Արհեստական բանականությունը (ԱԲ) սրընթաց փոխում է ժամանակակից ոլորտների դիմագիծը՝ դուրս գալով կիրառության ավանդական սահմաններից։ Այսօր այն ավելի ակտիվորեն է ներթափանցում բարձրտեխնոլոգիական ուղղություններ, այդ թվում՝ դեղագործություն, որտեղ ընդունակ է արագացնել դեղամիջոցների մշակումը, բարձրացնել հետազոտությունների ճշգրտությունն ու նվազեցնել ծախսերը։ Ինչպե՞ս են հենց այս տեխնոլոգիաները տրանսֆորմացնում ոլորտը և ի՞նչ հնարավորություններ են բացում գիտության ու բիզնեսի համար։ Այս մասին «Economix» հաղորդման եթերում պատմել է Denovo Sciences ընկերության համահիմնադիր Հովակիմ Զաքարյանը։

Գաղափարից մինչև միջազգային ստարտափ

Նրա խոսքով՝ ի սկզբանե Denovo Sciences-ի թիմը կենտրոնացել էր այն հարցի պատասխանի վրա, թե ինչպես կարելի է օգտագործել մեքենայական ուսուցումը նոր դեղամիջոցների մշակման և հայտնաբերման համար։

Աստիճանաբար, առաջին արդյունքների հայտնվելուն պես, թիմը համոզվեց դրված խնդիրների իրագործելիության մեջ և անցավ հաջորդ փուլին՝ ընկերության ձևավորմանը և թիմի ընդլայնմանը։

Ի սկզբանե Denovo Sciences-ը գրանցվել էր ԱՄՆ-ում՝ Դելավեր նահանգում, ինչը, ինչպես նշեց Զաքարյանը, կապված է ներդրումների ներգրավման հարմարավետության հետ և հանդիսանում է տարածված համաշխարհային պրակտիկա։ Միևնույն ժամանակ, քանի որ հիմնական հետազոտական միջուկը ձևավորվում էր Հայաստանում, ստեղծվեց նաև տեղական ընկերություն՝ կապված ամերիկյան կառույցի հետ։

Հետագայում նախագծի աշխարհագրությունն ընդլայնվեց։ Ըստ Զաքարյանի՝ անցյալ տարի ընկերությունը դուստր ձեռնարկություն բացեց Կատարում՝ Դոհայում, տարածաշրջանի հետ կապված ներդրողներից զգալի ներդրումներ ներգրավելուց հետո։ Սա իր հերթին ուժեղացրեց թիմի ուշադրությունը մերձավորարևելյան շուկայի նկատմամբ և զարգացման նոր հնարավորություններ բացեց։ «Մենք տեսանք, որ այնտեղ կան շատ լավ հնարավորություններ, և հիմա աշխատում ենք բավականին արագ իրացնել դրանք»,- ընդգծել է նա։

Խոսելով ընկերության փիլիսոփայության մասին՝ Զաքարյանը նշեց, որ առանցքային խնդիրն այն գործընթացների արագացումն է, որոնք դեղագործական ինդուստրիայում ավանդաբար համարվում են ամենադանդաղներից մեկը։ Խոսքը գործիքների ստեղծման մասին է, որոնք թույլ են տալիս արագացնել դեղերի մշակումը՝ առանց դրանց արդյունավետության կորստի։

Սինթետիկ տվյալները՝ որպես նոր դեղագործական իրականության բանալի

Զաքարյանն ընդգծեց, որ դեղագործության մեջ մեքենայական ուսուցման կիրառման հիմնական խնդիրը կապված է ոչ թե ալգորիթմների, այլ այն տվյալների հետ, որոնց վրա այդ ալգորիթմները մարզվում են։ Նրա խոսքով՝ մոդելների արդյունավետ աշխատանքի համար անհրաժեշտ են որակյալ տվյալների մեծ բազաներ, սակայն հենց այստեղ էլ դեղագործական ոլորտում առաջանում են լուրջ սահմանափակումներ։

Նա պարզաբանեց, որ նույնիսկ հաշվի առնելով ավելի քան հարյուր տարվա հետազոտությունների ընթացքում կուտակված տեղեկատվությունը, հասանելի տվյալների ծավալը մնում է անբավարար, իսկ դրանց որակը՝ անհամասեռ։ Սա հանգեցնում է նրան, որ այս ոլորտում գոյություն ունեցող լուծումների մեծ մասը մնում են սահմանափակ իրենց արդյունավետությամբ և կիրառելիությամբ։

Հենց այդ պատճառով Denovo Sciences-ի թիմն ի սկզբանե ընտրել է այլ մոտեցում՝ սինթետիկ տվյալների օգտագործումը մոդելների մարզման համար։ Խոսքը տվյալների մասին է, որոնք գեներացվում են ոչ թե իրական փորձերից, այլ ստեղծվում են վիրտուալ միջավայրում՝ մաթեմատիկական և ֆիզիկաքիմիական սիմուլյացիաների հիման վրա։ «Մենք որոշեցինք օգտագործել մեքենայական ուսուցման մոդելներ, որոնք կարելի է մարզել սինթետիկ տվյալների վրա։ Սինթետիկ տվյալները տարբերվում են նրանով, որ դրանք գեներացվում են վիրտուալ միջավայրում, այլ ոչ թե ստացվում իրական փորձերից»,- պարզաբանեց նա։

Զաքարյանը հավելեց, որ այսօր գոյություն ունեն բավականին առաջադեմ ֆիզիկաքիմիական սիմուլյացիաներ, որոնք թույլ են տալիս մոդելավորել, օրինակ, պոտենցիալ քիմիական միացության փոխազդեցությունը կենսաբանական թիրախի հետ։ Թեև նման մոդելները կատարյալ չեն, դրանց ճշգրտությունը բավարար է ստացված արդյունքներն ալգորիթմների ուսուցման համար օգտագործելու համար։ Նրա խոսքով՝ այդ որոշման պահին աշխարհում ընդամենը մեկ-երկու ընկերություն էր աշխատում նմանատիպ ուղղությամբ։ Նույնիսկ այսօր նման խաղացողների թիվը խիստ սահմանափակ է. գնահատականների համաձայն՝ հինգ-վեց ընկերությունից ոչ ավելին է օգտագործում նման մոտեցում, քանի որ այն պահանջում է զգալիորեն ավելի բարդ հաշվարկներ և խորը մաթեմատիկական բազա՝ համեմատած մեքենայական ուսուցման դասական մեթոդների հետ։

«Սա շատ ավելի բարդ գործընթաց է հաշվարկների և մաթեմատիկայի տեսանկյունից, բայց ես վստահ եմ, որ առաջիկա երեքից հինգ տարիների ընթացքում այս ուղղությամբ աշխատող ընկերությունների թիվը կտրուկ կաճի»,- ընդգծել է նա։ Զաքարյանը նշեց, որ այս ուղղությամբ վաղ մեկնարկը ընկերությանը տալիս է շոշափելի մրցակցային առավելություն։ Կուտակված փորձի շնորհիվ Denovo Sciences-ն արդեն այսօր կարող է աշխատել այնպիսի խնդիրների հետ, որտեղ բացակայում են իրական տվյալները, օրինակ՝ պոտենցիալ դեղամիջոցների մոլեկուլների նախագծումը միանգամայն նոր ոլորտներում։ Մասնավորապես, ուղղություններից մեկը, որով այժմ զբաղվում է Denovo-ն, հոմոցիստինուրիայի (հազվադեպ հիվանդություն, որը սակայն Կատարում բավականին հաճախ է հանդիպում) դեմ դեղամիջոցների որոնումն է։

Նրա խոսքով՝ սինթետիկ տվյալների օգտագործումը ոչ միայն սկզբունքորեն տարբերում է ընկերության տեխնոլոգիան ավանդական լուծումներից, այլև հասանելիություն է բացում դեպի այնպիսի ուղղություններ, որոնք նախկինում գործնականում անհասանելի էին դեղագործության մեջ մեքենայական ուսուցման ինդուստրիայի համար։