Tương lai của sinh học
Năm ngoái, nhà sinh học tổng hợp Meagan Olsen, nghiên cứu sinh tiến sĩ tại Đại học Northwestern (Mỹ), đã thực hiện một dự án nghiên cứu lớn nhất trong sự nghiệp của mình. Mục tiêu của cô là tối ưu quá trình tổng hợp protein trong ống nghiệm. Với hơn 40 thí nghiệm kéo dài bốn tháng, Olsen đã thử nghiệm 1.231 khả năng kết hợp đường, axit amin và các thành phần khác, để tìm ra công thức tổng hợp protein hiệu quả nhất. Cuối cùng, cô xây dựng được quy trình tổng hợp protein không cần tế bào có chi phí thấp hơn ít nhất sáu lần so với các quy trình hiện có.
Giờ đây, một hệ thống "phòng thí nghiệm tự vận hành" do các nhà khoa học ở công ty trí tuệ nhân tạo OpenAI (San Francisco, California) và công ty công nghệ sinh học Ginkgo Bioworks (Cambridge, Massachusetts) phát triển đã vượt qua thành tích của Olsen.
Hệ thống này bao gồm một mô hình ngôn ngữ lớn (LLM) đóng vai trò "nhà khoa học" thiết kế thí nghiệm; còn máy móc, robot thực hiện và phân tích thí nghiệm với rất ít sự can thiệp trực tiếp của con người. Tạp chí Nature đánh giá đây là một trong những công nghệ đáng chú ý nhất trong năm 2025.
Trong 6 tháng, hệ thống của OpenAI và Ginkgo đã thử hơn 30.000 điều kiện thí nghiệm, tìm ra công thức mới, giúp giảm thêm 40% chi phí so với công thức của Olsen.
Hệ thống của OpenAI và Ginkgo giúp giảm chi phí tổng hợp protein thêm 40% chi phí so với công thức tối ưu của con người. Nguồn: CC
Kết quả được công bố trên nền tảng lưu trữ bản thảo bioRxiv mới đây, làm dấy lên tranh luận về khả năng thay thế con người bằng robot được điều khiển bằng giao diện hội thoại.
"Đó sẽ là tương lai của sinh học," Philip Romero, kỹ sư protein tại Đại học Wisconsin-Madison, nhận định.
Các phòng thí nghiệm tự vận hành xuất hiện trong nhiều lĩnh vực, từ khoa học sự sống đến khám phá vật liệu mới. Trong lĩnh vực sinh học, phòng thí nghiệm tự vận hành chủ yếu được ứng dụng vào lĩnh vực tổng hợp protein.
Chẳng hạn, nhóm của Romero kết hợp một mô hình học máy đơn giản với robot xử lý chất lỏng để cải thiện khả năng chịu nhiệt của protein. Các nhóm khác sử dụng "mô hình ngôn ngữ protein" tinh vi hơn để dự đoán những thay đổi ở axit amin có thể làm tăng hoạt tính của enzyme - một loại protein xúc tác phản ứng hóa học trong tế bào; những thay đổi này sau đó được robot phòng thí nghiệm thực hiện.
Tổng hợp protein không cần tế bào được coi là bài toán phù hợp với các mô hình ngôn ngữ lớn tiên tiến như GPT-5 của OpenAI, vốn đã xuất sắc trong toán học, lập trình và vật lý lý thuyết.
Hệ thống do Ginkgo và OpenAI phát triển sử dụng GPT-5 của OpenAI để diễn giải kết quả và thiết kế các thí nghiệm để robot của Ginkgo thực hiện. Các nhà nghiên cứu cung cấp hóa chất, triển khai các thiết kế thí nghiệm và điều chỉnh quy trình khi cần. Sau ba vòng thử nghiệm, họ cho phép GPT-5 truy cập bản thảo công trình của Olsen và các tài liệu khác trên internet. GPT-5 có một "sổ tay phòng thí nghiệm" ghi lại thiết kế thí nghiệm, các bước thực hiện, dữ liệu thu được, cách diễn giải kết quả, xây dựng giả thuyết mới, và lên ý tưởng cho thí nghiệm tiếp theo.
Đáng nói là, khi AI giữ sổ tay phòng thí nghiệm, tức là nó đóng vai trò giống một nhà nghiên cứu ghi chép và suy luận liên tục vì sổ tay phòng thí nghiệm là bản ghi chính thức của quá trình tư duy khoa học. Nói cách khác, AI bắt đầu tham gia vào phần trí tuệ của quy trình khoa học, chứ không chỉ phần tính toán.
Trước khi được truy cập internet và bản thảo của Olsen, một ghi chép trong sổ tay phòng thí nghiệm nêu đề xuất thay thế một loại thuốc thử nhằm tiết kiệm chi phí - trùng với phương án mà nhóm của Olsen đã áp dụng. "Mô hình thực sự có năng lực suy luận sinh hóa khá tốt," Joy Jiao, trưởng nhóm nghiên cứu khoa học sự sống tại OpenAI, nhận xét.
Tuy nhiên, những cải thiện lớn nhất về hiệu suất tổng hợp protein chỉ xuất hiện sau khi GPT-5 được tiếp cận thông tin mới. "Tất cả thứ đó giúp nó tạo ra một bước nhảy vọt và vượt qua kết quả tiên tiến nhất mà con người đạt được," Jiao nói thêm.
Các phòng thí nghiệm tự vận hành sẽ đặc biệt phù hợp với các bài toán cần điều chỉnh nhiều điều kiện để tạo ra kết quả mong muốn. Trong ảnh: Một phòng thí nghiệm sinh học tự vận hành của Ginkgo. Nguồn: CC
Những hạn chế
Michael Jewett, nhà sinh học tổng hợp tại Đại học Stanford (California) và là người hướng dẫn Olsen, cho biết công thức tổng hợp protein không cần tế bào của Ginkgo-OpenAI nhìn chung tương tự với công thức mà ông, Olsen và các đồng nghiệp phát triển. Tuy nhiên, rất khó xác định mức độ đóng góp từ công trình của nhóm ông vào quá trình thiết kế thí nghiệm của GPT-5.
Theo Jewett, các phòng thí nghiệm tự vận hành sẽ đặc biệt phù hợp với các bài toán cần điều chỉnh nhiều điều kiện để tạo ra kết quả mong muốn. Nhóm của ông phải thực hiện khoảng 1.000 phản ứng thí nghiệm trước khi tìm ra phương pháp tổng hợp protein của mình. "Tôi thực sự muốn thử 30.000 phản ứng thí nghiệm. Việc thực hiện thí nghiệm ở quy mô như vậy rất giá trị," ông nói.
Tuy nhiên, Jewett lưu ý phòng thí nghiệm tự vận hành không phải lúc nào cũng phát huy được lợi thế. Chúng chỉ hoạt động tốt khi thí nghiệm có một chỉ số đo lường rõ ràng để theo dõi sự tiến triển. Trong các thí nghiệm của nhóm ông và nhóm Ginkgo-OpenAI, chỉ số đó là lượng protein phát huỳnh quang được tạo ra: nhiều protein huỳnh quang được tạo ra hơn thì ánh sáng phát ra càng mạnh, cho thấy phản ứng càng hiệu quả. Nhưng trong nhiều hướng nghiên cứu khác, kết quả không thể đo bằng một tín hiệu đơn giản như vậy, khiến việc tự động hóa và tối ưu hóa thí nghiệm trở nên khó khăn hơn.
Trong khi đó, Evan Collins, kỹ sư sinh học tại Viện Công nghệ Massachusetts (MIT), nhấn mạnh, những dữ liệu quan trọng trong quá trình phát triển thuốc - chẳng hạn như mức độ độc tính - thường phải thu từ các thử nghiệm trên động vật và khó thay thế những thử nghiệm này bằng thí nghiệm trong ống nghiệm của các phòng thí nghiệm tự động.
Romero thì cho rằng hạn chế lớn nhất nằm ở công nghệ robot, chứ không phải ở năng lực của các mô hình AI. Ông nói: "Có nhiều thí nghiệm cực kỳ khó tự động hóa," chẳng hạn như tạo các lát cắt mô mỏng.
Ngoài ra, chi phí cũng là một trở ngại đối với việc phổ biến các phòng thí nghiệm sinh học tự vận hành. Một hệ thống tự động hóa khép kín hoàn toàn - trong đó AI thiết kế thí nghiệm, robot thực hiện và kết quả được dùng để tự động điều chỉnh các bước tiếp theo - thường rất tốn kém. Vì vậy, với những nghiên cứu chỉ cần thực hiện ít thí nghiệm, việc đầu tư một hệ thống như vậy không thực sự cần thiết - Collins và các đồng nghiệp viết trong một bài báo xuất bản năm ngoái trên Nature Computational Science.
Tạp chí Nature đánh giá phòng thí nghiệm tự vận hành là một trong những công nghệ đáng chú ý nhất trong năm 2025. Trong ảnh: Ginkgo’s Cloud Lab - mô hình phòng thí nghiệm tự vận hành thông qua trình duyệt web - ở Boston. Nguồn: CC
Phòng thí nghiệm tự vận hành thông qua trình duyệt web
Reshma Shetty, đồng sáng lập và giám đốc vận hành của Ginkgo Bioworks, hình dung, trong tương lai các nhà sinh học sẽ không cần sở hữu phòng thí nghiệm tự vận hành của riêng mình. Thay vào đó, họ có thể sử dụng các cơ sở dùng chung tại trường đại học, viện nghiên cứu hoặc doanh nghiệp - chính là mô hình mà Ginkgo đang muốn phát triển.
Tuy nhiên, Huimin Zhao, kỹ sư sinh học tại Đại học Illinois Urbana-Champaign, thì cho rằng các nhà khoa học thậm chí còn không nhất thiết phải ở cùng đơn vị hay cùng quốc gia mà vẫn có thể sử dụng phòng thí nghiệm tự vận hành. Nhóm của ông quản lý một phòng thí nghiệm tự vận hành điều khiển qua nền tảng đám mây vừa được Quỹ Khoa học Quốc gia Mỹ tài trợ 18 triệu USD và đang tìm kiếm các đối tác. "Nhiều thí nghiệm mà các nhà nghiên cứu thực hiện trong phòng thí nghiệm hiện nay có thể được tự động hóa ở mức độ lớn," ông nói.
Để thúc đẩy các thí nghiệm tự động theo quy trình chuẩn hóa, vào ngày 2/3 vừa qua, Ginkgo đã ra mắt nền tảng Ginkgo Cloud Lab, cho phép các nhà nghiên cứu chuyển từ phòng thí nghiệm truyền thống sang phòng thí nghiệm tự vận hành thông qua trình duyệt web.
Ginkgo Cloud Lab cấp quyền truy cập từ xa tới một hệ thống gồm hơn 70 thiết bị thí nghiệm liên quan đến những công đoạn quan trọng - từ chuẩn bị mẫu, thao tác với dung dịch, đọc kết quả phân tích đến lưu trữ và ủ mẫu.
Khi các công cụ AI ngày càng trở nên phổ biến trong nghiên cứu sinh học, Shetty cho rằng việc duy trì trải nghiệm làm việc trong phòng thí nghiệm thực nghiệm (wet lab) là rất quan trọng. Nhưng bà băn khoăn: "Vấn đề là bao nhiêu phần trong số đó nhất thiết phải do nhà khoa học tự tay thao tác. Tôi không chắc đó có phải là cách hiệu quả nhất hay không."
Về phần mình, Jewett xem các phòng thí nghiệm tự vận hành là cơ hội dành cho các nhà sinh học thực nghiệm, chứ không phải là mối đe dọa sống còn.
Thể hiện quan điểm tương tự, Olsen chia sẻ, "Với tư cách một nhà nghiên cứu, tôi rất vui khi thấy các nhóm khác tiếp tục phát triển dựa trên công trình của mình, ngay cả khi nhóm đó bao gồm... một chatbot."
Thanh An tổng hợp
---
Tài liệu tham khảo:
Ewen Callaway. Will self-driving ‘robot labs’ replace biologists? Paper sparks debate. Nature, 18/02/2026. https://www.nature.com/articles/d41586-026-00453-8
Julia Rock-Torcivia. Self-driving cars are hitting the streets. Is your lab up next for automation? R&D World, 21/07/2025. https://www.rdworldonline.com/self-driving-cars-are-hitting-the-streets-is-your-lab-up-next-for-automation
Greg Bock. Ginkgo Bioworks launches Ginkgo Cloud Lab powered by autonomous lab infrastructure