YerevaNN մեքենայական ուսուցման լաբորատորիայի արհեստական բանականության մասնագետները դեղորայքային մոլեկուլների որոնման նոր մոդել են ստեղծում։ Լաբորատորիայի ղեկավար, Երևանի պետական համալսարանի աշխատակից Հրանտ Խաչատրյանը Sputnik Արմենիայի հետ զրույցում նշեց, որ նոր մոդելից դեռ շատ բան պետք չէ սպասել, քանի որ Հայաստանում հզոր AI-հարթակների (օրինակ՝ ChatGPT-ի վերջին տարբերակների) համար հաշվողական հզորություններ դեռևս չկան։
Կառավարությունն արդեն հաստատել է Հայաստանի համար մեծ հզորությամբ հետազոտական համակարգիչ գնելու ֆինանսավորումը, սակայն դրա առաքումն ու տեղադրումը ժամանակ կպահանջեն։ Իհարկե, կարելի է հեռակա, ինտերնետի միջոցով («ամպային» տեխնոլոգիաներով) օգտվել արտասահմանյան գերհամակարգիչների հզորություններից, բայց դա էժան չէ (հատկապես հայկական գիտական հաստատությունների չափանիշներով)։
Այդ իսկ պատճառով YerevaNN-ի մաթեմատիկոսները փորձում են առավելագույնը քամել ԵՊՀ-ում առկա գիտական համակարգչից։ Այստեղ նրանք համակարգ են կազմել, որին կարելի է ցույց տալ մոլեկուլի 3D մոդելը և «ասել»՝ «հիմա նույն նյութից տուր, բայց դեղի հատկություններով»: Այսինքն, այդ նյութը նյութը պետք է հեշտությամբ սինթեզվի, լավ լուծվի ջրի մեջ և այլն։
Ճիշտ է, առայժմ համակարգը չի կարող հաշվարկել ապագա դեղերի կենսաբանական ակտիվությունը։ Դրա համար արհեստական բանականության համակարգերը «նկարում են» ախտածին նյութի (սպիտակուցի) եռաչափ մոդելը։ Այնուհետև այդ եռաչափ մոդելի համար ընտրվում են մոլեկուլներ, որոնք կարող են ավելի ամուր կառչել դրանից և կաշկանդել դրա ակտիվությունը։ Այնուհետև կազմվում են պաթոգենի և մոլեկուլի փոխազդեցության անթիվ անիմացիաներ:
Բայց խնդիրը հենց այն է, որ այդ հաշվարկների «քաշը» հսկայական է, և դրանց համար բավարար ուժ միայն խոշոր համակարգիչներն ունեն: Այդ պատճառով երևանցի մաթեմատիկոսներն այլ ճանապարհով են գնացել, որը ոչ գիտական, բայց քիչ թե շատ պարզ ձևով կարելի է նկարագրել այսպես․ ծրագրավորողը (կամ լրագրողը) որոշել է գնալ ավտոտեխսպասարկման կետում աշխատելու։ Վարպետը նրանց ասում է. «Ձեզ զրոյից սովորեցնելը անհույս է, էդքան ժամանակ էլ չունեմ: Ուղղակի կողքից նայեք` ես ինչ եմ անում, նույնն էլ դուք արեք»։
Վերադառնալով նր մոդելին. Խաչատրյանն իր մոդելի մեջ ներբեռնում է մոլեկուլների կենսաբանական ակտիվության մասին տվյալների բազաները։ Գիտական աշխարհում այդպիսի տվյալների բաց բազաներ կան, թեև դրանք համեմատաբար փոքր են (կան նաև փակ բազաներ, որոնք դեղագործական ընկերությունները հավաքում են սեփական ուսումնասիրությունների հիման վրա, բայց դրանք, բնականաբար, ոչ մեկին չեն տրամադրում)։
«Մենք մեր համակարգին տարբեր մոլեկուլներ ենք ցույց տալիս և ասում․ «Այս մեկը լավն է, իսկ սա՝ ոչ»։ Որքան շատ «լավ» և «վատ» մոլեկուլներ նա տեսնի, այնքան ժամանակի ընթացքում ավելի ճիշտ կտարբերակի դրանք»,-նշեց Խաչատրյանը առաջատար տեխնոլոգիաների ձեռնարկությունների միության (UATE) ամենամյա համագումարի շրջանակներում կայացած զրույցի ընթացքում։
Նմանատիպ ալգորիթմներ ամբողջ աշխարհում շատ են կազմվում․ օրինակ՝ նախորդ տարի Nvidia-ն թողարկեց այդպիսին։ Այնպես որ, Խաչատրյանի խոսքով, սեփական մոդելը կատարելագործելու խթան կա նրանց հասնելու և անցնելու համար։
Հավելենք, որ Հայաստանում արդեն կան կենսաինֆորմատիկայի մի քանի հաջողված ստարտափներ, որոնք զբաղվում են հենց դեղորայքային մոլեկուլների համակարգչային ընտրությամբ: Դրանցից մի քանիսի մասին մենք արդեն գրել ենք։
Խաչատրյանն ու նրա թիմը իրենց մշակումներով համագործակցում են այդ ստարտափների հետ, որպեսզի ժամանակի ընթացքում վերջիններս կարողանան նոր համակարգն օգտագործել աշխատանքում և իրենց տեխնոլոգիան 100 տոկոսով հայկական դարձնել։
Երկխոսություն է ընթանում նաև ԵՊՀ քիմիկոսների հետ, մանավանդ, որ համալսարանական քիմիկոսների կոլեկտիվներից մեկը դրա նման տեսական հաշվարկներ է կատարում անօրգանական քիմիայում (այս խումբը համագործակցում է Սկոլտեխի հետ, այն ղեկավարում է Արտյոմ Օգանովի աշակերտ Հայկ Զաքարյանը):
«Հարցն այն է, որ մաթեմատիկոսները հարյուրմիլիոնավոր մոլեկուլների ընդհանուր մոդելներ են կազմում, բայց դրանք վերացական բնույթի են։ Իսկ քիմիկոսներն աշխատում են միայն հարյուրավոր կամ հազարավոր մոլեկուլների հետ, բայց շատ կոնկրետ։ Ուստի նրանց մնում է հասկանալ` մեր մոդելը նրանց կոնկրետ խնդիրներին օգուտ կտա՞, թե՞ ոչ»,-նշեց Խաչատրյանը։
Իր հետազոտությունները նա պատրաստվում է ներկայացնել արհեստական բանականության ոլորտի միջազգային համաժողովներից մեկում, հնարավոր է՝ այս տարվա մայիսին։