Vén màn hóa chất ẩn: Trí tuệ nhân tạo đang thay đổi cách chúng ta phát hiện chất ô nhiễm môi trường

Chìa Vôi

30-03-2025

“Strange, though, why is it taking Guru Bird so long to surface?”

Trích “Guru Bird”; Wild Wise Weird [1]

Từ thuốc điều trị, thuốc trừ sâu cho đến các sản phẩm phụ từ công nghiệp, những chất ô nhiễm môi trường mới nổi (Emerging Environmental Contaminants – EECs) ngày càng hiện diện trong không khí chúng ta hít thở, nguồn nước chúng ta sử dụng và cả đất đai nuôi sống hệ sinh thái. Tuy nhiên, phần lớn các hóa chất này vẫn chưa được phát hiện – nguyên nhân chính là do hạn chế của các phương pháp phân tích truyền thống, vốn chỉ nhắm đến một số hợp chất quen thuộc và yêu cầu mẫu chuẩn sẵn có. Trong khi đó, thế giới đã ghi nhận hơn một triệu hóa chất có thể gây hại, rất nhiều trong số đó vẫn lọt qua hệ thống giám sát thường xuyên [2].

Để khắc phục lỗ hổng này, các nhà khoa học đang phát triển một phương pháp tiên tiến mang tên Phân tích Không Đích (Non-Target Analysis – NTA). Khác với cách tiếp cận truyền thống, NTA không cần biết trước hóa chất có trong mẫu. Dựa vào công nghệ khối phổ phân giải cao (High-Resolution Mass Spectrometry – HRMS), NTA có thể “giải mã” thành phần hóa học phức tạp của các mẫu môi trường và tạo ra các bộ dữ liệu khổng lồ, mở ra những hiểu biết hoàn toàn mới [3].

Tuy nhiên, vấn đề nằm ở chính dữ liệu: càng nhiều thông tin, việc xử lý và giải nghĩa lại càng tốn thời gian và dễ sai sót. Đây chính là lúc trí tuệ nhân tạo (AI) và học máy (Machine Learning – ML) bước vào cuộc chơi.

Những tiến bộ gần đây trong ML đang tự động hóa và nâng cao hiệu quả của toàn bộ quy trình NTA. Từ việc loại bỏ nhiễu tín hiệu, phát hiện các mô hình ẩn, đến dự đoán cấu trúc phân tử và độc tính, ML đang thay đổi cục diện. Các thuật toán như mạng nơ-ron nhân tạo (neural networks) hay rừng ngẫu nhiên (random forests) có khả năng nhận diện những dấu hiệu mà mắt người không thể thấy, giúp việc phát hiện chất ô nhiễm trở nên nhanh hơn, chính xác hơn. Điều đặc biệt ấn tượng là ML thậm chí có thể dự đoán độc tính của các chất chưa được nhận diện hoàn toàn, chỉ bằng cách phân tích các mẫu phân mảnh – một bước tiến vượt bậc trong lĩnh vực độc học môi trường [4].

Dù đầy hứa hẹn, việc ứng dụng ML trong NTA không phải là không có trở ngại. Nhiều thuật toán hiện tại vốn được phát triển cho lĩnh vực y sinh nên khó thích nghi với các mẫu môi trường, nơi nồng độ hóa chất thấp và thành phần cực kỳ đa dạng [5]. Bên cạnh đó, việc thiếu tiêu chuẩn quy trình và ít có kiểm chứng giữa các phòng thí nghiệm khiến kết quả chưa thật sự đồng nhất và đáng tin cậy [4]. Giải quyết những rào cản này là điều kiện tiên quyết để ML trở thành công cụ chuẩn trong việc phát hiện và đánh giá rủi ro của các hóa chất ẩn.

Dù còn nhiều việc phải làm, xu hướng kết hợp giữa trí tuệ nhân tạo và khoa học môi trường đang mở ra hướng đi mới trong việc giám sát và giảm thiểu ô nhiễm. Các công cụ thông minh này không chỉ giúp phát hiện và đánh giá rủi ro mà còn góp phần bảo vệ hệ sinh thái và sức khỏe con người trong một thế giới ngày càng chịu tác động của các hoạt động nhân sinh [6].

Việc tìm ra những “kẻ vô hình” trong môi trường là bước đầu tiên để đưa ra hành động đúng đắn – và giờ đây, công nghệ đang giúp chúng ta nhìn thấy điều trước kia là không thể.

Tài liệu tham khảo

[1] Vuong QH. (2024). Wild Wise Weird. https://www.amazon.com/dp/B0BG2NNHY6/ 

[2] Nuñez JR, et al. (2019). Evaluation of In Silico multifeature libraries for providing evidence for the presence of small molecules in synthetic blinded samples. Journal of Chemical Information and Modeling, 59(9), 4052-4060. https://doi.org/10.1021/acs.jcim.9b00444 

[3] Hollender J, et al. (2019). High resolution mass spectrometry-based non-target screening can support regulatory environmental monitoring and chemicals management. Environmental Sciences Europe, 31, 42. https://doi.org/10.1186/s12302-019-0225-x 

[4] Canchola A, et al. (2025). Advancing non-target analysis of emerging environmental contaminants with machine learning: Current status and future implications. Environment International, 198, 109404. https://doi.org/10.1016/j.envint.2025.109404 

[5] Hohrenk LL, et al. (2019). Comparison of software tools for liquid chromatography–High-resolution mass spectrometry data processing in nontarget screening of environmental samples. Analytical Chemistry, 92(2), 1898-1907. https://doi.org/10.1021/acs.analchem.9b04095 

[6] Nguyen MH. (2024). How can satirical fables offer us a vision for sustainability? Visions for Sustainability. https://ojs.unito.it/index.php/visions/article/view/11267