Mở đường cho các tác nhân trong sinh học

Viết bởi Laura Luebbert. Dựa trên nghiên cứu của Ferdous Nasri, Sarah Gurev, Patrick Varilly, Krithik Ramesh, Nuala A. O’Leary, Jonah Cool, Bernhard Y. Renard, Pardis Sabeti và Laura Luebbert. Trong bài viết này, Laura Luebbert lập luận rằng chúng ta cần làm cho cơ sở hạ tầng dữ liệu sinh học trở nên thân thiện hơn với các tác nhân AI. Như một nghiên cứu điển hình, cô và nhóm của mình đã giao nhiệm vụ cho các tác nhân nghiên cứu khoa học (Claude, Biomni Open Source (Biomni OSS)¹, Edison Analysis,² GPT) truy xuất dữ liệu trình tự từ NCBI Virus, một cơ sở dữ liệu mà các nhà virus học sử dụng cho các nhiệm vụ như giám sát và phát triển xét nghiệm chẩn đoán. Ngay cả những mô hình mạnh nhất cũng không đạt được độ chính xác cần thiết để xây dựng bộ dữ liệu đáng tin cậy một cách nhất quán. Nhưng độ chính xác đã tăng lên gần 100% khi cô và nhóm của mình bổ sung gget virus, một lớp truy xuất xác định. Bài học rộng hơn cho các tác nhân khoa học là các công cụ truy xuất xác định (hiện tại) rất quan trọng để làm cho quy trình làm việc của tác nhân trở nên đáng tin cậy hơn, và các cơ sở dữ liệu sinh học sẽ cần được thiết kế có tính đến các tác nhân như những người dùng quy mô lớn.

Sử dụng các tác nhân AI để điều hướng cơ sở hạ tầng dữ liệu sinh học giống như lái xe qua một thành phố cổ được thiết kế trước khi có ô tô: cơ sở hạ tầng có thể đẹp và thậm chí chu đáo, nhưng nó đầy những con đường hẹp, quanh co khó khăn cho các phương tiện hiện đại điều hướng (các định dạng tệp đặc thù, cơ sở dữ liệu phân tán và các tập lệnh truy xuất riêng lẻ).³ Bạn có thể cải tạo thành phố bằng biển báo giao thông, bãi đỗ xe và thỉnh thoảng mở rộng đường, nhưng bố cục cơ bản vẫn khó điều hướng vì nó được thiết kế cho một phương thức di chuyển khác. Ngược lại, cơ sở hạ tầng phần mềm về cơ bản được tạo ra cho nhu cầu của ô tô (các tác nhân): đường trải nhựa, làn đường rõ ràng, tín hiệu tiêu chuẩn hóa và hệ thống được thiết kế để di chuyển nhanh từ đầu đến cuối (kiểm soát phiên bản, API được ghi chép đầy đủ và trình quản lý gói).

Kết quả là, các tác nhân lập trình đã tiến bộ nhanh hơn nhiều so với các tác nhân sinh học. Phần mềm thường cung cấp các quy trình làm việc kỹ thuật số có cấu trúc và giao diện đáng tin cậy, trong khi cơ sở hạ tầng sinh học tính toán cần thiết cho việc truy xuất và xác thực dữ liệu thường mong manh, không đồng nhất và phụ thuộc vào quy trình. Các công cụ mà chúng ta sử dụng để điều hướng chúng nhất thiết phải được thiết kế riêng và tinh chỉnh cho các lĩnh vực hoặc giả thuyết xác định. Hơn nữa, phần mềm cung cấp các đầu ra có thể kiểm tra được, có thể được biên dịch và xác thực nhanh chóng (ví dụ: giải quyết một vấn đề GitHub bằng cách tạo một bản vá vượt qua các bài kiểm tra của dự án), trong khi sinh học mang lại ít phần thưởng đơn giản, có thể kiểm chứng nhưng có ý nghĩa.

Do đó, nút thắt cổ chai cho các tác nhân sinh học không chỉ là lý luận mà còn là sự thiếu vắng các lớp thực thi xác định phổ biến để truy vấn dữ liệu sinh học. Một nhà khoa học có thể diễn đạt ý định của mình (ví dụ: tìm tất cả các kinase ở người có miền này và lấy cấu trúc của chúng), nhưng các tác nhân thường thiếu một cách đáng tin cậy để truy cập các cơ sở dữ liệu chứa thông tin chúng cần.

Trong các quy trình làm việc sinh học và khoa học, ngay cả những lỗi nhỏ cũng có thể gây ra hậu quả nghiêm trọng. Ví dụ, truy xuất tọa độ từ bộ gen sai có thể làm mất hiệu lực của việc giải thích sinh học ở hạ nguồn. Điều tương tự cũng xảy ra khi vô tình trộn lẫn các bản ghi RefSeq và GenBank, coi bộ gen một phần là bộ gen hoàn chỉnh, nhầm lẫn tên phân đoạn trong virus phân đoạn, hoặc bỏ sót các bản ghi liên quan do các trường siêu dữ liệu không nhất quán. Vẻ đẹp và thách thức của nghiên cứu là các chi tiết thường có tầm quan trọng then chốt.

Giống như lái xe qua một thị trấn trên đồi ở Ý, việc chiếc xe mạnh mẽ đến đâu cũng không quan trọng nếu đường

Đường phố quá hẹp, khúc cua quá gắt, và lộ trình phụ thuộc vào kiến thức địa phương. Nếu muốn các tác nhân AI hỗ trợ khám phá khoa học, từ ứng phó dịch bệnh đến thiết kế thuốc hay mô hình hóa sinh học, chúng ta cần xây dựng hạ tầng dữ liệu sinh học mà chúng có thể điều hướng đáng tin cậy như con người.

Sự chênh lệch giữa nhu cầu của tác nhân AI và công cụ do con người xây dựng không chỉ riêng trong sinh học. Cùng một ma sát xuất hiện bất cứ khi nào tác nhân AI được đưa vào môi trường chỉ được thiết kế cho con người sử dụng.

Vài tháng trước, Andrej Karpathy đã có một bài nói về phần mềm trong kỷ nguyên AI và kết thúc bằng việc phàn nàn về điều nghe có vẻ quen thuộc. Anh ấy đã "vibe-code" một ứng dụng web nhỏ, nhưng khi cố gắng biến nó thành hiện thực (xác thực, thanh toán, triển khai), anh ấy mất một tuần để click quanh các bảng điều khiển trình duyệt.

Như anh ấy tóm tắt: "Mã là phần dễ nhất! Hầu hết công việc là trong trình duyệt, click vào các thứ." Tài liệu liên tục bảo anh ấy "đi đến URL này, click vào dropdown này." Kết luận của anh ấy là không ai nên phải làm điều này. Thay vào đó, chúng ta phải xây dựng cho các tác nhân AI.

Karpathy đã trải nghiệm điều mới mẻ trong thế giới tác nhân phần mềm mà các nhà nghiên cứu sinh học đã vật lộn từ lâu: nỗi đau khi cố gắng làm cho hệ thống thông minh hoạt động trong môi trường được xây dựng xung quanh thông tin không đồng nhất, quy ước ngầm, và con người click qua trình duyệt.

Từ lâu trước các tác nhân AI, các nhà sinh học tính toán và di truyền học đã bắt đầu tạo ra các công cụ cho sinh học tính toán truyền thống, dần dần giải quyết vấn đề này. Các gói như Biopython, BioPerl, BioJulia, Entrez Direct, BioMart, gget, và nhiều thư viện quy trình làm việc khác đều là nỗ lực đưa dữ liệu sinh học ra khỏi giao diện trình duyệt và vào nơi các nhà nghiên cứu có thể tính toán trực tiếp.

Vấn đề là dữ liệu sinh học không tồn tại trong một cơ sở dữ liệu duy nhất với một giao diện duy nhất. Nó là một mạng lưới đường xá lộn xộn, mỗi con đường có định danh, quy ước, định dạng, logic lọc và mức độ truy cập lập trình riêng. Một số dữ liệu dễ dàng truy cập theo chương trình. Một số khác thì không.

Virology, đặc biệt, là một trong những trường hợp khó hơn. Các quy trình nghiên cứu từ thiết kế vắc-xin và xét nghiệm chẩn đoán đến xây dựng dữ liệu huấn luyện cho mô hình protein thường bắt đầu bằng việc truy xuất trình tự từ NCBI Virus, một bộ sưu tập các bản ghi trình tự virus từ GenBank, RefSeq và hệ sinh thái INSDC quốc tế, bao gồm Pathoplexus, đằng sau giao diện web có thể tìm kiếm. Là những nhà nghiên cứu xây dựng công cụ giám sát bùng phát virus, chúng tôi biết tận mắt bao nhiêu kiến thức chuyên gia ẩn sau những truy xuất này. Trong các phòng thí nghiệm virology, hướng dẫn quản lý bộ dữ liệu cho NCBI Virus thường được truyền tay nhau dưới dạng danh sách dài các bộ lọc phức tạp mà người dùng phải tự tái tạo trong giao diện web: chính xác là loại quy trình click trình duyệt mà Karpathy đã phàn nàn.

Đợt bùng phát hiện tại của bệnh Ebola do virus Bundibugyo gây ra ở Cộng hòa Dân chủ Congo là một ví dụ rõ ràng về lý do tại sao truy cập dữ liệu virus được tinh gọn có thể có hậu quả thực tế, sống còn. Vào ngày 14 tháng 5 năm 2026, INRB Kinshasa tại DRC đã phân tích 13 mẫu máu và xác nhận bệnh do virus Bundibugyo ở tám người vào ngày hôm sau, sau đó một đợt bùng phát Ebola được tuyên bố. Đến ngày 29 tháng 5, WHO đã báo cáo hơn 1.000 ca nghi ngờ và xác nhận tại DRC, bao gồm hơn 200 ca tử vong. Các nhà nghiên cứu cũng tạo ra các bộ gen bùng phát gần hoàn chỉnh đầu tiên, giúp xác định rằng đợt bùng phát do một chủng mới gây ra.

Sự kiện lây nhiễm từ vật chủ.

Các bộ gen này đặt ra ba câu hỏi cấp bách cho các quan chức y tế công cộng. Thứ nhất, virus bùng phát lần này khác biệt thế nào so với các virus Ebola từng thấy trước đây? Thứ hai, các phương pháp chẩn đoán hiện có có còn phát hiện được nó không? Và thứ ba, các liệu pháp điều trị hiện tại có còn bảo vệ chống lại nó không? Trả lời những câu hỏi này đòi hỏi phải so sánh các bộ gen mới với các bộ gen Ebola lịch sử có sẵn qua NCBI Virus và Pathoplexus (đồng bộ hóa vào NCBI Virus). Nhưng thay vì việc này có thể dễ dàng tự động hóa, các bước đầu tiên trong phân tích này liên quan đến việc nhấp chuột thủ công qua giao diện web, tái tạo các bộ lọc phức tạp bằng tay, và hy vọng tập dữ liệu thu được là đầy đủ và chính xác.

Lý do quy trình làm việc này khó tự động hóa là vì phần lớn logic lọc của NCBI Virus chỉ tồn tại trong giao diện web này. Điều này gây khó chịu cho con người và tồi tệ cho các tác nhân AI. Nếu một nhà nghiên cứu muốn tất cả các trình tự SARS-CoV-2 được công bố vào năm 2025 có chứa glycoprotein bề mặt, điều đó có thể khiến một nhà virus học dày dạn kinh nghiệm...