Nghiên cứu mới từ LANL tạo ra một mô hình dự đoán cho thiết kế thuốc bằng cách kết hợp vật lý lượng tử, hóa học và học máy

Nhiều phương trình trong vật lý lượng tử có thể hữu ích cho việc hướng dẫn các nhà nghiên cứu đang xem xét các tương tác hóa học. Vì cả vật lý lượng tử và hóa học hoạt động ở cùng cấp độ nguyên tử, chúng thường được sử dụng song song với nhau để đạt được kết quả mới. Mới đây, các nhà nghiên cứu tại Phòng thí nghiệm quốc gia Los Alamos (LANL) đã tiến hành ghép nối này thêm một bước nữa bằng cách thêm học máy các quy trình giúp dự đoán tương tác sinh hóa trong mô phỏng phân tử. Đổi lại, điều này có thể giúp đẩy nhanh các bước trong thiết kế thuốc và các kịch bản khác của ngành, giúp thuốc an toàn hơn và nhanh hơn về lâu dài.

Sử dụng Machine Learning cho Tập dữ liệu

Các quy trình học máy đã được áp dụng đến máy tính lượng tử và vật lý lượng tử. Bởi vì học máy dự đoán và tạo ra các mẫu từ các nhóm dữ liệu lớn, nên nó có lợi cho các lĩnh vực như vật lý lượng tử hoặc hóa học, những lĩnh vực có nhiều phần chuyển động. Theo nhà nghiên cứu LANL Benjamin Nebgen: “trước khi các phương pháp máy học (ML) ra đời trong lĩnh vực hóa học và khoa học vật liệu, mô phỏng thực tế lớn nhất về hóa học và hệ thống vật liệu được giới hạn ở mức vài nghìn nguyên tử. Con số này quá nhỏ để nắm bắt chính xác nhiều hiệu ứng quyết định các tính chất hóa học hoặc vật chất, chẳng hạn như các con đường hạt hoặc các con đường phản ứng hiếm gặp.” Nhờ những lợi ích của máy học, các nhà nghiên cứu có thể nghiên cứu các tình huống phức tạp hơn trong mô phỏng, bao gồm cả những tình huống tập trung vào vật lý và hóa học lượng tử.

Đối với các nhà khoa học thiết kế mới thuốc hoặc nghiên cứu các phản ứng hóa học, điều quan trọng là phải hiểu đầy đủ điều gì đang xảy ra với các electron ở cấp độ lượng tử. Nebgen nói: “Chuyển động của các electron và hạt nhân nguyên tử kiểm soát gần như tất cả các tính chất hóa học và vật chất xác định sự tồn tại hiện đại của chúng ta. “Điều này bao gồm hóa chất của mọi thứ, từ thuốc chúng ta uống, chất tẩy rửa gia dụng chúng ta sử dụng hàng ngày, cho đến nhiên liệu trong ô tô và xe tải của chính chúng ta. Hơn nữa, các đặc tính của vật liệu tạo nên ô tô, nhà ở, công cụ, máy bay và gần như mọi thứ chúng ta tương tác hàng ngày đều được kiểm soát bởi cùng một cơ chế vật lý cơ bản.” Điều này cho phép các nhà nghiên cứu thăm dò sâu hơn các tương tác của một phân tử ở cấp độ cơ bản. Tuy nhiên, khi đạt đến cấp độ này, toán học phức tạp hơn sẽ xảy ra. Nebgen giải thích: “Các lực tác dụng lên các nguyên tử riêng lẻ đi vào các phương trình của Newton bắt nguồn từ chuyển động của các electron, vốn có bản chất lượng tử. “Vì vậy, các electron phải được xử lý bằng phương trình Schrodinger, đây là một bài toán khó giải hơn nhiều.”

LANL sử dụng máy học để tạo mô hình

Để vượt qua những phương trình khó khăn này, các nhà nghiên cứu như Nebgen đang sử dụng các công cụ học máy. Nebgen cho biết thêm, những công cụ này có thể tăng tốc quá trình mô phỏng hóa học bằng cách chỉ tập trung vào một vài electron quan trọng nhất trong hệ thống. Sử dụng một công cụ học máy gọi là mạng thần kinh, Nebgen và nhóm của ông đã có thể tạo ra một mô hình dự đoán của các trạng thái electron có thể có và năng lượng liên kết của chúng trong một phân tử. Từ đó, nhóm có thể dự đoán chính xác một số kết quả có thể xảy ra của mô phỏng với các đầu vào khác nhau. Đối với các công ty công nghệ sinh học chi hàng triệu đô la để thiết kế và thử nghiệm các loại thuốc mới, các mô hình dự đoán như mô hình này có thể mang lại nhiều lợi ích hiệu quả về chi phí. Mặc dù việc sử dụng máy học trong ngành dược phẩm không phải là mới, nhưng việc kết hợp nó với sức mạnh của điện toán lượng tử có thể tạo ra thế hệ công nghệ tiếp theo cần thiết để ra mắt các loại thuốc trong tương lai.

Kenna Hughes-Castleberry là nhà văn nhân viên của Inside Quantum Technology và Science Communicator tại JILA (hợp tác giữa Đại học Colorado Boulder và NIST). Những nhịp điệu viết lách của cô ấy bao gồm công nghệ sâu, siêu nghịch đảo và công nghệ lượng tử.