Một nghiên cứu mới công bố ngày 22/6/2026 trên tạp chí Applied Physics Letters (APL) Quantum đã giới thiệu phương pháp AI/ML (trí tuệ nhân tạo/học máy) dựa trên toán học của cơ học lượng tử, có khả năng cải thiện việc lựa chọn phương pháp điều trị và tỷ lệ thành công của thuốc điều trị ung thư. Kỹ thuật này do phó giáo sư Orly Alter thuộc Viện Khoa học Tính toán & Hình ảnh (SCI) và Trung tâm Ung thư Huntsman của Đại học Utah dẫn đầu.

Vấn đề với AI truyền thống trong ung thư

Đối với trẻ em được chẩn đoán mắc u nguyên bào thần kinh (neuroblastoma) – loại ung thư phổ biến nhất ở trẻ sơ sinh – con đường điều trị không hề đơn giản. Một số loại u nguyên bào thần kinh tự khỏi, trong khi những loại khác cần can thiệp tích cực. Các nhà nghiên cứu trước đây đã cố gắng kết hợp phương pháp điều trị với từng bệnh nhân dựa trên đột biến một gen, nhưng thành công hạn chế. Lý do là kết quả điều trị phụ thuộc vào toàn bộ nền tảng phân tử của bệnh nhân, chứa hàng triệu hoặc thậm chí hàng tỷ đặc điểm, như DNA và RNA từ mô và máu.

Các phương pháp AI/ML hiện tại đòi hỏi lượng dữ liệu huấn luyện khổng lồ, đặc biệt là số lượng mẫu bệnh nhân phải lớn hơn nhiều so với số đặc điểm di truyền. Điều này khiến chúng không phù hợp để dự đoán kết quả điều trị trong hầu hết các thử nghiệm lâm sàng, vốn thường chỉ tuyển từ 20 đến 100 người. Ví dụ, một mô hình ngôn ngữ lớn gần đây về bộ gen 30.000 nucleotide của virus COVID-19 cần khoảng 110 triệu mẫu. Nếu áp dụng cho bộ gen người 3 tỷ nucleotide, phương pháp AI thông thường sẽ cần 33 nghìn tỷ bệnh nhân.

Giải pháp lượng tử: phân tích đa lớp dữ liệu

Phương pháp mới sử dụng một bộ thuật toán gọi là phân tích phổ so sánh đa tensor (multitensor comparative spectral decompositions), được xây dựng dựa trên các khái niệm cơ học lượng tử về vướng víu (entanglement) và chồng chập (superposition). Giống như lăng kính phân tách ánh sáng trắng thành các màu riêng lẻ, phương pháp này chia nhỏ nhiều lớp dữ liệu phân tử của bệnh nhân – chẳng hạn như bộ gen khối u và máu, cùng RNA thông tin (RNA messages) thúc đẩy sự phát triển ung thư – thành các mẫu liên kết với nhau, từ đó dự đoán kết quả sức khỏe.

“Cách tiếp cận lượng tử của chúng tôi cho phép tìm thông tin liên quan ở mọi lớp dữ liệu, ví dụ từ máu bệnh nhân ngoài khối u của họ,” Alter giải thích. “Ngay cả với rất ít bệnh nhân, chúng tôi vẫn có thể tiếp nhận mọi thứ – hàng triệu đến hàng tỷ đặc điểm phân tử của họ – và hiểu được chúng. Do đó, chúng tôi có thể hiểu cơ chế bệnh và dự đoán mục tiêu thuốc để cải thiện kết quả điều trị. Chúng tôi cũng xác nhận bằng thực nghiệm các dự đoán AI/ML về mục tiêu và kết quả, vốn được coi là chén thánh của công nghệ sinh học.”

Phát hiện mới từ dữ liệu u nguyên bào thần kinh

Nhóm nghiên cứu đã chứng minh kỹ thuật của họ bằng cách phân tích dữ liệu mở về các ca u nguyên bào thần kinh. Các thuật toán đã phát hiện ra hai dấu hiệu dự đoán mới về tuổi thọ của bệnh nhân khi đáp ứng điều trị, và những dấu hiệu này luôn vượt trội so với các dấu ấn sinh học tiêu chuẩn trên DNA khối u, DNA máu và RNA khối u. Những phát hiện này được xác nhận trên các nhóm trẻ em riêng biệt được điều trị ở những thời điểm và bệnh viện khác nhau, nghĩa là phương pháp có thể áp dụng cho dân số nói chung để cung cấp lộ trình rõ ràng hơn cho việc chăm sóc bệnh nhân và phát triển thuốc.

“Các mô hình mạng nơ-ron là hộp đen, nhưng các dấu hiệu dự đoán của chúng tôi có thể giải thích được; chúng chỉ ra cơ chế bệnh và đề xuất gen cần nhắm mục tiêu để làm khối u nhạy cảm hơn với điều trị,” Alter nói. Nhóm của bà cũng đã xác nhận bằng thực nghiệm các dự đoán của họ về kết quả điều trị và mục tiêu thuốc trên bệnh nhân u nguyên bào thần kinh đệm (glioblastoma) ở người trưởng thành trong các thử nghiệm lâm sàng và nghiên cứu tiền lâm sàng, sử dụng công cụ chỉnh sửa gen CRISPR-Cas9.

Ứng dụng thực tế và tương lai

Orly Alter, chuyên gia về y học tính toán, cũng là giảng viên thỉnh giảng tại Khoa Di truyền học Người của Đại học Utah. Công ty spin-off từ trường đại học của bà, Prism AI Therapeutics, Inc., sử dụng các thuật toán và dấu hiệu dự đoán để giúp các công ty công nghệ sinh học và dược phẩm phát triển thuốc tốt hơn bằng cách xác định bệnh nhân nào sẽ được hưởng lợi nhiều nhất từ thử nghiệm lâm sàng và gen nào cần được nhắm mục tiêu để cải thiện thêm kết quả.

Trong tương lai, Alter hy vọng có thể áp dụng phương pháp này cho từng bệnh nhân riêng lẻ. “Đó là y học chính xác tối thượng,” bà nói. “Bạn có một người duy nhất. Bạn có thể lấy dữ liệu từ chỉ một người đó và đưa ra phương pháp điều trị cho họ không? Tôi nghĩ chúng ta có thể đạt được điều đó.” Bà cũng hy vọng phương pháp này sẽ được áp dụng cho các thách thức khác, chẳng hạn như năng lượng bền vững, vì các thuật toán hoàn toàn không phụ thuộc vào dữ liệu và có thể có vô số ứng dụng ngoài y học.

Nghiên cứu được công bố với tiêu đề “Quantum Mechanics-Based Multitensor AI/ML Uniquely Able to Discover, Validate, and Interpret Predictors from Small-Cohort Noisy High-Dimensional Multiomic Data” trên tạp chí APL Quantum. Đồng tác giả bao gồm Elizabeth Newman (Đại học Tufts), Sri Priya Ponnapalli (Scale AI, Inc.) và Jessica W. Tsai (Bệnh viện Nhi Los Angeles và Trường Y Keck thuộc Đại học Nam California).

Nghiên cứu được tài trợ bởi Viện Y tế Quốc gia (NIH) và Viện Ung thư Quốc gia, Quỹ Khoa học Quốc gia (NSF) và Viện Toán học Hoa Kỳ, Quỹ Musella hợp tác với StacheStrong, Văn phòng Giám đốc NIH, Ban Khoa học Toán học NSF, Quỹ Alex’s Lemonade Stand, Quỹ Rally và Quỹ St. Baldrick’s hợp tác với Griffin’s Guardians.

Theo The University of Utah

Ảnh: Markus Winkler / Pexels