WAIC 2026: Molecular Heart chứng minh sức mạnh thiết kế AI qua nanobody và peptide vòng

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

19/07/2026 14:40:12 Nguồn: QbitAI

Trong khuôn khổ Hội nghị Trí tuệ Nhân tạo Thế giới (WAIC) 2026, doanh nghiệp công nghệ sinh học AI MoleculeMind đã công bố kết quả mới nhất từ nền tảng thiết kế thuốc sinh học AI MMDesign trong lĩnh vực thiết kế de novo (từ đầu) các peptide vòng: Đối với các mục tiêu tương tác protein-protein (PPI) như p53-MDM2 và PD-L1, nhiều peptide vòng ứng viên do nền tảng thiết kế đã được xác thực qua các thí nghiệm ướt (wet lab).

Một tháng trước, MoleculeMind vừa công bố những tiến bộ của MMDesign trong việc thiết kế de novo các nanobody (kháng thể đơn miền). Việc xác thực năng lực thiết kế nền tảng của AI hai lần trong thời gian ngắn cho thấy khả năng AI của công ty đang chuyển dịch từ các mô hình đơn nhiệm sang nền tảng thiết kế phân tử đa phương thức.

Các mục tiêu PPI có liên quan mật thiết đến nghiên cứu và phát triển các bệnh như ung thư và miễn dịch, nhưng do bề mặt liên kết protein thường lớn và phức tạp, việc phát triển thuốc phân tử nhỏ truyền thống gặp nhiều khó khăn. Nhờ kích thước phân tử nhỏ và tiềm năng nhận diện các mục tiêu phức tạp, peptide vòng đã trở thành một trong những hướng đi quan trọng trong phát triển thuốc đổi mới sáng tạo những năm gần đây. Tuy nhiên, do trình tự, phương thức vòng hóa và cấu hình không gian ba chiều của peptide vòng có sự tương tác lẫn nhau, quá trình R&D truyền thống thường phụ thuộc vào việc sàng lọc thư viện peptide quy mô lớn, dẫn đến chi phí thử sai giai đoạn đầu rất cao.

Dữ liệu do MoleculeMind công bố lần này cho thấy, đối với mục tiêu p53-MDM2, trong số 21 peptide vòng ứng viên được MMDesign thiết kế và đưa vào thử nghiệm ở vòng đầu tiên, có 16 peptide đạt kết quả dương tính trong thí nghiệm, tỷ lệ thành công đạt hơn 70%; trong đó, phân tử ứng viên tối ưu có ái lực liên kết (KD) đạt 13,7 micromol, vượt trội hơn so với đối chứng dương trong thí nghiệm cùng kỳ. Đối với mục tiêu PD-L1, trong số 19 peptide vòng ứng viên do AI thiết kế ở vòng đầu, có 6 peptide được xác nhận có khả năng liên kết với mục tiêu thông qua thí nghiệm cộng hưởng plasmon bề mặt (SPR), với KD tốt nhất đạt gần 40 micromol. So sánh với các kết quả thiết kế de novo peptide bằng AI được công bố công khai trên toàn cầu, dữ liệu về tỷ lệ thành công ở vòng đầu và hoạt tính liên kết trên hai mục tiêu PPI kinh điển này đang ở mức dẫn đầu trong các công trình tương tự trên thế giới.

Điều đáng chú ý hơn chính là sự thay đổi trong mô hình R&D đằng sau các kết quả này. Những kết quả này chứng minh rằng AI có thể thu hẹp đáng kể không gian ứng viên trước khi bước vào thí nghiệm ướt, giúp đội ngũ R&D ưu tiên nguồn lực thí nghiệm hạn hẹp cho các phân tử có tiềm năng liên kết cao hơn. Đối với peptide vòng và các dạng phân tử khác có không gian ứng viên khổng lồ và chi phí sàng lọc cao, lộ trình R&D "tạo ra - sàng lọc - xác thực" này hứa hẹn sẽ giảm thiểu thời gian và nguồn lực đầu tư trong giai đoạn khám phá ban đầu, đồng thời cung cấp một lộ trình kỹ thuật mới cho việc phát hiện thuốc đối với các mục tiêu phức tạp như PPI.

Một tháng trước, MoleculeMind vừa công bố kết quả thiết kế de novo nanobody bằng AI. Trên hơn mười mục tiêu điều trị thực tế, với số lượng phân tử ứng viên được thiết kế cho mỗi mục tiêu không quá 50, MMDesign đã ổn định thu được các phân tử có ái lực từ mức nanomol đến picomol. Nanobody và peptide vòng có sự khác biệt lớn về kích thước phân tử, đặc điểm cấu trúc và các ràng buộc thiết kế. Việc đạt được thiết kế de novo và xác thực qua thí nghiệm ướt trên cả hai loại hình thái trong thời gian ngắn là chỉ số quan trọng để đánh giá khả năng tổng quát hóa của nền tảng thiết kế sinh học AI, đồng thời tạo nên năng lực kỹ thuật khan hiếm của doanh nghiệp này.

Nhà sáng lập MoleculeMind, ông Hứa Cẩm Ba (Xu Jinbo), cho biết chìa khóa của R&D thuốc sinh học AI không nằm ở kết quả dự đoán hay tạo ra đơn lẻ, mà nằm ở việc thiết lập vòng lặp khép kín "tạo ra - tính toán - thí nghiệm - lặp lại", thông qua dữ liệu thí nghiệm thực tế để liên tục hiệu chỉnh sự hiểu biết của mô hình về cấu trúc, tương tác và chức năng. AI4S (AI for Science) đã chuyển dịch từ cuộc cạnh tranh về mô hình đơn điểm và nhiệm vụ đơn lẻ sang cuộc cạnh tranh về năng lực khám phá khoa học mang tính hệ thống.

Hiện tại, các năng lực liên quan của MMDesign đã được tích hợp vào hệ điều hành thiết kế đại phân tử AI do MoleculeMind tự phát triển mang tên MoleculdOS, và dự kiến sẽ dần mở cửa hợp tác với các doanh nghiệp dược phẩm, trường đại học, viện nghiên cứu và các đội ngũ đổi mới sáng tạo.

R&D y sinh và sinh học tổng hợp từ lâu đã đối mặt với các vấn đề công nghiệp như công cụ phân tán, sự phối hợp giữa tính toán và thí nghiệm chưa đủ, cùng năng lực tiên phong tập trung vào một số ít tổ chức. Nhằm giải quyết những vấn đề nan giải này, MoleculeMind đã tích hợp thống nhất các năng lực mô hình, công cụ thiết kế, tài sản dữ liệu và quy trình R&D tích lũy lâu năm vào MoleculdOS, giúp các nhà nghiên cứu và đội ngũ phát triển thuốc có thể tiếp cận năng lực AI với ngưỡng rào cản thấp hơn, từ đó triển khai thiết kế, tối ưu hóa và thiết kế de novo các hình thái khác nhau như protein, nanobody và peptide vòng.

Từ "điểm kỹ thuật" đột phá một hình thái thuốc đơn lẻ, đến "đường kỹ thuật" với hai thành tựu lớn liên tiếp trong một tháng, và tiến tới "diện công nghiệp" với việc mở cửa toàn diện hệ điều hành MoleculdOS, MoleculeMind đang dựa vào công nghệ protein AI nền tảng tự chủ và kiểm soát được, thúc đẩy AI trở thành cơ sở hạ tầng then chốt cho sự phát triển chất lượng cao của khoa học sự sống và kinh tế sinh học, đồng thời trao quyền một cách hệ thống cho sự đổi mới và nâng cấp trong các lĩnh vực y sinh, sinh học tổng hợp và sản xuất sinh học công nghiệp.

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

Bản quyền thuộc về đơn vị sở hữu, không được phép đăng tải lại hoặc sử dụng dưới bất kỳ hình thức nào nếu chưa được ủy quyền, mọi vi phạm sẽ bị xử lý theo quy định.