Trong lĩnh vực phát triển thuốc và sinh học phân tử, việc dự đoán chính xác sự tương tác giữa các phân tử sinh học đóng vai trò quan trọng. Đây là cơ sở giúp các nhà khoa học hiểu rõ hơn cơ chế hoạt động của các phân tử, đồng thời hỗ trợ quá trình tìm kiếm và phát triển những hợp chất có tiềm năng điều trị bệnh. Trong bối cảnh đó, Deep Learning đang nổi lên như một hướng tiếp cận đầy triển vọng nhờ khả năng phân tích dữ liệu lớn và nhận diện những mối liên hệ phức tạp.

Một nghiên cứu tổng quan đã cung cấp cái nhìn hệ thống và dễ tiếp cận về các thuật toán học sâu được ứng dụng trong dự đoán tương tác giữa các phân tử sinh học. Các mô hình này khai thác nhiều nguồn thông tin khác nhau, bao gồm dữ liệu trình tự, thông tin cấu trúc và các chú giải chức năng của phân tử. Nghiên cứu cũng tổng hợp những bộ dữ liệu và mô hình học sâu được sử dụng trong lĩnh vực này, qua đó làm rõ tiềm năng ứng dụng của công nghệ trong nhiều bài toán sinh học phân tử.

Đáng chú ý, các mô hình học sâu có thể được phát triển để dự đoán tương tác của nhiều nhóm phân tử đích, từ protein, axit nucleic đến các phân tử nhỏ. Nhờ đó, công nghệ này có thể góp phần rút ngắn thời gian và giảm chi phí trong quá trình sàng lọc các hợp chất có ái lực liên kết cao với phân tử đích – một bước quan trọng trong quá trình phát triển thuốc.

Không chỉ dừng lại ở việc dự đoán khả năng tương tác, học sâu còn hỗ trợ làm sáng tỏ cơ chế tương tác ở cấp độ phân tử thông qua việc xác định những axit amin quan trọng tham gia vào quá trình liên kết. Bên cạnh đó, việc dự đoán các tương tác ngoài mục tiêu (off-target interactions) có thể giúp nhận diện những nguy cơ tiềm ẩn liên quan đến tác dụng không mong muốn của thuốc, từ đó cung cấp thêm thông tin phục vụ quá trình đánh giá và phát triển các hợp chất điều trị.

Nhìn chung, với khả năng xử lý dữ liệu đa dạng và dự đoán hiệu quả các tương tác phân tử, học sâu được kỳ vọng sẽ góp phần thúc đẩy đổi mới trong lĩnh vực khám phá thuốc, đồng thời mở rộng hiểu biết về các cơ chế sinh học ở cấp độ phân tử. Việc tiếp tục phát triển và đánh giá các mô hình này sẽ là cơ sở quan trọng để khai thác tốt hơn tiềm năng của trí tuệ nhân tạo trong nghiên cứu y sinh học.

Người viết bài: NCS. Phạm Hạ Uyên

Người duyệt bài: TS. Đinh Phong Sơn

Người đăng bài: CN. Nguyễn Đình Minh Quân