Em chào ban giám khảo và các anh chị. Em là Nghĩa, đại diện đội OSK LAB. Hôm nay, đội em đến với cuộc thi xin giới thiệu giải pháp mang tên Kaimei. Kaimei xây dựng các tác nhân AI cho khoa học sự sống, nhằm đẩy nhanh khám phá thuốc cùng các nhà khoa học y sinh.

Vì sao đội em chọn chủ đề khám phá thuốc? Vì cuộc đời mỗi người, từ khi sinh ra đến lúc về già, ai trong chúng ta cũng cần tới thuốc và vắc xin, đó là một nhu cầu thiết yếu không thể tách rời cuộc sống. Năm 2020, đại dịch COVID-19 bùng phát và ảnh hưởng tới mọi mặt đời sống, từ sức khỏe, công việc tới kinh tế. Chính trải nghiệm ấy là động lực để đội em nghiên cứu các giải pháp cho thuốc và y tế. Kaimei tập trung vào công nghệ sinh học trong khám phá thuốc, dành cho các nhóm nghiên cứu thuốc tại doanh nghiệp và trường đại học.

Em là Nghĩa, leader của OSK LAB, phụ trách sản phẩm và kỹ thuật của Kaimei. Em có hơn năm năm phát triển phần mềm y tế và khoa học đời sống. Với vai trò PO, em xây dựng các giải pháp y tế phục vụ hoạt động presales của bộ phận và công ty, đồng thời tham gia nhiều triển lãm trong lĩnh vực y tế và dược phẩm. Đồng hành với em là Huệ, có gần bốn năm làm việc tại 第二協立病院 và kinh nghiệm nghiệp vụ y tế trong môi trường bệnh viện. Huệ phụ trách phân tích yêu cầu, kiểm thử và nghiệm thu sản phẩm. Với nhiều năm kinh nghiệm làm việc trong cùng lĩnh vực, đội em hiểu rõ pain point và đề xuất xây dựng giải pháp sát nhu cầu thực tế.

Bài trình bày gồm sáu phần: kiến thức ngành và thuật ngữ, vấn đề, giải pháp, AI có trách nhiệm, MVP và tính khả thi, cuối cùng là kế hoạch phát triển.

Trước khi đi vào vấn đề, em xin chia sẻ một chút kiến thức chuyên ngành, để anh chị ngoài ngành dễ theo dõi. Phần lớn bệnh đều đi qua một protein trong cơ thể, gọi là đích. Anh chị hãy hình dung protein đích như một ổ khóa. Trên bề mặt protein có một túi gắn nhỏ, đó là lỗ khóa. Còn phân tử thuốc chính là chiếc chìa khóa vừa khít với lỗ khóa ấy. Khi chìa khóa nằm gọn trong túi, protein bị ức chế, không làm bệnh phát triển thêm được nữa.

Chìa khóa có nhiều cỡ. Có phân tử nhỏ như paracetamol hay aspirin mà mình vẫn uống hằng ngày, có phân tử trung bình, và có thuốc sinh học lớn như kháng thể. Đoạn hình bên phải là cảnh một phân tử xoay, đổi tư thế rồi khớp vào túi gắn của đích. Nói đơn giản, khám phá thuốc là đi tìm chiếc chìa vừa khít đúng ổ khóa, rồi chứng minh chiếc chìa đó đủ an toàn để chữa bệnh.

Còn đây là những thuật ngữ đội em sẽ dùng trong bài, mỗi từ kèm một câu giải thích ngắn.

Nghe thì đơn giản, nhưng thực tế lại rất khó. Để đưa một thuốc mới ra thị trường, các nhóm nghiên cứu bắt đầu từ việc tìm và thẩm định đích, rồi sàng lọc hơn mười nghìn hợp chất, tối ưu những phân tử tốt nhất, thử ở tiền lâm sàng và qua ba pha thử trên người. Cuối cùng chỉ còn một thuốc được phê duyệt và đưa ra thị trường. Cả hành trình đó mất từ mười đến mười lăm năm, tốn hơn một tỷ đô la. Vậy mà chín trên mười ứng viên vẫn thất bại khi đã thử trên người, phần lớn vì không đủ hiệu quả hoặc vì độc tính.

Điều đáng nói là thất bại lộ ra rất muộn, nhưng lại được quyết định từ rất sớm. Bốn giai đoạn đầu, trước khi thử trên người, chỉ chiếm khoảng một phần ba chi phí, nhưng lại là lúc nhà khoa học chọn đích và chọn hợp chất nào được đi tiếp. Chọn đúng từ đầu thì cả hành trình phía sau bớt được rất nhiều thất bại. Đó là chỗ đội em muốn giúp.

Vậy ở bốn giai đoạn đó, nhà khoa học đang làm việc thế nào? Anh chị thử hình dung một buổi sáng của họ: mở UniProt tra thông tin protein, sang ChEMBL lấy dữ liệu hoạt chất, chạy phần mềm docking, viết thêm vài đoạn script, rồi chép từng con số vào Excel. Mỗi công cụ một định dạng, nên chưa tới trưa họ đã mệt vì ghép dữ liệu bằng tay. Những model nặng như dự đoán cấu trúc còn cần máy GPU cấu hình lớn, thứ mà nhiều lab nhỏ không có.

Gần đây, nhiều lab bắt đầu giao việc cho agent AI để tăng tốc. Nhưng một agent có quyền vào dữ liệu của lab cũng mang theo rủi ro: có thể làm lộ dữ liệu, làm theo một lệnh cài sẵn trong tài liệu, bịa ra số liệu, hay chạy xong mà không để lại lý do vì sao. Hai khó khăn này, công cụ rời rạc và rủi ro khi dùng agent, chính là điều Kaimei ra đời để giải quyết.

Giải pháp của đội em là gom tất cả những phần việc rời rạc đó vào một hệ thống. Anh chị có thể nhìn Kaimei như sáu lớp xếp chồng lên nhau. Dưới cùng là môi trường an toàn riêng cho từng lab. Bên trên là dữ liệu công khai và file của lab, rồi hơn mười lăm model sinh học chạy sẵn trên GPU, không cần cài đặt. Tiếp theo là ngữ cảnh, giúp agent hiểu đúng dự án của từng lab. Rồi tới agent với hơn hai mươi skill chuyên ngành. Và trên cùng là canvas, nơi mỗi bước hiện thành một node để nhà khoa học theo dõi.

Nhờ vậy, ba điều thay đổi. Thứ nhất, từ bài báo, dữ liệu, model tới kết quả đều nằm trong một phiên, các nhóm có thể chia sẻ và làm cùng nhau. Thứ hai, phân tích mà agent đã chạy được lưu thành một quy trình, dùng lại được cho dữ liệu và thử nghiệm khác. Thứ ba, mỗi phiên chạy trong sandbox riêng, mọi bước đều được ghi lại, và dữ liệu của lab chỉ đi tới mô hình bên ngoài khi lab cho phép.

Vì sao lại cần agent, mà không chỉ là một chatbot hỏi đáp? Vì khám phá thuốc không có công thức cố định. Mỗi câu hỏi cần nguồn dữ liệu, mô hình và các bước riêng, và kết quả của bước trước thường làm thay đổi bước sau.

Hình này kể cách Kaimei làm việc. Bắt đầu từ nhà khoa học, đặt câu hỏi bằng lời và đặt ngân sách. Agent điều phối đọc ngữ cảnh, lập kế hoạch, và chỉ chạy khi nhà khoa học đã duyệt. Sau đó agent điều phối chia việc cho các agent chuyên môn chạy song song: agent tìm đích, agent protein, agent hóa học và agent đọc tài liệu, mỗi agent có skill riêng cho mảng của mình. Trong lúc các agent con làm việc, agent chính vẫn sẵn sàng nhận câu hỏi mới, nên nhà khoa học không phải chờ.

Kết quả không đi thẳng ra ngoài, mà phải qua cổng rà soát: kiểm nguồn của từng con số và sàng lọc chất độc. Cuối cùng là báo cáo và các file kết quả, và người ký duyệt sau cùng vẫn là nhà khoa học. Họ có thể bấm Stop bất cứ lúc nào.

Ở phần trước em có nhắc tới rủi ro khi đưa agent vào lab. Vậy làm sao để lab yên tâm giao dữ liệu cho Kaimei? Đội em đi theo tám rủi ro của khung Responsible AI, và với mỗi rủi ro, Kaimei đặt sẵn hai rào chắn ngay trong hệ thống.

Đầu tiên là con người giám sát: người dùng duyệt từng plan trước khi chạy, bấm Stop là không bước mới nào bắt đầu, và mọi bước, lệnh, kết quả đều được ghi lại để truy vết. Thứ hai là mức tự chủ của AI, cụ thể là chi phí: agent chính dùng model mạnh, việc đơn giản dùng model nhẹ hơn, và chi phí chạy model trên GPU được ghi rõ ngay trong plan để người dùng chủ động.

Thứ ba là ảo giác, tức số liệu bịa: giá trị không có nguồn hoặc sai loài bị trả lại trước khi vào báo cáo, và một review agent độc lập kiểm chéo lại báo cáo. Thứ tư là lạm dụng: mọi phân tử đều được sàng lọc chất độc và chất bị kiểm soát, và agent không tự đặt tổng hợp hay làm thí nghiệm ngoài đời thật.

Bốn rủi ro còn lại xoay quanh dữ liệu. Về quyền riêng tư, mỗi lab có không gian riêng, dữ liệu không lẫn với lab khác, và chỉ đi tới mô hình bên ngoài khi lab cho phép. Về bảo mật, key được mã hóa theo tài khoản, code của agent chạy trong sandbox kín, mạng ra ngoài đi qua proxy và package mới đều được kiểm soát. Về sở hữu trí tuệ, Kaimei không dùng dữ liệu của lab để huấn luyện model, và mỗi nguồn trích dẫn đều được kiểm tra trước khi đưa vào báo cáo. Cuối cùng là thiên kiến: báo cáo của Kaimei nêu rõ giới hạn của dữ liệu, ví dụ một đích ít được nghiên cứu, và mọi phép so sánh của đội đều chốt tiêu chí chấm trước khi chạy.

Vậy Kaimei trông như thế nào khi dùng thật? Đây là bản MVP của đội em.

Ô lớn bên trái là agent. Nhà khoa học hỏi bằng lời, agent lập plan, chạy rồi tự kiểm lại kết quả. Phía sau là các sub-agent chuyên môn về đích, protein, hóa học và tài liệu chạy song song, và người dùng luôn giữ quyền: bấm Stop bất cứ lúc nào, và mỗi phiên có trần chi phí. Ô bên cạnh là canvas, nơi mỗi bước agent làm hiện thành một node, các node nối với nhau thành một pipeline mà nhà khoa học nhìn là hiểu.

Ở giữa là hơn mười lăm model sinh học và công cụ hóa học có tên tuổi, như AlphaFold, ESMFold, DiffDock hay Boltz-2, tất cả chạy sẵn trên GPU, không cần cài đặt. Hàng dưới là bốn điểm khiến kết quả đáng tin: báo cáo có nguồn, trong đó mỗi con số đều khớp với dữ liệu gốc, Trace để lần ngược từng file kết quả về đúng bước đã tạo ra file đó, hơn hai mươi skill chuyên ngành mà agent làm theo, và sandbox kín, nơi code chạy riêng từng phiên, không thấy key của người dùng.

Lấy một ví dụ cụ thể là phiên về EGFR, một protein đích trong ung thư phổi. Đầu ra là bảng ưu tiên phân tử theo hoạt tính đã đo trong ChEMBL, kèm cảnh báo rủi ro tim, gan từ mô hình dự đoán, và báo cáo có nguồn cho từng con số. Từ đó, nhà khoa học chọn được thử nghiệm tiếp theo một cách có căn cứ.

Vậy Kaimei mang lại giá trị gì, và cho ai? Đội em nhìn theo ba nhóm.

Với nhà khoa học, họ chỉ cần giao tiếp trực tiếp với agent bằng lời, không cần thành thạo nhiều công cụ hay tự có GPU. Mục tiêu là rút ngắn thời gian và chi phí cho mỗi nhiệm vụ: ở hai thử nghiệm cùng đề bài với Claude Science, Kaimei nhanh hơn từ 2,4 tới 38 lần và rẻ hơn từ 1,7 tới 6,5 lần.

Với lab và doanh nghiệp, không bước nào chạy khi chưa được duyệt, mọi giá trị đều có nguồn, và dữ liệu của lab không bao giờ dùng để huấn luyện model. Pipeline dùng lại được và phiên làm việc chia sẻ giữa các nhóm giúp giảm chi phí vận hành, để cả những lab nhỏ cũng tiếp cận được công cụ như lab lớn.

Và xa hơn, với bệnh nhân và xã hội: khi đích và phân tử được chọn có căn cứ ngay từ đầu, sẽ bớt những thất bại muộn, và người bệnh có cơ hội nhận được những loại thuốc an toàn hơn.

Kaimei tập trung vào nhóm nghiên cứu thuốc. Điểm đội muốn tối ưu là thời gian từ câu hỏi đến công việc nghiên cứu thực sự: môi trường cho các công cụ tích hợp đã được cài sẵn, nhà khoa học vào ứng dụng, đưa dữ liệu và bắt đầu. Xử lý trên cloud giúp người dùng không phải có GPU cá nhân. Công cụ ngoài phạm vi tích hợp vẫn có thể cần chuẩn bị bổ sung.

Pipeline được lưu để đổi đầu vào và chạy lại. Thành viên có quyền trong cùng tổ chức có thể dùng chung pipeline và kết quả, giúp bàn giao và tiếp tục công việc mà không phải chuyển một môi trường trên máy cá nhân sang máy đồng nghiệp. Đây là chia sẻ tài nguyên theo quyền, không phải tuyên bố cùng sửa canvas theo thời gian thực. Kaimei vẫn có duyệt kế hoạch, Stop và truy vết job, tệp kết quả.

Trong các lần chủ dự án tự thử Claude Science và Phylo.bio, có yêu cầu mất khoảng 60% thời gian để chuẩn bị môi trường, còn khoảng 30-40% cho nhiệm vụ chính. Đây là quan sát ở những lần thử riêng, chưa có bộ nhiệm vụ và phép đo đối chứng, nên không dùng làm số liệu so sánh trên slide. Phylo dùng môi trường cloud và cũng có công cụ, workflow cài sẵn; không suy ra mọi yêu cầu đều phải dựng lại từ đầu.

Claude Science tạo và quản lý môi trường theo phân tích, giữ kernel trong phiên và lưu quy trình thành skill. Bản chủ dự án thử chạy trên máy cá nhân; tài liệu chính thức còn hỗ trợ máy từ xa qua SSH, HPC và Modal, nên mức phụ thuộc phần cứng tùy cách triển khai. Clara là nền tảng phát triển AI y sinh, ở đây so nhánh khám phá thuốc: nhóm kỹ thuật tích hợp model, công cụ và quyền quản lý vào hệ thống của mình. Claude Science cũng tích hợp BioNeMo, nên các nền tảng có phần bổ trợ nhau. Kaimei đang hoàn thiện các bước kiểm tra MVP; số đo cụ thể của hai thử nghiệm chạy trên cả hai nền tảng ở slide tiếp theo.

Để so sánh bằng số đo thật, đội em chạy cùng một đề bài trên Kaimei và Claude Science: agent chính của hai bên cùng là Claude Opus 5 ở mức suy nghĩ High, agent phụ cùng là Claude Sonnet 5.5; riêng agent review, Kaimei dùng GPT-6 Astra còn Claude Science dùng Claude Opus 5.5.

Thử nghiệm 1 là docking lại erlotinib vào cấu trúc 1M17 và đo tư thế tốt nhất cách tư thế tinh thể bao nhiêu. Kaimei xong trong 55 giây với khoảng 0,54 USD; phía đối chiếu mất 34 phút 33 giây và khoảng 3,5 USD, trong đó riêng 24 phút đầu là setup môi trường. Chất lượng tư thế của hai bên đều đạt, dưới 2 angstrom.

Thử nghiệm 2 là tra cứu tài liệu: những đột biến EGFR nào làm erlotinib mất tác dụng. Kaimei xong trong 3 phút 14 giây, 1,44 USD; phía đối chiếu 7 phút 48 giây, 2,42 USD; không bên nào bịa nguồn.

Vì sao nhanh và rẻ hơn: toolchain và harness của Kaimei đã sẵn sàng nên không phải setup cho mỗi yêu cầu; plan được biên dịch sẵn và công cụ chạy theo plan, agent không phải thử sai từng lệnh nên dùng ít token hơn; và dữ liệu, kết quả tra cứu được cache, lưu trữ để các pipeline và phiên làm việc trong cùng tổ chức dùng lại. Ở thử nghiệm 2, lượt Kaimei được quay có dùng lại kết quả tra cứu từ các lượt trước; lượt thứ hai của phía đối chiếu cũng dùng lại trí nhớ của lượt đầu và mất 4 phút 06 giây.

Về lộ trình tiếp theo, trong quý một năm hai không hai bảy, đội em tập trung hoàn thiện trải nghiệm và chuẩn bị những ca demo sát công việc của nhà nghiên cứu. Đội sẽ hợp tác với FPT AI Factory để triển khai các model sinh học trên hạ tầng NVIDIA GPU, với mục tiêu kiểm chứng hiệu năng và chi phí trước triển lãm. Mốc trọng tâm là đầu quý hai: Pharma IT & Digital Health Expo, diễn ra từ ngày hai mươi mốt tới hai mươi ba tháng tư năm hai không hai bảy tại Tokyo Big Sight. Mục tiêu của đội là demo sản phẩm cho năm mươi khách hàng tiềm năng trong cùng lĩnh vực, qua đó hiểu rõ nhu cầu và tìm cơ hội dùng thử.

Sau triển lãm, quý ba đội hướng tới pilot cùng phòng lab để đo giá trị trên bài toán thực tế. Quý bốn tiếp tục kiểm chứng và hoàn thiện sản phẩm từ phản hồi của các lab. Trong cả bốn quý năm hai không hai tám, đội hướng tới mở rộng hợp tác với biotech, pharma và lab đại học để đưa ra bản thương mại. Các doanh nghiệp mục tiêu để tiếp cận có thể kể tới Takeda và Chugai Pharmaceutical ở Nhật Bản, Nanogen và VABIOTECH ở Việt Nam. Đây là lộ trình dự kiến, còn mốc triển lãm và mục tiêu năm mươi khách hàng là trọng tâm gần nhất.

Kaimei là nơi nhà khoa học cùng các tác nhân AI đẩy nhanh hành trình khám phá thuốc. Em xin cảm ơn ban giám khảo và các anh chị đã lắng nghe. Đội OSK LAB rất mong được trao đổi, nhận câu hỏi và góp ý từ mọi người.

Em có chuẩn bị thêm ba hình để trao đổi kỹ hơn về luồng chạy pipeline, kiến trúc và cách các agent phối hợp. Em xin mở phần phù hợp với câu hỏi của anh chị.

Nếu anh chị muốn biết một pipeline chạy thực tế thế nào, đây là luồng cơ bản, lấy phiên EGFR làm ví dụ, chia theo bốn làn: nhà khoa học, hệ thống Kaimei, agent và các dịch vụ, mỗi làn ghi rõ tầng và công nghệ tương ứng.

Nhà khoa học hỏi bằng lời trên web. Hệ thống mở một phiên mới chạy trên Temporal và nạp các skill liên quan nếu có, rồi agent lập plan gồm các bước và ước tính chi phí. Plan chỉ chạy khi nhà khoa học duyệt; nếu chưa ổn, họ yêu cầu thay đổi và agent lập lại plan.

Sau khi duyệt, hệ thống chạy từng bước, mỗi bước hiện thành một node trên canvas, và nhà khoa học xem pipeline cùng các bước thực thi ngay trên canvas. Trần chi phí luôn được giữ, job tốn phí phải chờ duyệt. Các agent chuyên môn về đích, protein, hóa học và tài liệu gọi công cụ thật cho bốn giai đoạn: Open Targets, UniProt và RCSB để chọn đích, ChEMBL và RDKit để sàng lọc, Boltz-2 và DiffDock để docking, ADMET-AI để gắn cờ rủi ro tim và gan.

Cuối cùng agent rà nguồn và viết báo cáo, hệ thống lưu trace, plan và file, để nhà khoa học đọc báo cáo có nguồn, xem lại pipeline trên canvas và sign off kết quả.

Đây là kiến trúc của Kaimei. Em xin đi theo đúng thứ tự một phiên làm việc, theo bảy bước đánh số trên hình.

Bước một, nhà khoa học đặt câu hỏi, duyệt plan và nhận báo cáo trên web app, nơi có canvas, khung chat với agent và trang kết quả. Bước hai, API nhận yêu cầu và mở một phiên agent. Phiên này chạy bằng LangGraph trong Temporal, với agent điều phối và bốn agent chuyên môn về đích, protein, hóa học và tài liệu, cùng bộ nhớ giữ tri thức và ngữ cảnh.

Bước ba, mỗi skill chạy code trong một sandbox kín, riêng cho từng phiên. Bước bốn, khi cần các model sinh học nặng, hệ thống gọi tới GPU qua NVIDIA NIM và Boltz-2. Bước năm, agent suy luận bằng mô hình ngôn ngữ mà người dùng chọn. Bước sáu, dữ liệu công khai như UniProt, RCSB và ChEMBL chỉ được lấy qua một cổng mạng kiểm soát. Và bước bảy, mọi dấu vết, plan và file kết quả được ghi vào cơ sở dữ liệu và kho lưu trữ, để có thể xem lại từng bước.

Khung AWS bao quanh là hệ thống đang chạy thật trên AWS Tokyo, tại app.kaimei.bio: toàn bộ chạy trên một máy EC2, image lấy từ ECR, HTTPS qua Caddy, quản trị qua Session Manager, không mở cổng SSH, và toàn bộ hạ tầng viết bằng Terraform. Nhà khoa học chỉ làm việc trên web, còn toàn bộ hạ tầng phía dưới do Kaimei vận hành.

Hình này mở rộng slide Agentic AI, để anh chị thấy rõ từng vai trò trong một phiên. Các số từ một tới năm trên hình là thứ tự công việc: mục tiêu, ngữ cảnh và dữ liệu, quyết định, hành động và kết quả.

Mọi thứ bắt đầu từ nhà khoa học, người đặt câu hỏi và ngân sách. Agent điều phối nhận mục tiêu đó, đọc ngữ cảnh và tri thức từ bộ nhớ, chọn skill phù hợp trong kho hơn hai mươi skill, rồi lập kế hoạch. Khi kế hoạch được duyệt, agent điều phối giao việc cho bốn agent chuyên môn: agent đích tìm và xếp hạng đích, agent protein dự đoán và thiết kế cấu trúc, agent hóa học docking và chấm điểm phân tử, agent tài liệu đọc và trích dẫn bài báo.

Các agent chuyên môn gọi công cụ sinh học, hóa học và chạy code, và các bước đó hiện thành pipeline trên canvas. Vòng lặp của agent chạy tới khi xong việc, vì kết quả của bước trước có thể đổi bước sau, ví dụ thiếu dữ liệu về protein thì cần tìm thêm tài liệu trước khi phân tích phân tử. Kết quả phải qua cổng rà soát, kiểm nguồn và ngữ cảnh, rồi mới thành báo cáo có lập luận. Ở những điểm đánh dấu trên hình, nhà khoa học là người quyết định, và trước mỗi lượt chạy đều có bước kiểm an toàn.