Ứng dụng máy tính hiệu năng cao trong y tế: 4 ứng dụng chính

Hoàng

July 7, 2025

14 phút đọc

Giải mã hệ gen và protein

Y học chính xác hay còn gọi là y học cá nhân hóa nhằm mục tiêu thiết kế phương pháp điều trị và phòng ngừa bệnh tật phù hợp với đặc điểm di truyền, môi trường sống và lối sống riêng biệt của từng cá nhân.

Trụ cột của phương pháp này chính là khả năng phân tích những bộ dữ liệu sinh học khổng lồ và phức tạp.

Đây là dữ liệu liên quan đến di truyền học (nghiên cứu về bộ gen) và protein học (nghiên cứu về toàn bộ protein được tế bào sản xuất).

Máy tính hiệu năng cao (HPC) đóng vai trò then chốt để vượt qua những thách thức về dữ liệu này.

Thách thức về dữ liệu

Giải trình tự một bộ gen người tạo ra khoảng 200 gigabyte dữ liệu thô.

Khi mở rộng quy mô lên hàng nghìn thậm chí hàng triệu người trong các nghiên cứu dân số, khối lượng dữ liệu trở nên khổng lồ, đòi hỏi sức mạnh tính toán phi thường để xử lý và phân tích.

Protein học lại tạo thêm một lớp phức tạp khác.

Khác với bộ gen tương đối ổn định, bộ protein có tính năng động và đa dạng cao.

Protein có thay đổi về cấu trúc, chức năng và số lượng theo thời gian và khác nhau giữa các mô.

Phân tích biến đổi liên tục đòi hỏi quản lý các bộ dữ liệu khổng lồ vượt xa cả độ phức tạp của dữ liệu di truyền.

Ví dụ: Dự án 100.000 Bộ Gen của Vương quốc Anh đã tạo ra hơn 10 petabyte dữ liệu (tương đương 10 triệu gigabyte), đòi hỏi một hệ thống máy tính siêu mạnh để xử lý và phân tích.

Vai trò của HPC

Máy tính hiệu năng cao không thể thiếu trong việc giải quyết những thách thức này.

Nó có thể rút ngắn thời gian xử lý dữ liệu di truyền từ vài tuần xuống chỉ còn vài giờ.

Do đó giúp các nhà khoa học nhanh chóng xác định các biến thể di truyền liên quan đến nguy cơ mắc bệnh hoặc phản ứng với thuốc.

Điều này này rất quan trọng để đưa ra quyết định y tế kịp thời.

Trong protein học, các công nghệ như khối phổ tạo ra lượng dữ liệu khổng lồ cần phân tích tinh vi để nhận diện và mô tả hàng nghìn protein cùng lúc.

Chỉ có hệ thống HPC mới có khả năng quản lý hiệu quả những bộ dữ liệu lớn này.

Qua xử lý và so sánh cấu trúc cũng như chức năng protein trên quy mô lớn, HPC tạo điều kiện hiểu sâu hơn về các quá trình tế bào và cơ chế bệnh tật.

Hơn nữa, các công cụ tin sinh học được HPC hỗ trợ tích hợp dữ liệu di truyền và protein để tạo ra các mô hình sinh học toàn diện.

Vì thế tạo nền tảng để phát triển các xét nghiệm chẩn đoán mới và liệu pháp nhắm mục tiêu được thiết kế riêng cho hồ sơ sinh học của từng bệnh nhân.

Tác động lên y học chính xác

Thông qua phân tích di truyền và protein chi tiết được HPC hỗ trợ, các bác sĩ có thể dự đoán chính xác hơn khả năng mắc bệnh của bệnh nhân như ung thư hoặc các bệnh tim mạch.

Thông tin này định hướng lựa chọn điều trị khi xác định những loại thuốc hiệu quả nhất với tác dụng phụ tối thiểu cho từng cá nhân.

Phương pháp điều trị có thể được thiết kế như những bộ vest may đo, vừa vặn chính xác với đặc điểm sinh học riêng biệt của bệnh nhân.

Ví dụ: Trung tâm Bộ Gen Quốc gia Đan Mạch sử dụng siêu máy tính để phân tích hồ sơ di truyền của bệnh nhân và trực tiếp đưa thông tin này vào kế hoạch điều trị.

Cách tiếp cận này đảm bảo các chiến lược điều trị phù hợp chặt chẽ với nền tảng di truyền của từng bệnh nhân, cải thiện kết quả và giảm thiểu các phương pháp thử đúng sai.

Khám phá và phát triển thuốc

Phát triển một loại thuốc mới theo cách truyền thống là một quá trình dài, tốn kém và đầy rủi ro.

Máy tính hiệu năng cao, đặc biệt khi kết hợp với trí tuệ nhân tạo (AI) đang cách mạng hóa quá trình này khi làm cho nó nhanh hơn, rẻ hơn và hiệu quả hơn.

Sàng lọc ảo

Một trong những nút thắt cổ chai lớn trong phát triển thuốc là sàng lọc hàng triệu hợp chất hóa học để tìm ra những chất có thể tương tác hiệu quả với protein gây bệnh.

Theo cách truyền thống, điều này đòi hỏi tổng hợp các hợp chất trong phòng thí nghiệm và thử nghiệm từng cái một nên rất chậm và tốn kém.

HPC thay đổi bức tranh này thông qua sàng lọc ảo.

Sử dụng tài nguyên tính toán mạnh mẽ, các nhà khoa học mô phỏng cách hàng tỷ phân tử thuốc tiềm năng tương tác với protein mục tiêu trên máy tính.

Vì vậy giúp họ nhanh chóng thu hẹp các ứng viên triển vọng mà không cần tạo ra từng hợp chất một cách vật lý.

Thời gian sàng lọc từ mất nhiều tháng hoặc cả năm giờ đây có thể hoàn thành trong vài ngày.

Ví dụ: Công ty Exscientia đã sử dụng AI và HPC để phát hiện DSP-1181, một thuốc điều trị rối loạn ám ảnh cưỡng chế, chỉ trong 12 tháng thay vì 4-5 năm theo phương pháp truyền thống.

Nhiệm vụ tính toán khổng lồ này dựa vào khả năng xử lý song song trên quy mô lớn của HPC.

Qua việc mô hình hóa tương tác phân tử một cách nhanh chóng và chính xác, sàng lọc ảo giảm đáng kể thời gian và tiền bạc chi cho giai đoạn đầu khám phá thuốc.

Mô phỏng động lực học phân tử

Sau khi xác định các ứng viên triển vọng thông qua sàng lọc ảo, các nhà nghiên cứu sử dụng mô phỏng động lực phân tử (MD) để nghiên cứu cách thuốc tương tác với mục tiêu của chúng ở mức nguyên tử theo thời gian.

Những mô phỏng này theo dõi chuyển động của mọi nguyên tử trong hệ thống protein-thuốc, tiết lộ cách các phân tử liên kết, thay đổi hình dạng hoặc kích hoạt tác dụng sinh học.

Mô phỏng MD cung cấp những hiểu biết vô giá về hiệu quả thuốc và tác dụng phụ tiềm ẩn khi dự đoán mức độ ổn định hoặc độc tính của thuốc trước khi đến thử nghiệm lâm sàng.

Tuy nhiên, những mô phỏng này đòi hỏi tính toán chuyên sâu do độ phức tạp của chuyển động ở mức nguyên tử trong hệ thống sinh học.

HPC đóng vai trò thiết yếu ở đây, khai thác các siêu máy tính thường ở mức exascale (có khả năng thực hiện một triệu tỷ tỷ phép tính mỗi giây) để thực hiện những mô phỏng chi tiết này.

Do đó giúp các nhà khoa học tối ưu hóa ứng viên thuốc với độ chính xác và tin cậy cao.

Thiết kế thuốc dựa trên AI

Các công cụ trí tuệ nhân tạo được huấn luyện trên hệ thống HPC đang đẩy khám phá thuốc tiến xa hơn nữa khi học từ các bộ dữ liệu khổng lồ về cấu trúc hóa học và hoạt động sinh học.

Những mô hình AI này có thể tự động thiết kế các phân tử thuốc mới với tính chất mong muốn, như hiệu quả cải thiện hoặc độc tính giảm.

Ví dụ: DeepMind’s AlphaFold đã sử dụng HPC để dự đoán cấu trúc 3D của hơn 200 triệu protein, tạo ra một “bản đồ kho báu” khổng lồ cho phát triển thuốc mới.

Kết hợp AI và sức mạnh tính toán của HPC, các nhà nghiên cứu có thể khám phá không gian hóa học vượt xa những gì các phương pháp truyền thống cho phép.

Sự cộng hưởng này mở ra những con đường mới để khám phá những loại thuốc mới mà trước đây không thể thực hiện.

Chẩn đoán hình ảnh y tế qua AI

Các kỹ thuật hình ảnh y tế như X-quang, chụp cắt lớp vi tính (CT) và chụp cộng hưởng từ (MRI) tạo ra khối lượng dữ liệu khổng lồ rất quan trọng cho chẩn đoán bệnh.

Kết hợp giữa AI và HPC đang thúc đẩy những cải tiến đáng kể về tốc độ, quy mô và độ chính xác trong phân tích hình ảnh y tế.

Cộng hưởng giữa HPC và AI

Huấn luyện các mô hình học sâu để phân tích hình ảnh y tế đòi hỏi hai yếu tố quan trọng: bộ dữ liệu cực kỳ lớn (thường ở mức terabyte) và sức mạnh tính toán khổng lồ.

Hệ thống HPC cung cấp cả hai, tạo ra môi trường lý tưởng để phát triển các thuật toán AI tiên tiến.

Mối quan hệ này tạo thành một vòng lặp phản hồi tích cực.

Khả năng mạnh mẽ của HPC mạnh mẽ tạo điều kiện để xây dựng các mô hình AI tinh vi hơn.

Trong khi đó các mô hình AI tốt hơn lại cải thiện hiệu suất của tài nguyên HPC thông qua tối ưu hóa quy trình làm việc và hỗ trợ các phân tích phức tạp hơn.

Tăng tốc huấn luyện mô hình và xử lý quy mô lớn

Một trong những nút thắt cổ chai chính trong triển khai AI cho hình ảnh y tế là quá trình huấn luyện tốn nhiều thời gian.

Ví dụ: một nghiên cứu đã chứng minh sử dụng HPC đã rút ngắn thời gian huấn luyện mô hình phân đoạn khối u não trên ảnh MRI từ 90 giờ xuống chỉ còn 4 giờ.

Như vậy có nghĩa là các công cụ chẩn đoán hỗ trợ AI có thể được phát triển và cập nhật nhanh chóng hơn nhiều.

Tương tự, xử lý hình ảnh bệnh học quy mô lớn là một thách thức do kích thước và độ phức tạp của chúng.

Hình ảnh bệnh học số, hay hình ảnh slide toàn bộ (WSI), có thể đạt độ phân giải gigapixel.

Xử lý 399 hình ảnh như vậy có thể mất 30 ngày trên một đơn vị xử lý đồ họa (GPU) đơn lẻ.

Tuy nhiên, khi được xử lý trên cụm HPC, nhiệm vụ này đã hoàn thành trong vòng chưa đầy 45 giờ.

Từ đó cho thấy HPC tạo điều kiện thuận lợi cho các quy trình làm việc quy mô lớn mà nếu không sẽ không thể thực hiện được.

Ví dụ: Đại học Stanford đã sử dụng HPC để phát triển CheXNet, một mô hình AI có thể chẩn đoán 14 loại bệnh khác nhau từ X-quang ngực với độ chính xác tương đương bác sĩ chuyên khoa, được huấn luyện trên hơn 100.000 ảnh X-quang.

Nâng cao độ chính xác chẩn đoán

Các mô hình AI được HPC hỗ trợ có thể phát hiện những dấu hiệu bệnh lý tinh vi hoặc các mô hình phức tạp mà mắt người có thể bỏ sót.

Khả năng này dẫn đến việc chẩn đoán sớm hơn và chính xác hơn các tình trạng nghiêm trọng như ung thư, bệnh tim mạch và các rối loạn thoái hóa thần kinh như bệnh Alzheimer.

Mô phỏng sinh học và y học tiên lượng

Một trong những ứng dụng đầy tham vọng nhất của HPC trong y học là tạo ra các mô phỏng chi tiết về hệ thống sinh học từ virus đến các cơ quan phức tạp của con người.

Những mô hình ảo này giúp các nhà khoa học thực hiện các thí nghiệm “in-silico” trước khi chuyển sang các thử nghiệm lâm sàng hoặc điều trị trong thực tế.

Ứng dụng tim mạch

Dự án Cardioid của IBM sử dụng siêu máy tính để mô phỏng hành vi điện sinh lý của tim người.

Những mô phỏng này giúp các nhà nghiên cứu hiểu rõ về loạn nhịp tim (nhịp tim bất thường) và thử nghiệm cách các loại thuốc khác nhau ảnh hưởng đến chức năng tim mà không gây rủi ro cho an toàn bệnh nhân.

Ví dụ: Dự án MICROCARD-2 của châu Âu đang tiến xa hơn trong công việc này khi phát triển các mô hình mô tim số nhằm cải thiện chẩn đoán và kế hoạch điều trị cá nhân hóa cho các bệnh tim mạch.

Mô hình hóa bộ não

HPC eBRAIN-Health của châu Âu tập trung vào xây dựng các nền tảng mô phỏng chức năng não.

Những mô hình này hỗ trợ nghiên cứu các bệnh thần kinh phức tạp như Alzheimer và Parkinson thông qua cung cấp hiểu biết sâu sắc về cơ chế bệnh và các mục tiêu điều trị tiềm năng.

Dịch tễ học tính toán

Trong cuộc khủng hoảng sức khỏe toàn cầu như đại dịch COVID-19, HPC đã đóng vai trò quan trọng trong mô phỏng sự lây lan virus trong cộng đồng.

Những mô phỏng này đánh giá hiệu quả của các biện pháp can thiệp như giãn cách xã hội và đeo khẩu trang.

Thông qua cung cấp dự đoán dựa trên dữ liệu theo thời gian thực, các mô hình dịch tễ học được HPC hỗ trợ đã định hướng chính sách y tế công cộng trên toàn thế giới.

Ví dụ: Đại học California, Los Angeles đã sử dụng HPC để mô phỏng sự lan truyền COVID-19 tại Los Angeles, giúp thành phố đưa ra quyết định chính sách dựa trên khoa học về việc mở cửa trở lại các hoạt động kinh tế.

Mô phỏng Virus ở mức độ nguyên tử

Các nhà khoa học đã tận dụng HPC để xây dựng các mô hình nguyên tử chi tiết của toàn bộ virus, bao gồm virus cúm và SARS-CoV-2 (virus gây COVID-19).

Những mô phỏng này tiết lộ cơ chế nhiễm trùng ở mức phân tử và xác định các vị trí dễ tổn thương trên bề mặt virus mà vaccine hoặc thuốc kháng virus có thể nhắm mục tiêu.

Chuyển đổi mô hình hướng tới y học dự đoán

Những ứng dụng này minh họa một sự chuyển đổi cơ bản trong y học.

Sẽ chuyển từ các phương pháp phản ứng (quan sát triệu chứng và đáp ứng) sang các chiến lược chủ động dự đoán tiến triển bệnh và phản ứng điều trị được thiết kế riêng cho từng bệnh nhân.

Sinh đôi số đóng vai trò như những bệnh nhân ảo được cá nhân hóa.

Do đó giúp các bác sĩ lâm sàng thử nghiệm các lựa chọn điều trị in silico trước khi áp dụng chúng trong thực tế.

Sức mạnh dự đoán này hứa hẹn cải thiện kết quả điều trị, giảm tác dụng phụ và tối ưu hóa tài nguyên y tế với khả năng đảm bảo các phương pháp điều trị phù hợp chính xác với đặc điểm sinh học riêng biệt của từng bệnh nhân.

Ví dụ: Công ty Dassault Systèmes đã phát triển “Living Heart Project” – một mô hình tim người 3D có thể mô phỏng các bệnh tim khác nhau và dự đoán hiệu quả của thiết bị y tế trước khi cấy ghép, giúp giảm rủi ro và chi phí trong quá trình phát triển sản phẩm.