QuantaMind lên tạp chí Science Advances: AI giúp 'quay phim' thế giới phân tử

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

14/09/2026 16:17:22 Nguồn: QbitAI

Thiết kế protein bằng AI bước vào "kỷ nguyên động"

Khi AI đã có thể dự đoán "hình dáng" của một protein, câu hỏi tiếp theo đặt ra là: Liệu chúng ta có thể hiểu được nó "hoạt động như thế nào" không?

Proton chuyển dịch như thế nào khi enzyme xúc tác? Các liên kết hóa học bị bẻ gãy và hình thành ra sao? Cấu hình thay đổi thế nào sau khi thuốc liên kết với mục tiêu? — Những quá trình động diễn ra ở quy mô nano giây và cấp độ nguyên tử này mới chính là yếu tố then chốt quyết định chức năng phân tử, đồng thời cũng là bài toán hóc búa mà hóa học tính toán chưa thể giải quyết trong nhiều thập kỷ qua.

Gần đây, các nghiên cứu liên quan đến QuantaMind – nền tảng mô hình hóa nguyên tử phản ứng do MoleculeMind tự phát triển – đã được công bố trên tạp chí *Science Advances*. Lần đầu tiên, công nghệ này đưa mô phỏng động lực học phân tử phản ứng đạt độ chính xác gần với lý thuyết hàm mật độ (DFT) lên hệ thống sinh học quy mô hàng chục nghìn nguyên tử và thang thời gian hàng chục nano giây; các thử nghiệm mở rộng mới nhất sau khi nộp bài báo thậm chí đã đạt tới quy mô hàng trăm nghìn nguyên tử và thang thời gian hàng trăm nano giây.

Đột phá này đưa thiết kế đại phân tử bằng AI bước vào kỷ nguyên mới của "mô phỏng phản ứng động" — các phản ứng hóa học không còn là "hộp đen" chỉ có thể kiểm chứng sau sự kiện, mà là một quá trình có thể suy diễn và thấu hiểu trước trên nền tảng tính toán.

Khó khăn lâu nay: "Tam giác bất khả thi" về độ chính xác, tốc độ và quy mô

Để hiểu một phân tử "hoạt động như thế nào", chìa khóa nằm ở mô phỏng động lực học phân tử phản ứng — phương pháp này nắm bắt toàn bộ quá trình chuyển dịch proton và bẻ gãy/hình thành liên kết hóa học thông qua việc theo dõi chuyển động liên tục của các nguyên tử.

Tuy nhiên, việc áp dụng thực tế động lực học phân tử phản ứng vào các hệ thống đại phân tử sinh học từ lâu đã đối mặt với tình trạng khó có thể đạt được đồng thời cả độ chính xác, tốc độ và quy mô:

Lưu ý: Quy mô và thời gian của QuantaMind là kết quả thử nghiệm mở rộng mới nhất sau khi nộp bài báo; hệ thống lớn nhất được xác thực thực tế trong bài báo là 24.001 nguyên tử với thời gian mô phỏng dài nhất là 20 nano giây.

Là một khung lực trường (force field) học máy phản ứng, QuantaMind thông qua kỹ thuật dữ liệu và kiến trúc mô hình sáng tạo, lần đầu tiên đưa cả ba chiều kích này vào phạm vi có thể ứng dụng trong nghiên cứu và phát triển sinh học.

Đột phá đầu tiên trên thế giới: Từ "khả thi về lý thuyết" đến "có thể sử dụng thực tế"

Đột phá về hiệu suất tính toán là chìa khóa để đưa động lực học phân tử phản ứng từ "khả thi về lý thuyết" trở thành "có thể sử dụng thực tế".

Bài báo báo cáo rằng, trên GPU NVIDIA A100 80GB, tốc độ suy luận của QuantaMind đạt 4,2×10⁻⁶ giây/nguyên tử/bước, tương đương với các lực trường học máy tiên tiến nhất hiện nay; đối với hệ thống PETase khoảng 18.000 nguyên tử được xác thực trong bài báo, mỗi nano giây mô phỏng mất khoảng 20 giờ. Các thử nghiệm mới nhất cho thấy tốc độ suy luận của QuantaMind đã đạt 2,1×10⁻⁶ giây/nguyên tử/bước, có thể giảm thời gian tính toán mô phỏng cho mỗi bước thời gian của hệ thống phản ứng quy mô hàng trăm nghìn nguyên tử xuống còn 0,25 giây.

Song song với đột phá về hiệu suất, quy mô và thời gian cũng có những bước tiến vượt bậc —

Xác thực then chốt: "Hoàn thành" một phản ứng xúc tác trọn vẹn trong hệ thống enzyme gần 18.000 nguyên tử

Bốn nhóm dữ liệu xác thực dưới đây đều được trích xuất từ bài báo trên *Science Advances*.

Trong phần xác thực hệ thống sinh học quan trọng nhất của bài báo, QuantaMind đã thực hiện mô phỏng động lực học phân tử phản ứng trong 6 nano giây đối với hệ thống enzyme thủy phân PET chứa 17.792 nguyên tử, hoàn thành mô phỏng chu trình xúc tác trọn vẹn. Điều này có nghĩa là mô phỏng không còn giới hạn ở việc quan sát chuyển động cấu hình của protein, mà có thể theo dõi liên tục các quá trình hóa học liên quan trong quá trình xúc tác.

Quan trọng hơn, "có thể chạy xong" còn cần trả lời một câu hỏi khác: Kết quả có chính xác không?

Nhóm nghiên cứu đã trích xuất 342 cấu hình từ quỹ đạo phản ứng để thực hiện tính toán điểm đơn DFT độc lập. Kết quả cho thấy hệ số tương quan Pearson của các thành phần lực nguyên tử đều vượt quá 0,99, chứng tỏ QuantaMind duy trì sự nhất quán cao độ với bề mặt năng lượng tiềm năng DFT tham chiếu trên các cấu hình mà quỹ đạo phản ứng này bao phủ.

Nhóm kết quả này đồng thời xác nhận năng lực cốt lõi nhất của QuantaMind: Trong khi đẩy động lực học phân tử phản ứng lên quy mô hệ thống sinh học lớn và thang thời gian nano giây, nó vẫn duy trì được độ chính xác nhất quán cao với DFT tham chiếu.

Enzyme thủy phân PET không phải là kết quả xác thực đơn lẻ. Bài báo còn thực hiện xác thực đa tầng về độ chính xác, tính ổn định và khả năng mô tả phản ứng của QuantaMind, từ các quá trình hóa lý cơ bản đến vi môi trường protein:

Những xác thực ở các quy mô khác nhau này cùng cho thấy: QuantaMind không chỉ giúp các hệ thống phân tử lớn "chạy được", mà còn mô tả liên tục các quá trình phản ứng liên quan mật thiết đến chức năng sinh học trên các hệ thống lớn hơn và thang thời gian dài hơn.

Ứng dụng công nghiệp: Từ "thử sai mù quáng" đến "tính toán trước, đo đạc sau"

Dưới đây là các trường hợp ứng dụng công nghiệp ngoài bài báo, đến từ các dự án thực tế của MoleculeMind.

Khi quỹ đạo phản ứng động có độ chính xác cao này đi vào quy trình R&D, giá trị công nghiệp của QuantaMind không chỉ dừng lại ở việc "nhìn thấy" phân tử phản ứng như thế nào, mà còn chuyển đổi các vấn đề cơ chế vốn trước đây chỉ có thể mò mẫm qua nhiều vòng thí nghiệm thành các biến số R&D có thể tính toán, phân tích và dùng để định hướng thiết kế.

- Phát triển thuốc: Giải mã cơ chế động, thúc đẩy đột phá trong thiết kế

Docking tĩnh không thể dự đoán chính xác quá trình tương tác động của phân tử trong môi trường vi mô cơ thể (như các môi trường pH khác nhau). Nhờ khả năng ước tính proton hóa động và pKa, QuantaMind có thể nắm bắt trạng thái chuyển đổi của các gốc quan trọng ở các mức pH khác nhau, phân tích ảnh hưởng vi mô của chúng đối với điện tích, cấu hình và tương tác, từ đó hỗ trợ thiết kế kháng thể nhạy cảm với pH và đại phân tử.

Trong một dự án thiết kế kháng thể nhạy cảm với pH nhằm kéo dài thời gian bán thải, kháng thể ứng viên do QuantaMind hỗ trợ thiết kế đạt tốc độ phân ly ở pH 6.0 gấp 62 lần so với ở pH 7.4 — kết quả này trước đây thường phải trải qua nhiều vòng thí nghiệm ướt (wet lab) mới có được, nay có thể hoàn thành phân tích cơ chế và sàng lọc hướng đi ngay trên nền tảng tính toán.

Ngoài ra, năng lực xử lý hệ thống phản ứng quy mô hàng trăm nghìn nguyên tử cũng cung cấp nền tảng tính toán cho việc hỗ trợ tương tác động toàn diện của phức hợp kháng thể-kháng nguyên toàn chiều dài trong dung môi tường minh (explicit solvent) trong tương lai.

- Kỹ thuật enzyme: Giải mã hộp đen cơ chế, hướng dẫn cải tiến hợp lý

Việc cải tiến enzyme truyền thống thường phụ thuộc vào nhiều vòng biểu hiện, tinh chế và kiểm tra hoạt tính, đối mặt với khó khăn "nhiều phương án ứng viên, chi phí xác thực cao, chu kỳ thử sai dài". QuantaMind có thể tái hiện các bước then chốt của quá trình xúc tác enzyme. Trong các dự án công nghiệp thực tế, MoleculeMind đã sử dụng QuantaMind để làm rõ cơ chế phản ứng của nhiều loại enzyme xúc tác phức tạp, xác định các vị trí đột biến then chốt, trực tiếp hướng dẫn lựa chọn đột biến tiếp theo, thu hẹp phạm vi thí nghiệm ướt, từ đó giảm chi phí và chu kỳ R&D.

Khép kín công nghệ: Từ dự đoán cấu trúc đến thấu hiểu phản ứng

Sự ra đời của QuantaMind đánh dấu việc MoleculeMind đã hoàn thiện mắt xích then chốt trong vòng lặp khép kín R&D phân tử bằng AI. Từ mô hình tạo sinh protein NewOrigin, mô hình dự đoán cấu trúc MMFold, đến nền tảng thiết kế *de novo* MMDesign, và giờ đây là công cụ mô phỏng phản ứng động QuantaMind, MoleculeMind đã xây dựng được ma trận công nghệ "Tạo sinh — Thiết kế — Dự đoán — Thấu hiểu cơ chế", không chỉ có thể "thiết kế ra cấu trúc" mà còn có thể "mô phỏng ra cơ chế" ngay trong giai đoạn thiết kế. Tất cả các chức năng này sẽ được tích hợp vào hệ điều hành kinh tế sinh học AI-native của MoleculeMind là MoleculeOS.

Tác giả liên hệ của bài báo, nhà sáng lập MoleculeMind Hứa Cẩm Ba (Xu Jinbo) cho biết: "Trước đây, công nghệ AI đã học được cách trả lời câu hỏi phân tử 'trông như thế nào'; bước tiếp theo, chúng tôi hy vọng sẽ trả lời sâu hơn về việc tại sao phân tử 'lại chuyển động như vậy, tại sao lại phản ứng như vậy'. QuantaMind hy vọng sẽ trở thành cơ sở hạ tầng then chốt kết nối thiết kế phân tử, mô phỏng cơ chế và xác thực thí nghiệm, thúc đẩy việc thiết lập một mô hình R&D phân tử bằng AI hoàn thiện và đáng tin cậy hơn."

Khi AI có thể hiểu được phân tử "hoạt động như thế nào", thiết kế protein sẽ không còn dừng lại ở điểm đơn lẻ là "dự đoán một cấu trúc", mà dần hình thành chuỗi kỹ thuật hoàn chỉnh "Dự đoán cấu trúc — Thiết kế cấu trúc — Mô phỏng phản ứng". Sự ra đời của QuantaMind thúc đẩy R&D phân tử bằng AI bước vào giai đoạn mới từ "dự đoán cấu trúc tĩnh" sang "thấu hiểu cơ chế động".

Bài viết này do MoleculeMind cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.