Nhóm nghiên cứu Đại học Stanford vừa công bố trên tạp chí Science: AI có thể thiết kế thực khuẩn thể (bacteriophage, tức virus chuyên tiêu diệt vi khuẩn mà không tấn công tế bào người) hoàn toàn mới, chưa từng tồn tại trong tự nhiên. Trong điều kiện phòng thí nghiệm, một số virus do AI tạo ra diệt vi khuẩn Escherichia coli hiệu quả hơn virus tự nhiên được dùng làm mẫu. Đây là lần đầu tiên genome (bộ gene) do AI tạo ra được xác nhận có thể tự nhân bản bên trong tế bào sống, mở ra hướng mới cho liệu pháp phage (phage therapy, tức điều trị nhiễm khuẩn bằng virus nhắm đúng vi khuẩn mục tiêu), theo nghiên cứu được VietnamPlus dẫn lại.
Stanford đã nhờ AI thiết kế gì, chính xác?
Nhóm nghiên cứu sử dụng hai mô hình ngôn ngữ chuyên biệt về sinh học là Evo 1 và Evo 2 để phân tích ADN của phiX174, một loại virus ăn vi khuẩn tự nhiên. Thay vì chỉnh sửa phiX174 có sẵn, hai mô hình này tạo ra các chuỗi genome hoàn toàn mới, không có tương đương trong tự nhiên.
Một số ứng viên thực khuẩn thể do AI tạo ra cho thấy hiệu quả diệt E. coli vượt trội so với virus gốc, theo nghiên cứu công bố trên Science. Brian Hie, nhà sinh học tính toán và đồng tác giả tại Stanford, mô tả đây là ngưỡng mới của AI tạo sinh (generative AI, tức AI có khả năng tạo ra cấu trúc hoặc nội dung hoàn toàn mới): lần đầu tiên công nghệ này xây dựng được một genome hoàn chỉnh, có khả năng tự nhân bản và thực hiện chức năng sinh học bên trong tế bào sống.
Vì sao kháng kháng sinh khiến nghiên cứu phage AI trở nên cấp thiết?
Kháng kháng sinh là thách thức y tế toàn cầu đang leo thang. Khi kháng sinh thông thường không còn tác dụng, liệu pháp phage là một trong số ít hướng điều trị thay thế đã được nghiên cứu. Trở ngại truyền thống là tìm đúng loại phage tự nhiên phù hợp với từng chủng vi khuẩn cụ thể, một quá trình vừa chậm vừa khó đoán.
Hướng tiếp cận của Stanford gợi ý AI có thể vượt qua trở ngại đó. Thay vì chờ tiến hóa tự nhiên tạo ra phage phù hợp, Evo 1 và Evo 2 phân tích dữ liệu gene và đề xuất trực tiếp các cấu trúc ứng viên. Các nhà nghiên cứu cho rằng điều này có thể mở rộng ứng dụng thực tế của liệu pháp phage cho những nhiễm trùng mà kháng sinh truyền thống không còn hiệu quả, theo VietnamPlus đưa tin về nghiên cứu.
Mô hình Evo tạo ra genome virus mới như thế nào?
Evo 1 và Evo 2 là các mô hình ngôn ngữ chuyên biệt về sinh học. Thay vì sao chép mẫu có sẵn từ tự nhiên, chúng tạo ra chuỗi genome mới dựa trên các quy luật học được từ dữ liệu sinh học. Một số virus do AI thiết kế cho thấy khả năng diệt E. coli mạnh hơn phiX174 tự nhiên.
Nhóm Stanford xác định đây là điểm then chốt: AI tạo sinh tạo ra genome hoàn toàn mới, không có tiền lệ tự nhiên, nhưng vẫn có khả năng tự nhân bản và thực hiện chức năng sinh học bên trong tế bào sống.
Những lo ngại an toàn sinh học nào được đặt ra?
Hai nhóm lo ngại đã nổi lên từ cộng đồng nghiên cứu.
Về rủi ro lạm dụng lý thuyết: Kevin Esvelt, giáo sư tại Viện Công nghệ Massachusetts (MIT), cảnh báo rằng nếu thiếu cơ chế giám sát, AI có khả năng tạo genome mới về lý thuyết có thể bị dẫn hướng để thiết kế các tác nhân sinh học nguy hiểm. Chính năng lực tạo sinh khiến phage AI đầy hứa hẹn cũng là năng lực đặt ra câu hỏi an ninh sinh học.
Về mặt cơ cấu: khung chính sách và quản trị chưa theo kịp tốc độ mở rộng của AI trong thiết kế các hệ thống sinh học phức tạp. Các nhà nghiên cứu, bao gồm cả nhóm Stanford, kêu gọi các cơ chế an toàn sinh học cần được xây dựng song song với công nghệ, không phải sau khi sự việc đã xảy ra.
Tuy nhiên, rủi ro trước mắt được đánh giá là có giới hạn. Các virus trong thí nghiệm Stanford có cấu trúc đơn giản hơn rất nhiều so với bất kỳ virus nào gây bệnh ở người, và toàn bộ nghiên cứu được thực hiện trong điều kiện phòng thí nghiệm kiểm soát, tuân thủ đầy đủ quy chuẩn an toàn. Giới chuyên gia cho biết nghiên cứu của Stanford chưa tạo ra nguy cơ an ninh sinh học tức thời, theo VietnamPlus.
Góc nhìn Hingewise: ai sẽ giải thích điều này khi bệnh nhân hỏi AI?
Tác động trực tiếp nhất của nghiên cứu Stanford với các tổ chức y tế bên ngoài có lẽ không phải là bản thân khoa học, mà là câu hỏi thực tế hơn: ai sẽ là người giải thích khoa học đó khi bệnh nhân, bác sĩ, hay nhà hoạch định chính sách gõ câu hỏi vào ChatGPT hoặc Google?
Hãy hình dung tình huống cụ thể: một quản lý bệnh viện hoặc bệnh nhân tìm kiếm trên Perplexity, ChatGPT, hay Google AI Overviews với câu hỏi “phương án thay thế kháng sinh cho nhiễm trùng kháng thuốc là gì?” Câu trả lời họ nhận được không do biên tập viên chọn lọc, mà được tổng hợp tự động từ nội dung mà hệ thống AI đó thu thập và đánh giá về độ tin cậy.
Nội dung có cấu trúc như bài báo Stanford, gồm nhận định cụ thể, tên nhà nghiên cứu kèm đơn vị, công bố trên tạp chí peer-reviewed (được bình duyệt khoa học), là loại nội dung mà hệ thống truy xuất (retrieval, tức cơ chế AI tổng hợp câu trả lời từ nội dung đã công bố) ưu tiên nhất. Nội dung y tế chung chung thiếu các tín hiệu đó ngày càng bị bỏ qua.
Theo nhận định của Hingewise, có một điểm đáng phân biệt: Evo 1 và Evo 2 là AI huấn luyện, tức AI học từ dữ liệu sinh học để tạo ra sinh học mới. Còn ChatGPT hay Gemini là AI truy xuất, tổng hợp câu trả lời từ nội dung đã được xuất bản. Nghiên cứu Stanford sẽ định hình những gì AI truy xuất nói về liệu pháp phage chính xác vì nó sẽ trở thành một phần nội dung có thẩm quyền mà các hệ thống đó dẫn chiếu. Điểm ít ai để ý: không phải nghiên cứu ứng dụng mới nhất sẽ thay đổi câu trả lời AI đưa ra, mà là nội dung nào giải thích nghiên cứu đó rõ nhất, cụ thể nhất.
Nhận định của Hingewise: trong lĩnh vực kháng kháng sinh, nội dung y tế chung chung đang thua dần trước nội dung dẫn tên nghiên cứu peer-reviewed cụ thể, nêu tên nhà nghiên cứu cụ thể, và trả lời câu hỏi lâm sàng cụ thể. Sự dịch chuyển đó đang diễn ra trên AI search, độc lập với hành trình lâm sàng của nghiên cứu Stanford.
Cần kiểm gì trước khi AI search thay bạn trả lời bệnh nhân
- Kiểm tra nội dung về kháng kháng sinh hoặc liệu pháp phage của bạn có trích dẫn tên nghiên cứu peer-reviewed cụ thể, không chỉ nhận định chung.
- Xác nhận tên nhà nghiên cứu và đơn vị công tác xuất hiện ở những chỗ liên quan, vì hệ thống truy xuất AI ưu tiên nguồn có tên chuyên gia hơn nhận định ẩn danh.
- Kiểm tra các thuật ngữ kỹ thuật như “bacteriophage” hay “phage therapy” có được giải thích ngắn ngay lần đầu xuất hiện, không chỉ ở glossary cuối bài.
- Rà soát xem các nhận định chính có đứng độc lập để AI có thể trích nguyên câu mà không mất nghĩa.
- Xem lại nội dung FAQ của bạn có khớp với những câu hỏi cụ thể mà bệnh nhân và bác sĩ thường hỏi AI về phương án điều trị thay thế cho nhiễm trùng kháng thuốc.
Nguồn: VietnamPlus; nghiên cứu gốc công bố trên tạp chí Science (Stanford University, 2025).