Siêu máy tính vẫn chưa đủ: Bài toán gen của một triệu cựu binh buộc giới khoa học phải viết lại cách làm nghiên cứu

Khi gần một triệu cựu binh Mỹ tham gia chương trình Million Veteran Program và chia sẻ dữ liệu di truyền của mình, họ gần như không đòi hỏi điều gì đáp lại. Nhưng chính món quà dữ liệu ấy lại đặt ra trách nhiệm rất lớn cho giới nghiên cứu: phải biến thông tin thành lợi ích y học thực tế càng sớm càng tốt. Theo Ravi Madduri, nhà khoa học cấp cao tại Phòng thí nghiệm quốc gia Argonne thuộc Bộ Năng lượng Mỹ, đây không chỉ là bài toán khoa học mà còn là nghĩa vụ đạo đức. Bộ dữ liệu này hiện được xem là một trong những biobank, tức kho lưu trữ mẫu sinh học và dữ liệu liên quan, lớn nhất nước Mỹ, đồng thời có mức độ đa dạng tổ tiên di truyền rất cao, giúp nghiên cứu tránh thiên lệch chỉ tập trung vào người gốc Âu như nhiều công trình trước đây.

Trong nghiên cứu genomics, tức khoa học phân tích toàn bộ bộ gen của sinh vật, một nhiệm vụ phổ biến là genome-wide association study (GWAS) — nghiên cứu tìm mối liên hệ giữa các biến thể di truyền và bệnh lý hoặc đặc điểm sức khỏe. Về lý thuyết, đây là bài toán thống kê; nhưng khi nhân lên hàng triệu vị trí khác nhau trên bộ gen và hàng nghìn tình trạng bệnh trong hồ sơ y tế, khối lượng tính toán trở nên khổng lồ. Nhóm của Madduri đã chạy bài toán này trên Summit và Aurora, hai siêu máy tính hàng đầu của Mỹ. Tuy nhiên, họ phát hiện hệ thống không bị giới hạn đơn thuần bởi tốc độ xử lý. Mấu chốt là mã nguồn ban đầu được viết cho CPU, tức bộ xử lý trung tâm truyền thống, trong khi phần lớn thời gian chương trình chỉ dùng để nhân các ma trận rất lớn. Đây lại là thế mạnh của GPU, bộ xử lý đồ họa vốn được thiết kế để thực hiện nhiều phép toán song song cùng lúc và hiện là nền tảng quan trọng cho huấn luyện AI.

Nhận ra điểm nghẽn, nhóm nghiên cứu đã viết lại phần cốt lõi của phần mềm SAIGE — một gói công cụ di truyền học được dùng rộng rãi — để chạy trên GPU, tạo thành phiên bản mới mang tên SAIGE-GPU. Kết quả không chỉ là tăng tốc. Một tác vụ từng cần khoảng 481.000 giờ lõi CPU, tức tổng thời gian tính toán cộng dồn trên hàng trăm hoặc hàng nghìn lõi xử lý, nay trở thành bài toán khả thi. Nói cách khác, đây không còn là chuyện rút ngắn vài phần trăm thời gian, mà là biến một phân tích gần như bất khả thi thành có thể thực hiện được. Theo nhóm nghiên cứu, cùng một kiến trúc tính toán đang thúc đẩy AI hiện nay cũng là nền móng cho genomics quần thể, lĩnh vực nghiên cứu biến thể gen trên quy mô dân số lớn.

Nhờ bước chuyển sang GPU, nhóm đã có thể thực hiện phân tích trên 635.969 cựu binh, khảo sát 2.068 đặc điểm sức khỏe khác nhau. Kết quả được công bố trên tạp chí Science cho thấy 13.672 vùng trên bộ gen có liên hệ với một hay nhiều tình trạng bệnh lý. Đáng chú ý, khoảng 1.600 tín hiệu chỉ xuất hiện nhờ việc gần một phần ba người tham gia không có nguồn gốc châu Âu. Điều này đặc biệt quan trọng bởi trong nhiều năm, nghiên cứu di truyền học trên thế giới bị phê phán vì thiếu tính đại diện. Những mối liên hệ mới này từng ‘vô hình’ trong các tập dữ liệu cũ, đơn giản vì các nhóm dân số đó không được đưa vào nghiên cứu ở quy mô đủ lớn.

Sự đa dạng về nguồn gốc tổ tiên không cho phép các nhà khoa học chỉ gộp toàn bộ dữ liệu lại rồi chạy một lần. Nếu một bệnh phổ biến hơn ở một nhóm tổ tiên nhất định, mô hình có thể nhầm lẫn giữa dấu hiệu bệnh thật sự và dấu hiệu chỉ phản ánh khác biệt dân số. Vì vậy, từng nhóm phải được phân tích riêng rồi mới gộp kết quả ở bước sau. Cách làm này đòi hỏi năng lực tính toán lớn hơn nhiều, nhưng đổi lại tạo ra kết quả đáng tin cậy hơn. Thực tế, 1.600 liên hệ mới nói trên không hiện rõ trong bất kỳ nhóm đơn lẻ nào; chúng chỉ lộ ra khi các phân tích riêng biệt được kết hợp đúng cách.

Dù quy mô kết quả rất ấn tượng, Madduri nhấn mạnh rằng toàn bộ phát hiện hiện vẫn ở giai đoạn preclinical, tức tiền lâm sàng. Nói cách khác, nghiên cứu này chưa tạo ra thuốc hay phương pháp điều trị ngay lập tức. Nó chỉ dựng nên một bản đồ thống kê chỉ ra nơi các nhà khoa học nên nhìn sâu hơn. Để biến một vùng gen liên quan bệnh thành liệu pháp thực tế còn cần nhiều năm nghiên cứu tiếp theo, từ sinh học phân tử đến thử nghiệm lâm sàng. Tuy nhiên, việc rút thời gian phân tích từ 14 ngày xuống còn chưa tới vài giờ đã thay đổi hoàn toàn nhịp độ nghiên cứu, cho phép đặt câu hỏi trên tập dân số lớn hơn và với độ tin cậy thống kê cao hơn.

Một thách thức lớn khác của y sinh học hiện đại là dữ liệu y tế rất khó chia sẻ giữa các tổ chức do ràng buộc pháp lý, quyền riêng tư và quy định sử dụng. Khác với dữ liệu thiên văn hay vật lý, hồ sơ bệnh án và dữ liệu gen không thể tự do chuyển qua lại. Giải pháp mà Madduri theo đuổi là federated learning, hay học liên kết. Đây là phương pháp huấn luyện AI mà dữ liệu vẫn nằm yên tại từng bệnh viện hoặc trung tâm nghiên cứu; chỉ các cập nhật mô hình, tức phần kiến thức mà mô hình học được, được gửi đi để hợp nhất. Cách tiếp cận này giúp tận dụng dữ liệu phân tán mà không cần gom chúng về một nơi, giảm rủi ro lộ thông tin nhạy cảm.

Madduri là đồng phát triển APPFL, viết tắt của Argonne Privacy-Preserving Federated Learning, một framework học liên kết có cơ chế bảo vệ quyền riêng tư. Framework có thể hiểu là bộ khung phần mềm giúp lập trình viên xây dựng và vận hành hệ thống dễ hơn. APPFL kết hợp với Globus Compute, một nền tảng cho phép gửi và điều phối tác vụ tính toán qua nhiều hệ thống khác nhau bằng một giao diện thống nhất, thay vì phải viết mã riêng cho từng bộ lập lịch tài nguyên. Trong môi trường siêu máy tính, bộ lập lịch này quyết định ai được dùng tài nguyên nào và vào thời điểm nào. Tuy nhiên, rào cản lớn nhất vẫn không hẳn là kỹ thuật, mà là quyền truy cập: mỗi tổ chức phải tự chạy phần việc của mình bằng chính thông tin xác thực và hạn mức tài nguyên đã được cấp.

Dù công cụ đã tiến bộ, quá trình phối hợp tính toán giữa các trung tâm như Argonne, Oak Ridge hay NERSC vẫn còn phụ thuộc nhiều vào con người. Theo Madduri, các thử nghiệm trước đây đòi hỏi nhóm phải trực tiếp làm việc với từng nơi để dàn xếp quyền truy cập, tài nguyên và cách vận hành. Ông kỳ vọng American Science Cloud, một hạ tầng đang được xây dựng trong khuôn khổ Genesis Mission của Bộ Năng lượng Mỹ, sẽ tự động hóa phần lớn quy trình này thông qua API — giao diện lập trình ứng dụng cho phép các hệ thống phần mềm trao đổi với nhau mà không cần thao tác thủ công nhiều như hiện nay.

Câu chuyện tại Argonne cho thấy một xu hướng ngày càng rõ: HPC, tức high-performance computing hay tính toán hiệu năng cao, không còn chỉ phục vụ vật lý hay khí hậu, mà đang trở thành hạ tầng cốt lõi cho y sinh học. Madduri cho biết ông đặc biệt quan tâm đến các agentic approaches, tức cách tiếp cận dùng tác tử AI có khả năng tự động lên kế hoạch, phối hợp công cụ và xử lý nhiều bước công việc phức tạp. Nếu được kết hợp với dữ liệu gen quy mô lớn, các siêu máy tính thế hệ mới và hạ tầng học liên kết, những hệ thống này có thể giúp đẩy nhanh đáng kể quá trình tìm ra mục tiêu điều trị mới cho ung thư, bệnh tim, rối loạn lo âu hay PTSD — rối loạn stress sau sang chấn. Với giới nghiên cứu, thông điệp quan trọng nhất từ dự án này là rõ ràng: đôi khi, để khoa học đi nhanh hơn, không chỉ cần cỗ máy mạnh hơn, mà còn cần viết lại toàn bộ cách con người khai thác sức mạnh của chúng.