Մեքենայական ուսուցումը կարող է մեծ դեր խաղալ նոր դեղամիջոցների ստեղծման գործում

18:46    7 հոկտեմբերի, 2022

Մեքենայական ուսուցման կիրառմամբ ոչ միայն կարելի է երկու-երեք անգամ կրճատել նոր դեղամիջոցների լաբորատոր փորձարկումների շրջանը, այլև ստեղծել նոր քիմիական միացություններ։ Այս մասին Գլոբալ ինովացիոն ֆորում 2022-ի (GIF22) շրջանակում NEWS.am Tech-ի հետ զրույցում ասաց Denovo Sciences ընկերության համահիմնադիր Հովակիմ Զաքարյանը։

Մեքենայական ուսուցումը եւ դեղամիջոցների ստեղծումը

Մեքենայական ուսուցման ալգորիթմները «ինքնաուսուցման» արդյունքում ստեղծում են նոր քիմիական միացություններ, որոնք, բնականաբար, ոչ միշտ են ճշգրիտ:

«Դեղեր ստեղծելու պրոցեսը շատ երկարատև է և նաև շատ ծախսատար: Մոտ տասը տարի է տևում, մինչ կարողանում ես որևէ թեկնածու դեղամիջոց հասցնել շուկա։ Եվ այդ պրոցեսում լավագույն դեպքում թեկնածուների 10%-ն է դեղատանը հայտնվում։ Այդ տասնամյա ճանապարհի մեջ կան փուլեր, որոնք հնարավոր է մեքենայական ուսուցման կիրառությամբ արագացնել։

Մասնավորապես, սկզբնական փուլում, երբ առկա է հիվանդության թիրախը, և ցանկանում եք գտնել այնպիսի քիմիական միացություններ, որոնք այդ թիրախի հետ կարողանան փոխազդել և ունենալ որոշակի թերապևտիկ էֆեկտ, նման նոր միացությունները հնարավոր է հայտնաբերել կամ զրոյից նախագծել՝ օգտագործելով մեքենայական ուսուցման ընձեռած հնարավորությունները»։

Մասնագետի խոսքով՝ մեքենայական ուսուցումը հիմնված է հենց «ուսուցում» բառի վրա, այսինքն՝ ալգորիթմը սովորում է որոշակի գործողություն անել, որից հետո որոշակի հաջողությամբ այն անում է։ Տվյալ դեպքում ալգորիթմները սովորում են նոր քիմիական միացություններ նախագծել եղած միացությունների բազաների հիման վրա։ Սրանով այս տեխնոլոգիայի հնարավորությունները սահմանափակվում են, քանի որ եղած բազաները բավականին փոքր են և շատ դեպքերում այնքան էլ ճշգրիտ չեն։ Եվ դա է պատճառը, որ շատ հաճախ ալգորիթմի «սովորածը» սխալ է լինում։

«Մենք մեր գործունեության մեջ փորձում ենք օգտագործել մեքենայական ուսուցման մի նոր տեսակ՝ ամրապնդմամբ ուսուցում (reinforcement learning), որը սովորում է որոշակի գործողություններ անել ոչ թե տվյալների բազաների, այլ սիմուլյացիաների վրա», - պատմեց Հովակիմ Զաքարյանը։

Մեքենայական ուսուցման ալգորիթմների հիմնական դերը քիմիական միացությունների սահմանների ընդլայնումն է:

Մեքենայական ուսուցումը թույլ կտա գտնել նոր դեղամիջոցների համար անհրաժեշտ քիմիական միացություններ՝ արագացնելով պրոցեսը և բարձրացնելով արդյունավետությունը։ Դժվար է ասել, թե մեքենայական ուսուցման հետևանքով որքանով կկրճատվի հետազոտության ժամանակը, քանի որ այն տարբերվում է նախագծից նախագիծ։ Սովորաբար նոր թեկնածու դեղամիջոցներ գտնելու պրոցեսը կարող է առնվազն երկու-երեք տարի տևել, դա լաբորատոր փորձարկումների ժամանակաշրջանն է, որտեղ ահռելի մեծ ռեսուրսներ են գնում։ Մեքենայական ուսուցմամբ կարելի է առնվազն երկու անգամ արագացնել այդ պրոցեսը։

Բայց, մասնագետի կարծիքով, մեքենայական ուսուցման դերն ավելի կարևոր է քիմիական միացությունների սահմաններն ընդլայնելու առումով։ Նման ալգորիթմ այժմ կիրառում են երկու-երեք ընկերություններ, որոնց մեջ են նաև իրենք։ Այն ավելի դժվար կիրառելի ալգորիթմ է, դրա համար հիմնականում կիրառվում են մեքենայական ուսուցման դասական մեթոդներ։

Denovo Sciences-ի նախագծերի մասին

Հովակիմ Զաքարյանի խոսքով, ընկերությունը հիմա մի քանի նախագիծ ունի, եւ բոլորը այս կամ այն կերպ կապված են նոր հակավիրուսային դեղամիջոցների ստեղծման հետ, օրինակ՝ դեղամիջոց Հեպատիտ Բ վիրուսի, կորոնավիրուսի և դրա առաջացրած բորբոքային պրոցեսների դեմ։

«Մեր հիմնական հաջողությունն այն է, որ իրական կյանքում ցույց ենք տվել, որ մեր կողմից նախագծված քիմիական միացություններն ունեն այն ակտիվությունը, որի համար նախագծվել են: Հուսով եմ, որ մեկ տարի անց կունենանք շոշափելի արդյունքներ։ Մեր նպատակն է ստեղծել դեղամիջոցների այնպիսի թեկնածուներ, որ խոշոր դեղագործական ընկերությունները ցանկանան շարունակել դրանք ուսումնասիրել և փորձարկել, քանի որ մենք խոշոր ընկերություն չենք և չենք կարող ամբողջ շղթան ինքներս անել։ Մենք հիմա համագործակցում ենք ԱՄՆ-ի և Ֆրանսիայի մի քանի խոշոր համալսարանների հետ, փորձում ենք նաև համագործակցել արդյունագործական ընկերությունների ներկայացուցիչների հետ»։

Մանրամասները՝ տեսանյութում:



© NEWS.am Medicine