Vừa "bật lại" Meta lại còn được NVIDIA hậu thuẫn? Nhóm nghiên cứu protein tiền thân tại Meta AI, từng bị giải thể, vừa huy động thành công 142 triệu USD
Tuyển chọn TechFlowTuyển chọn TechFlow
Vừa "bật lại" Meta lại còn được NVIDIA hậu thuẫn? Nhóm nghiên cứu protein tiền thân tại Meta AI, từng bị giải thể, vừa huy động thành công 142 triệu USD
Kỷ nguyên «ChatGPT» trong sinh học có thể sắp mở ra?
Chuyên sâu báo cáo Web3Tác giả: Tâm Nguyên Vũ Trụ
Phòng thí nghiệm nghiên cứu AI hàng đầu trong lĩnh vực sinh học EvolutionaryScale gần đây đã công bố huy động được hơn 142 triệu USD trong vòng hạt giống, đồng thời ra mắt mô hình AI mang tính mốc son ESM3. Công ty mới thành lập chỉ một năm này có triết lý độc đáo nào trong lĩnh vực khoa học sự sống AI? Mô hình protein lớn mới này đạt đột phá công nghệ như thế nào?
Một tuần trước, khi Meta đang dồn sức vào lĩnh vực tạo video từ văn bản, đội phát triển protein từng bị họ giải tán - EvolutionaryScale - lại huy động được hơn 142 triệu USD trong vòng hạt giống. Khoản tài trợ này ngay cả trong toàn bộ lĩnh vực công nghệ sinh học cũng có thể nói là cao đến mức phi lý.
Vào tháng Tám năm ngoái, Meta chính thức thông báo giải tán đội dự án gập protein Meta-FAIR. Dự án "khoa học + AI" thuần túy này không thể mang lại lợi nhuận nhanh chóng cho Meta, quyết định tập trung vào AI thương mại hóa của Meta dường như cũng hợp tình hợp lý.
Tuy nhiên, đội ngũ bị xem thường này lại khiến Meta phải cúi đầu nhục nhã chỉ sau một năm hoạt động. Mô hình AI tạo sinh mới nhất ESM3 của họ được đánh giá là mang tính mốc son trong lĩnh vực sinh học, mở ra khả năng mới cho lập trình sinh học.
01. Tổng quan nhanh dự án trong 1 phút
1. Tên dự án: EvolutionaryScale
2. Thời gian thành lập: Tháng 7 năm 2023
3. Giới thiệu sản phẩm:
Phát triển các mô hình ngôn ngữ lớn (LLM) nhằm tạo ra protein mới và các hệ thống sinh học khác —— ESM, hiện đã cập nhật đến ESM-3.
4. Đội ngũ sáng lập:
-
Nhà khoa học trưởng: Alexander Rives (Tiến sĩ Khoa học Máy tính Đại học New York, cựu nhà khoa học AI tại Facebook)
-
Tom Sercu
-
Sal Candido
5. Tình hình tài trợ:
Hoàn tất vòng hạt giống trị giá tới 142 triệu USD vào ngày 25 tháng 6 năm 2024. Vòng gọi vốn này do Nat Friedman, Daniel Gross và Lux Capital dẫn đầu, với sự tham gia từ Amazon, NVentures (bộ phận đầu tư mạo hiểm của NVIDIA) và các nhà đầu tư thiên thần.
02. Triết lý chung nhất quán của đội ngũ
Sự tiến bộ của trí tuệ nhân tạo đã tạo ra cơ hội chưa từng có cho nghiên cứu khoa học sinh học, bao gồm thiết kế các phân tử sinh học chức năng, đặc biệt là protein. Việc áp dụng AI vào thiết kế protein không chỉ nâng cao hiệu suất và tỷ lệ thành công, mà còn giúp con người giải quyết một số thách thức hiện tại thông qua việc phản ứng nhanh chóng với các dịch bệnh bùng phát.
Alexander Rives và các cộng sự nhận thấy khoảng trống trong thiết kế protein, từ đó quyết định phát triển mô hình lớn dựa trên học sâu, nhằm thúc đẩy thiết kế protein quy mô công nghiệp bước vào thời đại "tạo sinh thông minh hoàn toàn tự động".
Do đó, EvolutionaryScale ra đời. Đây là phòng thí nghiệm nghiên cứu AI tiên phong chuyên về khoa học sinh học, cam kết phát triển các mô hình ngôn ngữ lớn hàng đầu trong sinh học.
Điều thú vị là, tám thành viên trong đội ngũ sáng lập đều đến từ bộ phận FAIR (Nghiên cứu AI Cơ bản) của Meta. Dù thất bại tại gã khổng lồ truyền thông xã hội hàng đầu thế giới, nhưng các nhân sự cốt lõi không bỏ cuộc, mà nhanh chóng chuyển sang chiến trường mới, bắt tay phát triển mô hình thế hệ tiếp theo trên nền tảng thành quả cũ.
Các mô hình lớn của EvolutionaryScale hỗ trợ nghiên cứu và phát triển trong các lĩnh vực như sức khỏe, khoa học môi trường, liên tục khám phá tính mở rộng của sinh học, thúc đẩy các nghiên cứu đột phá. Thành quả nổi bật nhất là đột phá trong công nghệ gập protein, mô hình ESM tiết lộ cấu trúc của hàng trăm triệu protein metagenome, giúp các nhà khoa học khắp nơi mô phỏng và hiểu rõ protein.
EvolutionaryScale hướng tới việc định hướng phát triển công nghệ AI trong lĩnh vực thiết kế protein bằng cách nghiên cứu mở và an toàn.
Trên cơ sở đó, công ty này với tư cách là đơn vị ký kết đã dẫn dắt hơn 160 bên liên quan toàn cầu từ học thuật, chính phủ và khu vực dân sự cùng phát triển công nghệ này, đảm bảo tính an toàn và tin cậy, để thực hiện tầm nhìn vì sức khỏe con người và xã hội.
Chính vì mang trong mình trách nhiệm dẫn dắt công nghệ AI tiên tiến trong lĩnh vực sinh học, Alexander Rives và đội ngũ của ông chưa bao giờ ngừng nghỉ.
Trước đây, EvolutionaryScale từng công bố mô hình ngôn ngữ lớn ESM1, mô hình này được coi là mô hình ngôn ngữ transformer đầu tiên dành riêng cho protein, được xây dựng bởi đội ngũ sáng lập của EvolutionaryScale khi làm việc tại bộ phận FAIR của Meta. ESM2, phiên bản nâng cấp của ESM1, có 15 triệu tham số và biểu hiện tốt hơn mô hình cũ ESM1b (có 650 triệu tham số).
Tuần trước, EvolutionaryScale đã công bố mô hình AI ESM3 mới nhất, đây là một bước tiến lớn hướng tới tương lai của sinh học. Với khả năng của mô hình này, có thể thúc đẩy việc phát hiện các ứng dụng rộng rãi, hữu ích trong việc tạo ra các protein giúp hấp thụ carbon, từ đó phát triển các phương pháp điều trị ung thư mới.
03. Tiên phong ứng dụng AI trong sinh học
ESM3 là một mô hình AI tạo sinh, với chức năng chính là tạo ra protein mới. Mô hình này sử dụng kỹ thuật học sâu, được huấn luyện trên lượng lớn dữ liệu protein để học mối quan hệ giữa trình tự, cấu trúc và chức năng của protein.
Việc huấn luyện ESM3 sử dụng hơn 1 nghìn tỷ teraflops năng lực tính toán, đây là quy mô tính toán lớn nhất từng biết đến trong lĩnh vực sinh học. Mô hình được huấn luyện trên tập dữ liệu gồm 2,78 tỷ protein phản ánh sự đa dạng tự nhiên trên Trái đất, cho phép nó suy luận đồng thời về trình tự, cấu trúc và chức năng của protein.
Quy trình làm việc chính của ESM3 có thể được tóm tắt thành bốn bước sau:
-
Thu thập và xử lý dữ liệu: EvolutionaryScale trước tiên thu thập lượng lớn dữ liệu sinh học từ nhiều nguồn khác nhau, bao gồm trình tự gen, cấu trúc protein, chú thích chức năng, v.v. Các dữ liệu này sẽ trải qua quá trình làm sạch, chuẩn hóa và định dạng để phục vụ cho phân tích và ứng dụng tiếp theo.
-
Huấn luyện mô hình: Sử dụng các thuật toán học sâu và nguồn lực tính toán khổng lồ, EvolutionaryScale huấn luyện dữ liệu đã xử lý để xây dựng các mô hình ngôn ngữ lớn có khả năng hiểu và dự đoán quy luật sinh học. Những mô hình này không chỉ có độ chính xác cao mà còn có thể xử lý các vấn đề sinh học phức tạp.
-
Tạo protein mới: Thông qua nhắc nhở tương tác, ESM3 có khả năng tạo ra các protein mới, những protein này có thể mất hàng trăm triệu năm tiến hóa trong tự nhiên để xuất hiện.
-
Xác minh khoa học: Các protein mới được tạo ra sẽ được kiểm chứng thông qua thí nghiệm khoa học để xác định chức năng và ứng dụng tiềm năng của chúng.
Hiện tại, một trong những ví dụ sử dụng nổi bật nhất của ESM3 là tạo ra một loại protein huỳnh quang xanh mới (GFP).
GFP là một trong những protein đẹp và độc đáo nhất trong tự nhiên, chịu trách nhiệm cho sự phát sáng của sứa và màu huỳnh quang rực rỡ của san hô. ESM3 đã tạo ra protein huỳnh quang mới này thông qua một loạt quá trình suy nghĩ, vượt qua 500 triệu năm tiến hóa. Quá trình này trong tiến hóa tự nhiên có thể mất hơn 500 triệu năm, nhưng ESM3 đã thực hiện bước nhảy vọt này bằng phương pháp tính toán.
Sự ra đời của ESM3 cũng mang lại những thay đổi cách mạng cho lĩnh vực phát hiện thuốc và sinh học tổng hợp.
Trong phát hiện thuốc, ESM3 có khả năng tạo ra các protein mới với hoạt tính sinh học cụ thể, cung cấp thêm nhiều phân tử ứng cử viên cho sàng lọc và tối ưu hóa thuốc. Đồng thời, ESM3 còn có thể dự đoán và tối ưu hóa cơ chế tương tác giữa thuốc và mục tiêu, cung cấp cơ sở khoa học hơn cho thiết kế và phát triển thuốc.
Trong sinh học tổng hợp, ESM3 có khả năng tạo ra các hệ thống sinh học với chức năng cụ thể, cung cấp các giải pháp mới cho các lĩnh vực như sản xuất sinh học và năng lượng sinh học. Ví dụ, ESM3 có thể tạo ra hệ thống enzyme chuyển đổi hiệu quả CO₂ thành chất hữu cơ, mở ra con đường mới cho việc thu giữ và sử dụng carbon.
Mô hình ESM3 của EvolutionaryScale đại diện cho một mốc son mới của AI trong lĩnh vực sinh học. Nhờ khả năng tạo sinh mạnh mẽ và hợp tác với các nhà lãnh đạo ngành, ESM3 có tiềm năng thúc đẩy việc phát hiện protein mới và thiết kế hệ thống sinh học, mang lại ảnh hưởng cách mạng cho các lĩnh vực phát triển thuốc, khoa học vật liệu và khoa học môi trường trong tương lai.
04. Hành trình đổi mới trong lĩnh vực sinh học
Sinh học tổng hợp: Lập trình sự sống
Sinh học tổng hợp là một hướng đi quan trọng trong tương lai của EvolutionaryScale. Bằng cách thiết kế và tổng hợp các mạch gen và con đường sinh học mới, các nhà khoa học có thể tạo ra các sinh vật với chức năng cụ thể.
-
Mạch gen tương tự như mạch điện tử, nhưng chúng điều khiển các quá trình sinh học bên trong tế bào.
Mạch gen có thể thực hiện kiểm soát chính xác biểu hiện gen cụ thể bên trong tế bào. Ví dụ, có thể thiết kế một mạch gen sao cho khi tế bào phát hiện tín hiệu cụ thể (như một chất hóa học hoặc thay đổi môi trường), nó sẽ khởi động hoặc tắt biểu hiện của một gen cụ thể.
-
Con đường sinh học tổng hợp liên quan đến tổ hợp nhiều enzyme và con đường trao đổi chất nhằm sản xuất các hợp chất có giá trị.
Thông qua phân tích và thiết kế bằng AI, các nhà khoa học có thể tạo ra các con đường trao đổi chất mới, giúp sinh vật tổng hợp các hợp chất không thể sản sinh trong điều kiện tự nhiên. Ví dụ, bằng cách thiết kế lại con đường trao đổi chất của vi sinh vật, chúng có thể sản xuất các tiền chất dược phẩm, nhiên liệu sinh học hoặc hóa chất công nghiệp.
-
Nhà máy tế bào là hệ thống sinh học biến đổi vi sinh vật bằng kỹ thuật di truyền để chúng sản xuất hiệu quả các sản phẩm mục tiêu trong điều kiện công nghiệp.
Thông qua thiết kế hỗ trợ AI, các nhà khoa học có thể chỉnh sửa bộ gen của vi sinh vật để chúng thể hiện hiệu suất sản xuất vượt trội trong điều kiện cụ thể. Ví dụ, bằng cách chỉnh sửa gen của nấm men hoặc vi khuẩn, các nhà khoa học có thể khiến các vi sinh vật này sản xuất hiệu quả kháng sinh, enzyme hoặc các sản phẩm sinh học khác.
Nếu công nghệ này tiếp tục phát triển, nó không chỉ thúc đẩy biên giới nghiên cứu khoa học, mà còn mang lại triển vọng ứng dụng quan trọng trong các lĩnh vực y tế, bảo vệ môi trường và nông nghiệp.
Y học cá thể hóa dựa trên dữ liệu
EvolutionaryScale đang thúc đẩy tiến bộ của y học cá thể hóa thông qua công nghệ AI và phân tích dữ liệu lớn, cung cấp dịch vụ y tế chính xác và hiệu quả hơn cho bệnh nhân.
Y học cá thể hóa là việc tùy chỉnh phác đồ điều trị phù hợp nhất dựa trên thông tin sinh học và dữ liệu lâm sàng độc đáo của từng bệnh nhân. Một lĩnh vực then chốt là phân tích bộ gen. Bằng cách giải trình tự và phân tích toàn bộ bộ gen của bệnh nhân, các nhà khoa học có thể xác định các biến thể gen liên quan đến bệnh tật.
EvolutionaryScale tận dụng công nghệ AI để giải mã nhanh chóng và chính xác lượng lớn dữ liệu bộ gen, từ đó phát hiện các yếu tố rủi ro tiềm ẩn gây bệnh.
Phương pháp này có thể giúp bác sĩ chẩn đoán ở giai đoạn sớm và thực hiện các biện pháp phòng ngừa. Ví dụ, bằng cách phân tích đột biến gen BRCA1 và BRCA2 ở bệnh nhân ung thư vú, có thể dự đoán nguy cơ mắc bệnh, từ đó thực hiện tầm soát và can thiệp sớm.
Ngày nay, EvolutionaryScale đang đứng ở tiền tuyến của sự kết hợp giữa sinh học và trí tuệ nhân tạo, thông qua đổi mới và khám phá không ngừng, cam kết thực hiện lập trình và tối ưu hóa các hệ thống sinh học. Trong tương lai có thể đạt được nhiều đột phá công nghệ hơn nữa, mở ra một tương lai thông minh và khỏe mạnh hơn cho nhân loại.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
