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. Vì vậy Kaimei hướng tới ba mục tiêu phát triển bền vững trên slide: SDG 3.4 về bệnh không lây nhiễm như ung thư, tim mạch, SDG 3.b về nghiên cứu thuốc và vắc xin mới, và SDG 9.5 về nâng cao năng lực nghiên cứu, để cả những lab nhỏ cũng có công cụ như lab lớn.

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 và đội hình.

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: đội em đo riêng độ chính xác ở những đích ít được nghiên cứu, trên bộ benchmark chốt từ trước, để agent không chỉ giỏi ở nơi sẵn nhiều dữ liệu.

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 làm đúng nhiều hơn, nhanh hơn và tốn ít chi phí hơn cho mỗi nhiệm vụ, và đội em sẽ đo điều đó trên hai bộ benchmark là Biomni-Eval1 và LAB-Bench DbQA.

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.

Về kế hoạch, từ tháng chín đội em đã dựng nền tảng, canvas và các tích hợp dữ liệu, đang hoàn thiện agent. Hai tuần tới Demo Day, đội tập trung hoàn thiện phiên EGFR, tối ưu chi phí LLM và chạy hai benchmark. Sau đó mở rộng agent cho các giai đoạn khác, rồi phát hành bản dùng thử cho lab từ nửa cuối năm hai không hai bảy. Đội em có hai người, cùng kinh nghiệm phần mềm y tế.

Kaimei, nơi agent và nhà khoa học cùng khám phá nhiều hơn, nhanh hơn. Em xin cảm ơn ban giám khảo và các anh chị đã lắng nghe. Đội em rất mong nhận câu hỏi.

Em có chuẩn bị thêm ba hình để trao đổi kỹ hơn về phiên EGFR, 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 Demo Day sẽ cho thấy gì, đây là phiên EGFR mà đội em đang hoàn thiện. Phiên này đi qua bốn giai đoạn đầu của phễu ở slide Vấn Đề, và ở mỗi giai đoạn đều dùng công cụ thật.

Ở giai đoạn chọn đích, agent xếp hạng các đích của ung thư phổi bằng Open Targets, rồi xét kỹ EGFR qua UniProt và lấy cấu trúc 1M17 từ RCSB. Sang giai đoạn sàng lọc, agent lấy các hoạt chất đã đo của EGFR từ ChEMBL và chuẩn hóa, lọc chúng bằng RDKit. Tới giai đoạn tối ưu, trước khi tin vào docking, agent thử model trên một thuốc đã biết là erlotinib, rồi mới docking các hit bằng Boltz-2 và DiffDock. Cuối cùng, ở giai đoạn tiền lâm sàng, agent gắn cờ rủi ro tim và gan bằng ADMET-AI, đối chiếu thêm với hoạt tính trên ChEMBL.

Vì sao đội em tin là làm được? Thứ nhất, cả tám công cụ của ca demo đều là dịch vụ và model công khai, gọi được qua API. Thứ hai, phiên agent chạy bằng LangGraph trong Temporal, nên giữ được trạng thái qua sự cố và qua những job GPU dài. Thứ ba, chi phí kiểm soát được: mỗi phiên có trần token và chi phí, và job tốn phí luôn chờ người duyệt. Công cụ và hạ tầng đã có sẵn, việc của Demo Day là nối chúng thành một phiên trọn vẹn.

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 kế hoạch đưa toàn bộ hệ thống lên cloud. 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.