https://arm.sputniknews.ru/20210803/haykakan-texnologian-karox-e-mi-qani-angam-aragacnel-ashxarhum-nor-dexeri-stextsumy-28522038.html
Հայկական տեխնոլոգիան կարող է մի քանի անգամ արագացնել աշխարհում նոր դեղերի ստեղծումը
Հայկական տեխնոլոգիան կարող է մի քանի անգամ արագացնել աշխարհում նոր դեղերի ստեղծումը
Sputnik Արմենիա
Նոր ծրագիրը թույլ է տալիս տասնյակ հազարավոր նյութերի փոխարեն փորձարկել միայն 200-300 դեղերի ամենահավանական թեկնածու մոլեկուլները: Այս տեխնոլոգիան անգամներով... 03.08.2021, Sputnik Արմենիա
2021-08-03T08:27+0400
2021-08-03T08:27+0400
2021-08-03T18:19+0400
հայաստան
ստարտափ
հայ
https://cdn.am.sputniknews.ru/img/07e4/0c/18/25880984_0:18:1600:922_1920x0_80_0_0_331aa81dc66d02e67e7b717174cee07e.jpg
Հայկական ստարտափի նոր տեխնոլոգիան կարող է մի քանի անգամ արագացնել դեղերի ստեղծումը ողջ աշխարհում։ «Denovo Sciences»–ը կլինի եթե ոչ առաջինը, ապա առաջիններից մեկը, որը դեղագործական նյութերի հայտնաբերման համար սկսում է ինքնաուսուցվող արհեստական բանականություն օգտագործել։Ընկերության հիմնադիրներից մեկը ՀՀ ԳԱԱ մոլեկուլային կենսաբանության ինստիտուտի գիտաշխատող, լաբորատորիայի վարիչ Հովակիմ Զաքարյանն է, մյուս երկուսը՝ Մհեր Մաթևոսյանն ու Վարդան Հարությունյանը, մաթեմատիկոսներ են:Դեղագործական ընկերություններն ու գիտական կենտրոնները ամեն մի նոր դեղի համար փորձարկում են մոտ 10 000 թեկնածու նյութեր, սակայն դրանցից կլինիկական փորձարկման փուլ են մտնում միջինում միայն հինգը: Մնացածը մաղվում են փորձարկումների տարբեր փուլերում. մեկի մոտ հայտնաբերվում է տոքսիկ ազդեցություն, մյուսի մոտ`ցածր ակտիվություն և այլն:Արդյոք հնարավո՞ր է այդ փորձերի սկզբնական մասը մոդելավորել վիրտուալ տիրույթում՝ խնայելով ժամանակն ու ռեսուրսները: Իհարկե, հնարավոր է. դեղագործական խոշոր ընկերությունները վաղուց ունեն կա՛մ սեփական քիմիո-ինֆորմատիկ բաժին, կա՛մ համագործակցում են մասնագիտացված ընկերությունների հետ (որոնց թիվն անընդհատ աճում է):Սակայն «Denovo Sciences»-ը nրոշել է մի քայլ առաջ գնալ:Նապաստակ–գայլԴեղագործական ալգորիթմերը պետք է ստեղծեն նոր դեղերի թեկնածուներ: Սակայն ինչպե՞ս են նրանք «հասկանում», թե որ մոլեկուլներն են պոտենցիալ դեղեր: Գործող ծրագրերը դա անում են հետևյալ կերպ. ալգորիթմին ցույց են տալիս գործող դեղի ակտիվ նյութի մոլեկուլներ: Իքս քանակի ցուցադրումներից հետո ծրագիրը ֆիքսում է, որ այս մոլեկուլը դեղ է, սկսում է ընդօրինակել այդ մոլեկուլը`փոքր փոփոխություններ անելով դրա մեջ: Այդ պրոցեսը կատարվում է տասնյակ հազարավոր գործող դեղերի մոլեկուլների վրա, որոնք ներբեռնված են ծրագրի բազայում:«Ասել կուզի՝ դուք ուզում եք, որ ձեր ծրագիրը նապաստակի նկար ճանաչի: Ծրագրին տալիս եք տասը հազար նապաստակի նկար, որոնցով ալգորիթմը սովորում է:Բայց նապաստակի վրա սովորած ալգորիթմը չի կարողանա գայլ կամ աղվես ճանաչել. նա կճանաչի միայն նապաստակին։ Իսկ մեր ծրագիրը սովորում է ոչ թե եղած տվյալների բազայի վրա, այլ անընդհատ ինքնուրույն գեներացնում է մոլեկուլների նոր տարբերակներ և սովորում վիրտուալ սիմուլյացիաների հիման վրա», - ասում է ստարտափի համահիմնադիր Հովակիմ Զաքարյանը:Իհարկե, այդ պրոցեսը քաոտիկ չէ. ծրագիրը սահմանում է չափանիշներ, որոնց պիտի բավարարի նոր մոլեկուլը: Այդ չափանիշները ծրագրի մեջ մուտքագրում է գիտնականը: Ենթադրենք` նրան անհրաժեշտ է, որ մոլեկուլը պարունակի որոշակի նյութեր, մոլեկուլները չլինեն որոշակի չափից մեծ, լինեն ջրում լուծելի: Կարելի է նաև բարդացնել խնդիրը և ծրագրի մեջ մուտքագրել այն բակտերիաների կամ վիրուսների սպիտակուցները, որոնց վրա տվյալ մոլեկուլը պիտի ազդի: Դրանից հետո պետք է ստուգել, թե տվյալ մոլեկուլը որքանով է սինթեզելի, որովհետև բազմաթիվ նոր նյութերի համար սինթեզի (առավել ևս՝ արդյունաբերական ծավալներով սինթեզի) ռեակցիաները կա՛մ շատ թանկ են, կա՛մ դեռ հայտնի էլ չեն:Նանոշապիկներ. ինչպես և ինչով կարող է Իրանը փոխարինել թուրքական հագուստն ու ներկը ՀՀ–ումԱշխատանքն առանց այդ էլ անծայրածիր է: Իզուր չէ, որ թեկնածու դեղերի ամբողջությունն անգլերեն անվանում են «drug-like space» (դեղանման նյութերի տիեզերք), որովհետև դրանց քանակը գնահատվում է 10-ի 60 աստիճան (տրիլիոնը հինգ անգամ բազմապատկած տրիլիոնի)։ Սա մի քանի անգամ ավել է, քան տիեզերքում հայտնի բոլոր աստղերը՝ միասին վերցրած։ԱրդյունքումԲնականաբար, ինչպես ասացինք, ոչ մի ծրագիր չի կարող 100%-ով մոդելավորել իրականությունը: Նախնական գնահատականներով` նոր մեթոդով ստացված նյութերից միայն 25%-ն են ցուցաբերում ցանկալի ակտիվություն: Բայց դա էլ երկուսուկես անգամ բարձր է, քան դասական մեթոդով ընտրված թեկնածու դեղերինը:Առաջատար գիտնականներն արդեն հետաքրքրվել են«Denovo»-ն արդեն համագործակցում է աշխարհի մի քանի առաջատար գիտական կենտրոնների հետ: Նրանցից մեկը ամերիկյան «Emory University»–ում լաբորատորիայի ղեկավար Ռայմոնդ Շինազին է (Raymond Schinazi),որը մեծ համբավ ունի գիտական աշխարհում. Տարիներ առաջ նա ստեղծել է հեպատիտ C-ի ու ՄԻԱՎ–ի դեմ մի քանի ակտիվ նյութ։ Նրա լաբորատորիայում աշխատում է 70 գիտնական. մեր չափանիշներով, սա մի առանձին գիտական կենտրոն է:«Հիմա մենք նրա հետ փորձում ենք ստեղծել ազդող մոլեկուլներ հեպատիտ B-ի վիրուսի դեմ։ Չնայած դրա դեմ կա պատվաստանյութ, սակայն հեպատիտ B-ով աշխարհում վարակված են 260 միլիոնից ավել մարդ։ Պատշաճ բուժման բացակայությունից տարեկան մահանում է մոտ 600 հազար մարդ՝ ավելին, քան հեպատիտ C-ից», - նշում է Հովակիմը:Հեռանկարային աշխատանք է կատարվում նաև Կալիֆոռնիայի համալսարանի (UCSD) պրոֆեսոր Թոմաս Հերմանի հետ (Thomas Hermann): Նրա լաբորատորիան հետազոտում է նյութեր, որոնք չեզոքացնում են ոչ թե վիրուսների կամ բակտերիաների կենսագործունեությունն ապահովող սպիտակուցները, այլ դրանք գեներացնող ՌՆԹ–ն։ Սա շատ ավելի բարդ է, որովհետև ՌՆԹ-ի կառուցվածքը շատ ճկուն է և կարող է արագ մուտացիայի ենթարկվել։ Այսինքն` պետք է բանալի գտնել մի կողպեքի համար, որի միջուկն անընդհատ փոխվում է:Համատեղ աշխատանքի համար Հովակիմը ցանկանում է հրավիրել նաև հայաստանյան գործընկերներին `ՀՀ ԳԱԱ Նուրբ օրգանական քիմիայի ինստիտուտին, որտեղ կան օրգանական սինթեզի մասնագետներ:Նոր որակի հակաբիոտիկներՍեփական ուժերով ընկերությունը պատվաստվում է հետազոտել նոր սերնդի հակաբիոտիկներ: Դասական հակաբիոտիկները չեզոքացնում են բակտերիայի մեկ թիրախ: Դա կարող է լինել կենսագործունեության որոշակի սպիտակուց կամ սպիտակուցը ձևավորող ռիբոսոմներ, կամ բակտերիայի արտաքին մեմբրանը, բայց ամեն դեպքում` թիրախը միայն մեկն է: Երբ բակտերիան փոխում է իր գենի կառուցվածքը, մի քիչ փոփոխվում են նաև նրա սպիտակուցները ։ Այսինքն`կողպեքը մի քիչ փոխվեց, և դեղի «բանալին» էլ ներս չի մտնում։Մեզ կօգնեն քայլել և ուրիշ կարագ ուտել. Բաշկիրիան առաջարկներ ունի Հայաստանին«Մենք սինթեզելու ենք նյութեր, որոնք միանգամից երկու սպիտակուցի են հարվածելու, ընդ որում՝ բակտերիայի կենսագործունեության տարբեր համակարգերի համար: Շատ ավելի քիչ է հավանականությունը, որ բակտերիան կադապտացվի միանգամից երկու հարվածներին», - նշում է Հովակիմը:Խմել, թե չխմելԱյդպիսի «բազմաթիրախ» դեղեր աշխարհում արդեն ստեղծվում են. դրա համար երկու տարբեր ազդող մոլեկուլներ միացվում են իրար: Սակայն այդպիսի մոլեկուլները ստացվում են շատ մեծ, դրանց սինթեզը ավելի թանկ է, իսկ ֆարմակոկինետիկ հատկությունները լավը չեն։ Եթե դեղի մոլեկուլային կշիռը ինչ-որ չափից բարձր է (սովորաբար` 500 մոլ/գրամ) դրանք չի կարելի ընդունել օրալ (կուլ տալով), այլ միայն ներարկելով։ Իսկ այլ հավասար պայմաններում, իհարկե, ցանկալի է, որ դեղը ընդունվի խմելով, առանց ներարկելու։«Մեր ալգորիթմը թույլ է տալիս հաշվի առնել նաև այս պահանջը` նոր միացությունների որոնման ժամանակ սահմանափակել դրանց մոլեկուլային կշիռը», - նշում է Հովակիմը:Փող կա, մասնագետ չկաԸնկերությունը ստեղծվել է 2020-ի դեկտեմբերին՝FAST հիմնադրամի ASCENT-ի ինկուբացիոն փուլն անցնելուց հետո:Հիմա հետազոտություններն ընդլայնելու համար ընկերությունը հայթայթում է 1,7 միլիոն դոլար: Մոտ կես միլիոն դոլարի նախնական պայմանավորվածությունն արդեն հաստատված է, մնացածը գտնելու համար ընկերությունը շարունակում է աշխատանքը վենչուրային ներդրողների հետ:«Այս գումարով մենք կկարողանանք ավելացնել մեր թիմը մինչև 20 հոգի՝ հրավիրելով մեքենայական ուսուցման և համակարգչային կենսաբանության մասնագետների, ինչպես նաև`սինթեզելով նոր մոլեկուլներ: Ըստ մեր նպատակի՝ 3-4 տարի հետո դրանք կմտնեն նախակլինիկական փորձարկումների փուլ։ Աշխարհի մի շարք այլ ընկերությունների՝ նման եղանակով սինթեզված մոլեկուլներն արդեն իսկ կլինիկական փորձարկման առաջին փուլ են մտնում», - նշում է Հովակիմը:Աշխարհում ֆարմացևտիկ ինֆորմատիկայի արդեն իսկ հայտնի ընկերությունները (InsilicoMedicine, BenevolentAI և ուրիշները) տարեկան ներգրավում են հարյուրավոր միլիոն դոլարներ: Սակայն նրանց տեխնոլոգիան հիմնված է դասական եղանակի վրա (երբ ալգորիթմը սովորում է եղած տվյալների բազայի վրա կամ այսպես ասած նապաստակների վրա):«Մենք փորձում ենք գնալ ավելի դժվար, բայց միգուցե ավելի հեռանկարային ճանապարհով», - ասում է Հովակիմը:Հնարավոր է՝ ինքնաուսուցվող ծրագրերն արդեն իսկ կիրառվում են, սակայն դեղագործական ընկերությունները դրանք դեռևս չեն բացահայտում: «Denovo Sciences»–ն ուզում է լինել առաջինների շարքում: Միջոցները դրա համար, ինչպես տեսնում ենք, անպակաս են, իսկ մասնագետները...Այդ բացը լրացնելու համար «Denovo Sciences»–ն առաջիկա 2 – 2,5 ամսում կանցկացնի դասընթացներ քիմիո-ինֆորմատիկայի համար. մի ուղղություն, որը Հայաստանում դեռ բացակայում է։«Կենսաինֆորմատիկան արդեն կա, այն հետազոտվում է մեր ինստիտուտում, ԵՊՀ-ում և Ռուս-Հայկական համալսարանում, իսկ ահա քիմիո-ինֆորմատիկան դեռ չկա: Կփորձենք ուսանողներին ու գիտնականներին ներկայացնել այս ուղղության հիմնական վերլուծական գործիքները», - ավելացնում է Հովակիմը:Դասընթացները կվարեն «Denovo Sciences»-ի մասնագետները և արտերկրի մի քանի համալսարանի մասնագետներ առցանց դասախոսություններով։
https://arm.sputniknews.ru/20210731/inch-karox-en-stanal-hh-n-u-serbyan-eatmic-28476362.html
https://arm.sputniknews.ru/20210727/COVID-erevani-hasarakakan-transport-sarq-28436528.html
https://arm.sputniknews.ru/20210724/mtqi-uj-ev-tiezerq-hayazgi-inejenery-nor-karavarman-sarqi-nsaxatip-e-patrastel-28383021.html
https://arm.sputniknews.ru/20210714/inchpes-kendanacnel-hayastani-marox-gitakan-dprocnery-petakan-nor-tsragrer-28271007.html
Sputnik Արմենիա
media@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
2021
Արամ Գարեգինյան
https://cdn.am.sputniknews.ru/img/1629/46/16294616_318:-1:1383:1065_100x100_80_0_0_cae4f7e4e625377d36ba17d54a97c61e.jpg
Արամ Գարեգինյան
https://cdn.am.sputniknews.ru/img/1629/46/16294616_318:-1:1383:1065_100x100_80_0_0_cae4f7e4e625377d36ba17d54a97c61e.jpg
Լուրեր
am_HY
Sputnik Արմենիա
media@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
Sputnik Արմենիա
media@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
Արամ Գարեգինյան
https://cdn.am.sputniknews.ru/img/1629/46/16294616_318:-1:1383:1065_100x100_80_0_0_cae4f7e4e625377d36ba17d54a97c61e.jpg
հայաստան, ստարտափ, հայ
Հայկական տեխնոլոգիան կարող է մի քանի անգամ արագացնել աշխարհում նոր դեղերի ստեղծումը
08:27 03.08.2021 (Թարմացված է: 18:19 03.08.2021) Նոր ծրագիրը թույլ է տալիս տասնյակ հազարավոր նյութերի փոխարեն փորձարկել միայն 200-300 դեղերի ամենահավանական թեկնածու մոլեկուլները: Այս տեխնոլոգիան անգամներով (եթե ոչ կարգերով) արագացնելու է նոր դեղերի ստեղծումը և արդեն պահանջված է ողջ աշխարհում:
Հայկական ստարտափի նոր տեխնոլոգիան կարող է մի քանի անգամ արագացնել դեղերի ստեղծումը ողջ աշխարհում։ «Denovo Sciences»–ը կլինի եթե ոչ առաջինը, ապա առաջիններից մեկը, որը դեղագործական նյութերի հայտնաբերման համար սկսում է ինքնաուսուցվող արհեստական բանականություն օգտագործել։
Ընկերության հիմնադիրներից մեկը ՀՀ ԳԱԱ մոլեկուլային կենսաբանության ինստիտուտի գիտաշխատող, լաբորատորիայի վարիչ Հովակիմ Զաքարյանն է, մյուս երկուսը՝ Մհեր Մաթևոսյանն ու Վարդան Հարությունյանը, մաթեմատիկոսներ են:
Դեղագործական ընկերություններն ու գիտական կենտրոնները ամեն մի նոր դեղի համար փորձարկում են մոտ 10 000 թեկնածու նյութեր, սակայն դրանցից կլինիկական փորձարկման փուլ են մտնում միջինում միայն հինգը: Մնացածը մաղվում են փորձարկումների տարբեր փուլերում. մեկի մոտ հայտնաբերվում է տոքսիկ ազդեցություն, մյուսի մոտ`ցածր ակտիվություն և այլն:
Արդյոք հնարավո՞ր է այդ փորձերի սկզբնական մասը մոդելավորել վիրտուալ տիրույթում՝ խնայելով ժամանակն ու ռեսուրսները: Իհարկե, հնարավոր է. դեղագործական խոշոր ընկերությունները վաղուց ունեն կա՛մ սեփական քիմիո-ինֆորմատիկ բաժին, կա՛մ համագործակցում են մասնագիտացված ընկերությունների հետ (որոնց թիվն անընդհատ աճում է):Սակայն «Denovo Sciences»-ը nրոշել է մի քայլ առաջ գնալ:
Դեղագործական ալգորիթմերը պետք է ստեղծեն նոր դեղերի թեկնածուներ: Սակայն ինչպե՞ս են նրանք «հասկանում», թե որ մոլեկուլներն են պոտենցիալ դեղեր: Գործող ծրագրերը դա անում են հետևյալ կերպ. ալգորիթմին ցույց են տալիս գործող դեղի ակտիվ նյութի մոլեկուլներ: Իքս քանակի ցուցադրումներից հետո ծրագիրը ֆիքսում է, որ այս մոլեկուլը դեղ է, սկսում է ընդօրինակել այդ մոլեկուլը`փոքր փոփոխություններ անելով դրա մեջ: Այդ պրոցեսը կատարվում է տասնյակ հազարավոր գործող դեղերի մոլեկուլների վրա, որոնք ներբեռնված են ծրագրի բազայում:
«Ասել կուզի՝ դուք ուզում եք, որ ձեր ծրագիրը նապաստակի նկար ճանաչի: Ծրագրին տալիս եք տասը հազար նապաստակի նկար, որոնցով ալգորիթմը սովորում է:Բայց նապաստակի վրա սովորած ալգորիթմը չի կարողանա գայլ կամ աղվես ճանաչել. նա կճանաչի միայն նապաստակին։ Իսկ մեր ծրագիրը սովորում է ոչ թե եղած տվյալների բազայի վրա, այլ անընդհատ ինքնուրույն գեներացնում է մոլեկուլների նոր տարբերակներ և սովորում վիրտուալ սիմուլյացիաների հիման վրա», - ասում է ստարտափի համահիմնադիր Հովակիմ Զաքարյանը:
Իհարկե, այդ պրոցեսը քաոտիկ չէ. ծրագիրը սահմանում է չափանիշներ, որոնց պիտի բավարարի նոր մոլեկուլը: Այդ չափանիշները ծրագրի մեջ մուտքագրում է գիտնականը: Ենթադրենք` նրան անհրաժեշտ է, որ մոլեկուլը պարունակի որոշակի նյութեր, մոլեկուլները չլինեն որոշակի չափից մեծ, լինեն ջրում լուծելի: Կարելի է նաև բարդացնել խնդիրը և ծրագրի մեջ մուտքագրել այն բակտերիաների կամ վիրուսների սպիտակուցները, որոնց վրա տվյալ մոլեկուլը պիտի ազդի: Դրանից հետո պետք է ստուգել, թե տվյալ մոլեկուլը որքանով է սինթեզելի, որովհետև բազմաթիվ նոր նյութերի համար սինթեզի (առավել ևս՝ արդյունաբերական ծավալներով սինթեզի) ռեակցիաները կա՛մ շատ թանկ են, կա՛մ դեռ հայտնի էլ չեն:
«Իհարկե, ոչ մի ծրագիր չի կարող 100%-ով մոդելավորել բնական պրոցեսները: Սակայն ծրագիրը կարող է մեծապես հեշտացնել գիտնականի աշխատանքը՝ 10 000 նյութից նրա համար ընտրելով 200-300: Այդ ընտրությունը, որը պահանջում է ամիսների, եթե ոչ տարիների աշխատանք, ծրագիրը կատարում է մի քանի օրում: Սա ազատում է գիտնականին ավելորդ փորձերից ու թույլ է տալիս կենտրոնանալ արդյունավետ աշխատանքի վրա», - ընդգծում է Հովակիմը:
Աշխատանքն առանց այդ էլ անծայրածիր է: Իզուր չէ, որ թեկնածու դեղերի ամբողջությունն անգլերեն անվանում են «drug-like space» (դեղանման նյութերի տիեզերք), որովհետև դրանց քանակը գնահատվում է 10-ի 60 աստիճան (տրիլիոնը հինգ անգամ բազմապատկած տրիլիոնի)։ Սա մի քանի անգամ ավել է, քան տիեզերքում հայտնի բոլոր աստղերը՝ միասին վերցրած։
Բնականաբար, ինչպես ասացինք, ոչ մի ծրագիր չի կարող 100%-ով մոդելավորել իրականությունը: Նախնական գնահատականներով` նոր մեթոդով ստացված նյութերից միայն 25%-ն են ցուցաբերում ցանկալի ակտիվություն: Բայց դա էլ երկուսուկես անգամ բարձր է, քան դասական մեթոդով ընտրված թեկնածու դեղերինը:
Առաջատար գիտնականներն արդեն հետաքրքրվել են
«Denovo»-ն արդեն համագործակցում է աշխարհի մի քանի առաջատար գիտական կենտրոնների հետ: Նրանցից մեկը ամերիկյան «Emory University»–ում լաբորատորիայի ղեկավար Ռայմոնդ Շինազին է (Raymond Schinazi),որը մեծ համբավ ունի գիտական աշխարհում. Տարիներ առաջ նա ստեղծել է հեպատիտ C-ի ու ՄԻԱՎ–ի դեմ մի քանի ակտիվ նյութ։ Նրա լաբորատորիայում աշխատում է 70 գիտնական. մեր չափանիշներով, սա մի առանձին գիտական կենտրոն է:
«Հիմա մենք նրա հետ փորձում ենք ստեղծել ազդող մոլեկուլներ հեպատիտ B-ի վիրուսի դեմ։ Չնայած դրա դեմ կա պատվաստանյութ, սակայն հեպատիտ B-ով աշխարհում վարակված են 260 միլիոնից ավել մարդ։ Պատշաճ բուժման բացակայությունից տարեկան մահանում է մոտ 600 հազար մարդ՝ ավելին, քան հեպատիտ C-ից», - նշում է Հովակիմը:
Հեռանկարային աշխատանք է կատարվում նաև Կալիֆոռնիայի համալսարանի (UCSD) պրոֆեսոր Թոմաս Հերմանի հետ (Thomas Hermann): Նրա լաբորատորիան հետազոտում է նյութեր, որոնք չեզոքացնում են ոչ թե վիրուսների կամ բակտերիաների կենսագործունեությունն ապահովող սպիտակուցները, այլ դրանք գեներացնող ՌՆԹ–ն։ Սա շատ ավելի բարդ է, որովհետև ՌՆԹ-ի կառուցվածքը շատ ճկուն է և կարող է արագ մուտացիայի ենթարկվել։ Այսինքն` պետք է բանալի գտնել մի կողպեքի համար, որի միջուկն անընդհատ փոխվում է:
«Բայցևայնպես ՌՆԹ–վիրուսներում (օրինակ`հեպատիտ C-ի վիրուսում) կան համեմատաբար ստաբիլ հատվածներ, որոնք ավելի հեշտ է թիրախավորել: Դրա համար մենք կփորձենք սինթեզել մոլեկուլների մի խումբ, որպեսզի UCSD-ի մեր գործընկերները փորձարկեն դրանք։ Հուսով եմ` առաջիկա մեկ տարվա մեջ կունենանք այդպիսի մոլեկուլներ», -ասում է Հովակիմը:
Համատեղ աշխատանքի համար Հովակիմը ցանկանում է հրավիրել նաև հայաստանյան գործընկերներին `ՀՀ ԳԱԱ Նուրբ օրգանական քիմիայի ինստիտուտին, որտեղ կան օրգանական սինթեզի մասնագետներ:
Սեփական ուժերով ընկերությունը պատվաստվում է հետազոտել նոր սերնդի հակաբիոտիկներ: Դասական հակաբիոտիկները չեզոքացնում են բակտերիայի մեկ թիրախ: Դա կարող է լինել կենսագործունեության որոշակի սպիտակուց կամ սպիտակուցը ձևավորող ռիբոսոմներ, կամ բակտերիայի արտաքին մեմբրանը, բայց ամեն դեպքում` թիրախը միայն մեկն է: Երբ բակտերիան փոխում է իր գենի կառուցվածքը, մի քիչ փոփոխվում են նաև նրա սպիտակուցները ։ Այսինքն`կողպեքը մի քիչ փոխվեց, և դեղի «բանալին» էլ ներս չի մտնում։
«Մենք սինթեզելու ենք նյութեր, որոնք միանգամից երկու սպիտակուցի են հարվածելու, ընդ որում՝ բակտերիայի կենսագործունեության տարբեր համակարգերի համար: Շատ ավելի քիչ է հավանականությունը, որ բակտերիան կադապտացվի միանգամից երկու հարվածներին», - նշում է Հովակիմը:
Այդպիսի «բազմաթիրախ» դեղեր աշխարհում արդեն ստեղծվում են. դրա համար երկու տարբեր ազդող մոլեկուլներ միացվում են իրար: Սակայն այդպիսի մոլեկուլները ստացվում են շատ մեծ, դրանց սինթեզը ավելի թանկ է, իսկ ֆարմակոկինետիկ հատկությունները լավը չեն։ Եթե դեղի մոլեկուլային կշիռը ինչ-որ չափից բարձր է (սովորաբար` 500 մոլ/գրամ) դրանք չի կարելի ընդունել օրալ (կուլ տալով), այլ միայն ներարկելով։ Իսկ այլ հավասար պայմաններում, իհարկե, ցանկալի է, որ դեղը ընդունվի խմելով, առանց ներարկելու։
«Մեր ալգորիթմը թույլ է տալիս հաշվի առնել նաև այս պահանջը` նոր միացությունների որոնման ժամանակ սահմանափակել դրանց մոլեկուլային կշիռը», - նշում է Հովակիմը:
Ընկերությունը ստեղծվել է 2020-ի դեկտեմբերին՝FAST հիմնադրամի ASCENT-ի ինկուբացիոն փուլն անցնելուց հետո:
Հիմա հետազոտություններն ընդլայնելու համար ընկերությունը հայթայթում է 1,7 միլիոն դոլար: Մոտ կես միլիոն դոլարի նախնական պայմանավորվածությունն արդեն հաստատված է, մնացածը գտնելու համար ընկերությունը շարունակում է աշխատանքը վենչուրային ներդրողների հետ:
«Այս գումարով մենք կկարողանանք ավելացնել մեր թիմը մինչև 20 հոգի՝ հրավիրելով մեքենայական ուսուցման և համակարգչային կենսաբանության մասնագետների, ինչպես նաև`սինթեզելով նոր մոլեկուլներ: Ըստ մեր նպատակի՝ 3-4 տարի հետո դրանք կմտնեն նախակլինիկական փորձարկումների փուլ։ Աշխարհի մի շարք այլ ընկերությունների՝ նման եղանակով սինթեզված մոլեկուլներն արդեն իսկ կլինիկական փորձարկման առաջին փուլ են մտնում», - նշում է Հովակիմը:
Աշխարհում ֆարմացևտիկ ինֆորմատիկայի արդեն իսկ հայտնի ընկերությունները (InsilicoMedicine, BenevolentAI և ուրիշները) տարեկան ներգրավում են հարյուրավոր միլիոն դոլարներ: Սակայն նրանց տեխնոլոգիան հիմնված է դասական եղանակի վրա (երբ ալգորիթմը սովորում է եղած տվյալների բազայի վրա կամ այսպես ասած նապաստակների վրա):
«Մենք փորձում ենք գնալ ավելի դժվար, բայց միգուցե ավելի հեռանկարային ճանապարհով», - ասում է Հովակիմը:
Հնարավոր է՝ ինքնաուսուցվող ծրագրերն արդեն իսկ կիրառվում են, սակայն դեղագործական ընկերությունները դրանք դեռևս չեն բացահայտում: «Denovo Sciences»–ն ուզում է լինել առաջինների շարքում: Միջոցները դրա համար, ինչպես տեսնում ենք, անպակաս են, իսկ մասնագետները...
«Եթե մենք ստեղծեինք մեր ընկերությունը, օրինակ, Բոստոնում, մենք մասնագետների պակաս չէինք ունենա, և արդեն գումար հավաքած կլինեինք: Հայաստանում մասնագետ գտնելը շատ ավելի բարդ է», - նշում է Հովակիմը:
Այդ բացը լրացնելու համար «Denovo Sciences»–ն առաջիկա 2 – 2,5 ամսում կանցկացնի դասընթացներ քիմիո-ինֆորմատիկայի համար. մի ուղղություն, որը
Հայաստանում դեռ բացակայում է։
«Կենսաինֆորմատիկան արդեն կա, այն հետազոտվում է մեր ինստիտուտում, ԵՊՀ-ում և Ռուս-Հայկական համալսարանում, իսկ ահա քիմիո-ինֆորմատիկան դեռ չկա: Կփորձենք ուսանողներին ու գիտնականներին ներկայացնել այս ուղղության հիմնական վերլուծական գործիքները», - ավելացնում է Հովակիմը:
Դասընթացները կվարեն «Denovo Sciences»-ի մասնագետները և արտերկրի մի քանի համալսարանի մասնագետներ առցանց դասախոսություններով։
