gian sàng lọc, kết quả chỉ mang tính chất tham khảo, tất cả các bài viết của IT đều bao gồm tuyên bố này.