Trong ngành dược phẩm, các nhà khoa học đối mặt với một thách thức cơ bản: truy cập và kết nối lượng kiến thức khổng lồ nằm rải rác trên các hệ thống khác nhau. Từ tài liệu đã xuất bản, ghi chú nội bộ đến cơ sở dữ liệu gen, những hiểu biết quan trọng bị mắc kẹt trong các silo, làm chậm quá trình khám phá thuốc và có nguy cơ làm mất đi kiến thức quý giá của tổ chức.
Ngày 08/07/2026, AWS đã giới thiệu một giải pháp đột phá sử dụng công nghệ GraphRAG (Retrieval Augmented Generation trên cơ sở dữ liệu đồ thị) kết hợp với AI tạo sinh để giải quyết vấn đề này. Giải pháp này giúp các nhà nghiên cứu đặt câu hỏi phức tạp bằng ngôn ngữ tự nhiên và nhận được câu trả lời tức thì, có bằng chứng xác thực, rút ngắn chu kỳ nghiên cứu từ 6 tháng xuống chỉ còn 3 tuần.
Thách thức: Dữ liệu phân mảnh cản trở khám phá khoa học
Trong giai đoạn đầu của quá trình khám phá thuốc, các phương pháp truyền thống chỉ có tỷ lệ thành công 5% và mất hơn sáu tháng cho mỗi lần sàng lọc. Các nhà khoa học phải vật lộn để kết nối thông tin từ các hệ thống rời rạc như PubMed, ghi chú phòng thí nghiệm và cơ sở dữ liệu gen. Tình trạng này dẫn đến các thách thức lớn:
- Tỷ lệ thành công thấp và tốn thời gian: Chỉ 5% tỷ lệ thành công với hơn 6 tháng sàng lọc cho mỗi lần thử.
- Hệ thống kiến thức phân mảnh: Các insight quan trọng nằm rải rác, dẫn đến bỏ lỡ các kết nối quan trọng.
- Mất mát bộ nhớ của tổ chức: Kiến thức giá trị biến mất khi các nhà nghiên cứu rời đi, làm gián đoạn tính liên tục trong nghiên cứu.
Những thách thức này tạo ra một nút thắt cổ chai đáng kể, dẫn đến sự thiếu hiệu quả và trì hoãn việc phát triển các phương pháp điều trị cứu người. Giải pháp của AWS giải quyết các nút thắt này bằng cách vượt qua các phương pháp truyền thống, tạo ra một môi trường tri thức kết nối bằng AI dựa trên đồ thị.
Giải pháp từ AWS: GraphRAG, Neptune Analytics và Amazon Bedrock
Giải pháp của AWS kết hợp sức mạnh của cơ sở dữ liệu đồ thị hiệu năng cao Amazon Neptune Analytics và các mô hình ngôn ngữ lớn (LLM) trên Amazon Bedrock. Cách tiếp cận này cho phép các nhà nghiên cứu xây dựng hệ thống tinh vi, không chỉ hiểu các mối quan hệ khoa học phức tạp mà còn cung cấp giao diện ngôn ngữ tự nhiên trực quan.
Kiến trúc GraphRAG nâng cao chất lượng của các phản hồi do AI tạo ra bằng cách duyệt qua đồ thị tri thức một cách thông minh để xác định các đường dẫn thông tin liên quan. Điều này đảm bảo rằng các câu trả lời luôn được neo vào dữ liệu khoa học đã được xác minh. Điểm mạnh của giải pháp là khả năng hiểu và kết nối các mối quan hệ phức tạp giữa các thực thể, từ thực vật, hợp chất đến protein, gen và các tác động sức khỏe liên quan.
Kiến trúc giải pháp
Giải pháp này tái định hình quy trình nghiên cứu thông qua cách tiếp cận Bring Your Own Knowledge Graph (BYOKG – Mang theo đồ thị tri thức của riêng bạn), được tăng cường với khả năng GraphRAG. Một đồ thị tri thức sẽ tích hợp các thực thể khoa học đa dạng (thực vật, hợp chất, gen, protein, tác động sức khỏe) vào một mạng lưới tri thức thống nhất, kết nối dữ liệu từ các nguồn công khai như PubMed và Gene Ontology với các bộ dữ liệu độc quyền.
Sơ đồ sau minh họa luồng nạp dữ liệu vào Amazon Neptune Analytics, sử dụng các dịch vụ như Amazon Bedrock và Amazon Comprehend để trích xuất dữ liệu từ các tạp chí y khoa.
Đồ thị cuối cùng chứa các loại node sau:
- disease: Đại diện cho một bệnh trong Disease Ontology.
- author: Tác giả của một tạp chí cụ thể.
- journal: Một tạp chí khoa học.
- journalChunk: Một đoạn (chunk) của một tạp chí nhất định.
- icd10: Mã ICD-10, một phân loại tiêu chuẩn về các vấn đề y tế.
Vì sử dụng mô hình dữ liệu đồ thị riêng, giải pháp dùng bộ công cụ BYOKG-RAG để triển khai truy vấn ngôn ngữ tự nhiên trên đồ thị. Sơ đồ sau minh họa các thành phần của BYOKG.
Hướng dẫn triển khai và chi phí
Để bắt đầu, người dùng cần có các điều kiện tiên quyết như AWS CLI, quyền truy cập vào các dịch vụ AWS liên quan (Neptune Analytics, Bedrock, SageMaker, S3, Comprehend Medical) và môi trường Python/Jupyter Notebook.
Chi phí ước tính (mỗi giờ) để chạy bản demo này:
- Neptune Analytics: 0.48 USD/giờ cho đồ thị 16 mNCU.
- SageMaker Jupyter notebook: 0.05 USD/giờ cho máy tính và 0.70 USD/giờ cho lưu trữ.
- Lưu trữ S3: Khoảng 0.0037 USD mỗi tháng cho 161 MB.
- Amazon Bedrock: Chi phí phụ thuộc vào việc sử dụng mô hình và lượng token tiêu thụ.
Các bước thiết lập bao gồm tạo bucket S3, sao chép dataset, tạo đồ thị Neptune Analytics, và tải lên notebook mẫu vào môi trường Jupyter.
Lợi ích vượt trội và hiệu quả đã được kiểm chứng
Việc triển khai giải pháp GraphRAG này mang lại những giá trị có thể đo lường và lợi thế cạnh tranh cho các tổ chức nghiên cứu dược phẩm:
- Tăng tốc thời gian nghiên cứu: Giảm chu kỳ nghiên cứu từ 6 tháng xuống còn 3 tuần, tăng hiệu quả 87%.
- Tối ưu hóa tỷ lệ thành công: Các thuật toán đồ thị tiên tiến và phân tích chéo lĩnh vực giúp tăng tỷ lệ thành công lên 5 lần.
- Nâng cao hiệu suất công việc: Giảm 70% thời gian rà soát, truy cập dữ liệu nhanh hơn 85%, và tăng cường sử dụng kiến thức 90%.
- Xác thực dựa trên dữ liệu: Theo dõi và trực quan hóa nâng cao giúp minh bạch hóa toàn bộ quá trình nghiên cứu, tăng cường tuân thủ quy định.
- Tích hợp kiến thức thông minh: Hệ thống mở rộng và tích hợp các nguồn dữ liệu mới một cách hiệu quả, bảo tồn kiến thức quan trọng của tổ chức.
Dọn dẹp tài nguyên
Để tránh phát sinh thêm chi phí, người dùng cần dọn dẹp các tài nguyên đã tạo, bao gồm xóa đồ thị Neptune Analytics, notebook và bucket S3.
Kết luận
Sự tích hợp công nghệ GraphRAG với Amazon Neptune Analytics và Amazon Bedrock đại diện cho một bước tiến đáng kể trong phương pháp nghiên cứu khoa học. Các tổ chức áp dụng các giải pháp AI tạo sinh này không chỉ cải thiện quy trình nghiên cứu mà còn tự định vị mình ở vị trí hàng đầu trong đổi mới khoa học, sẵn sàng giải quyết những thách thức phức tạp nhất với tốc độ và độ chính xác cao hơn.
