Հովակիմ Զաքարյանը բակալավրիատում սովորելու տարիներին հետաքրքրված էր ցողունային բջիջներով (սրանք չտարբերակված բջիջներ են, որոնք ունեն տարբեր տեսակի մասնագիտացված բջիջների վերածվելու եզակի հատկություն)։ 2000-ականների սկզբին Հայաստանի գիտական ինստիտուտներում ցողունային բջիջների ուսումնասիրությամբ զբաղվող գիտական խմբեր ու լաբորատորիաներ գտնել Հովակիմին չհաջողվեց, փոխարենը նա Մոլեկուլային կենսաբանության ինստիտուտում բացահայտեց մի լաբորատորիա, որտեղ ուսումնասիրվում էին սովորական բջիջներ ու վիրուսներ։ Հենց այդ լաբորատորիայում աշխատելու տարիներին էլ նրան սկսեցին հետաքրքրել վիրուսները։
Այս հետաքրքրությունը մեծացավ, երբ Հովակիմը մեկնեց նախ Գերմանիա՝ Մոլեկուլային և կլինիկական վիրուսաբանության ինստիտուտ, ապա Իսպանիա՝ Սևերո Օչոայի անվան մոլեկուլային կենսաբանության կենտրոն։ Երկու գիտական կենտրոններում էլ նա զբաղվում էր վիրուսների ուսումնասիրությամբ։
«Այնտեղ ծանոթացա իրական լաբորատոր կազմակերպչական աշխատանքին և հասկացա՝ աշխարհը, որում ես էի գտնվում, և իրական աշխարհը շատ տարբեր են։ Արդեն այդ ժամանակ հասկացա, որ եթե շարունակելու եմ գիտությամբ զբաղվել, պետք է ստեղծեմ իմ լաբորատորիան, որպեսզի կարողանամ այդ նորմալ կազմակերպչական մասն ապահովել, որը լաբորատորիան արդյունավետ է դարձնում»,- հիշում է Հովակիմը։
Հայաստան վերադառնալուց հետո՝ 2016-ին, նա Մոլեկուլային կենսաբանության ինստիտուտում ստեղծեց Հակավիրուսային պաշտպանության մեխանիզմների հետազոտման գիտական խումբը, որը սկսեց զբաղվել նոր քիմիական միացությունների հակավիրուսային ակտիվության ուսումնասիրությամբ։ Ձևավորման պահին խմբում կար երեք հոգի։ Թիմը սկսեց փնտրել քիմիական միացություններ, որոնք արդյունավետ կլինեին խոզերի աֆրիկյան ժանտախտի դեմ։
Ժամանակի ընթացքում խումբը համալրվեց նոր անդամներով և 2020-ին ստացավ լաբորատորիայի կարգավիճակ՝ դառնալով Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիա։ Այժմ թիմում կա ութ հոգի՝ բակալավրիատի ուսանողից մինչև գիտության թեկնածու։
Որպեսզի հասկանանք՝ ինչ հետազոտություններ են իրականացնում Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայում, նախ պիտի ծանոթանանք վիրուսներին։
Վիրուսները կյանքի տեսա՞կ են, թե՞ ոչ․ այս հարցի շուրջ համաձայնության գիտնականները դեռևս չեն հասել։ Մի կողմից՝ դրանք բջիջներից դուրս կյանքին բնորոշ ակտիվություն չունեն, մյուս կողմից՝ գենետիկական հիշողություն ունեն և ունակ են բազմանալու, երբ հայտնվում են բարենպաստ պայմաններում, մասնավորապես՝ տարբեր օրգանիզմների (օրինակ՝ մարդկանց) բջիջներում։
Վիրուսներն այնքան փոքր են, որ չեն երևում անգամ մանրադիտակի տակ, և դրանք տեսնելու համար օգտագործվում են հատուկ էլեկտրոնային մանրադիտակներ, որոնք բազմակի խոշորացնում են վիրուսների պատկերները, մինչև տեսանելի դառնան։ Վիրուսներն ունեն պարզագույն կառուցվածք՝ գենետիկական նյութ, որը ծածկված է հատուկ մոլեկուլներից՝ սպիտակուցներից կազմված պատյանով։
Եվ երբ այս պարզագույն կառուցվածքով ու փոքր չափերով մակաբույծին հաջողվում է հայտնվել որևէ բջջի ներսում, այն սկսում է կիսվել ու բազմանալ, նրա կրկնօրինակները դուրս են գալիս ու վարակում այլ բջիջների։ Արդյուքնում կա՛մ խաթարվում է վարակված բջիջների բնականոն գործունեությունը, կա՛մ դրանք մահանում են։ Վիրուսի ներկայության պատճառով նաև ակտիվանում է իմունային համակարգը, սակայն երբեմն իմունային համակարգի արձագանքն այնքան անոմալ է լինում, որ օրգանիզմում բորբոքային գործընթաց է սկսվում։
Կախված վիրուսի տեսակից և օրգանիզմի իմունային պատասխանից՝ տարբեր խնդիրներ ու բարդություններ կարող են ի հայտ գալ, որոնք արտահայտվում են հիվանդությունների տեսքով։ Այսպիսով, վիրուսների պատճառով կարող են առաջանալ ամենատարբեր հիվանդություններ՝ սկսած սովորական գրիպից մինչև մահացու իմունային անբավարարություն։
Վիրուսների դեմ պայքարելու ամենաարդյունավետ միջոցը պատվաստանյութերն են։ Պատվաստանյութերը կանխարգելող գործառույթ ունեն․ դրանք սովորեցնում են մեր իմունային համակարգին ի սկզբանե ճանաչել վիրուսին ու չթողնել նրան վարակել բջիջները։ Բայց ի՞նչ անել, եթե վիրուսն արդեն հայտնվել է բջջի ներսում ու հիվանդություն առաջացրել․ այս դեպքում օգնության են հասնում հակավիրուսային դեղամիջոցները։
Բայց մինչ հակավիրուսային դեղամիջոցներ կստեղծվեն, նախ անհրաժեշտ է ուսումնասիրել վիրուսները, դրանցում թիրախներ գտնել, հետո բացահայտել քիմիական միացություններ, որոնք արդյունավետ կգործեն այդ թիրախների դեմ։ Սա երկար ու բարդ գործընթաց է, բայց ամեն բան հերթով։
Անաստասիա Շավինան չորս տարեկան էր, երբ սկսեց վիրահատությունների տեսանյութեր դիտել, ու հենց այդ ժամանակ էլ որոշեց՝ բժիշկ է դառնալու։ Երբ ավարտում էր դպրոցն ու պիտի մասնագիտություն ընտրեր, հասկացավ, որ առանց քիմիայի կյանք չունի։ Այդպիսով, նա ընդունվեց բժշկական կենսաքիմիայի ֆակուլտետ։
Ժամանակի ընթացքում Անաստասիայի հետարքրություններին ավելացան նաև համակարգիչները։ 2020-ին՝ համավարակի շրջանում, նա որոշեց ժամանակ չկորցնել ու համալսարանի դասերին զուգահեռ ծրագրավորում սովորեց։ Ի վերջո, Անաստասիան սկսեց աշխատել Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայում և զբաղվել մի գործով, որը միավորում է նրա բոլոր հետաքրքրությունները միաժամանակ՝ քիմիան, բժշկությունն ու համակարգիչները։
Եթե փորձենք մի քանի բառով նկարագրել, թե որն է Անաստասիայի աշխատանքը, ապա կասենք, որ նա հետևում է կենսաբանական գործընթացներին, որոնք տեղի են ունենում վիրտուալ իրականությունում։ Հիմա հասկանանք՝ ինչպես։
Եթե ուզում եք վնասել վիրուսին ու խաթարել դրա գործունեությունը, նախ պիտի այդ վիրուսում գտնեք թիրախային մոլեկուլ (սպիտակուց), ապա բացահայտեք քիմիական այնպիսի միացություններ, որոնք կարող են կապվել այդ սպիտակուցի հետ՝ ազդելով վիրուսի գործունեության վրա։
Սպիտակուցներն, առհասարակ, տարբեր օրգանիզմների համար կենսական նշանակություն ունեցող մոլեկուլներ են, որոնք պատասխանատու են օրգանիզում կատարվող բազմաթիվ կարևորագույն գործընթացների համար։ Մարդկանց դեպքում, օրինակ, սպիտակուցներն են պատասխանատու գրեթե բոլոր հատկանիշների (աչքերի գույն, հասակ և այլն), օրգանիզմում տեղի ունեցող գործընթացների (նյութափոխանակություն, արյան շրջանառություն և այլն) համար։ Վիրուսները ևս ունեն սպիտակուցներ, որոնք օգնում են նրանց թափանցել բջիջներ, ապա բազմանալ ու տարածվել։ Այսինքն՝ այս սպիտակուցներն արգելակելու դեպքում կհաջողվի խաթարել վիրուսների գործունեությունը։
Վիրուսի թիրախային սպիտակուցն ունի հատուկ հատված, որը նման է փոքրիկ խոռոչի։ Այն շատ հարմար է, որ քիմիական միացությունները գան, տեղավորվեն այնտեղ ու կապվեն տվյալ սպիտակուցի հետ։ Այդ հատվածը կոչում են կապող գրպանիկ (անգլերեն՝ binding pocket): Երբ քիմիական միացությունը գալիս է ու կարողանում հարմար տեղավորվել կապող գրպանիկի մեջ, այդ միացության և սպիտակուցի միջև կապեր են առաջանում, ինչից հետո հնարավոր է լինում ազդել սպիտակուցի ակտիվության վրա։
Սա շատ նման է նրան, երբ նավը մոտենում է նավահանգստին․ որպեսզի անձնակազմն ափ իջնի, նավը նախ պիտի հարմար տեղավորվի նավահանգստում, ապա կայանվի։ Պատկերացնենք, որ վիրուսն ափն է, վիրուսի թիրախային սպիտակուցը՝ նավահանգիստը, կայանման վայրը՝ կապող գրպանիկը, իսկ մոտեցող նավը՝ քիմիական միացությունը։
Որպեսզի ապացուցվի, որ քիմիական որևէ միացություն արդյունավետ է վիրուսի թիրախային սպիտակուցի, հետևաբար՝ վիրուսի դեմ, պետք է այդ միացությունը փորձարկել լաբորատորիայում, այսինքն՝ վերցնել բջիջներ, նախ դրանք վարակել վիրուսով, ապա վարակված բիջներին տալ քիմիական միացությունն ու որոշ ժամանակ անց ստուգել, թե արդյո՞ք այդ միացության առկայության պայմաններում վիրուսն ավելի քիչ բջիջների է սպանել։ Ամենաարդյունավետ միացություններն, ի վերջո, դառնում են հակավիրուսային դեղամիջոցներ։
Կան շտեմարաններ, որտեղ ներառված են աշխարհում գոյություն ունեցող քիմիական գրեթե բոլոր միացությունները, բայց այդ միացությունների թիվը հասնում է միլիարդների։ Հետևաբար, ժամանակային և ֆինանսական տեսանկյունից այնքան էլ արդյունավետ չէր լինի այդ բոլոր միացությունները լաբորատորիայում փորձարկել, մինչև որևէ վիրուսի դեմ գործող ամենաարդյունավետ միացությունը կգտնվեր։
Այդ պատճառով էլ մշակվել է մի մեթոդ, որի շնորհիվ կրճատվում է այն միացությունների թիվը, որոնք անհրաժեշտ է փորձարկել լաբորատորիայում։ Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայում շտեմարաններից միացություններ գտնելն ու ամենահեռանկարային միացությունները լաբորատորիա ուղարկելն Անաստասիայի աշխատանքն է։ Նա փուլ առ փուլ բացատրում է, թե ինչպես է տեղի ունենում այդ գործընթացը։
Նախ անհրաժեշտ է քիմիական միացությունների շտեմարաններից առանձնացնել այն միացությունները, որոնց դեպքում ընտրված թիրախային սպիտակուցին կապվելու հավանականությունն առավել մեծ է։ Անաստասիան ասում է՝ այս փուլում օգտագործվում են հիմնականում թիրախային սպիտակուցի կառուցվածքի մասին տվյալները, որոնց հիման վրա շտեմարաններում հատուկ ֆիլտրեր են կիրառվում և ընտրվում առավել ցանկալի հատկություններով միացություններ։ Նրա խոսքով այս փուլում մոտ 76 միլիոն միացությունից կարող է մնալ 2 միլիոնը։
Հաջորդ փուլում պետք է առանձնացված միացություններից ընտրել նրանք, որոնք կարողանում են արդյունավետ կապվել վիրուսի սպիտակուցի հետ։ Այս ընթացքում օգտագործվում է հատուկ համակարգչային ծրագիր։ Անաստասիան նախ ծրագրի մեջ մուտքագրում է թիրախային սպիտակուցի կառուցվածքը, այնուհետև վերբեռնում շտեմարաններից վերցրած միացությունների ցանկը։
Եթե իրական կյանքում պետք էր լաբորատորիայում փորձարկել այս բոլոր միացություններն ու ստուգել դրանց արդյունավետությունը, ապա համակարգչային ծրագիրը մուտքագրված տվյալների հիման վրա իրականացնում է այդ կենսաբանական գործընթացների սիմուլյացիան։ Այն պատահականության սկզբունքով ամեն միացությունը տարբեր դիրքերով փորձում է կապել սպիտակուցի հետ, մինչև գտնում է ամենահարմար դիրքը, իսկ հետո հաշվարկում է, թե այդ ամենահարմար դիրքում միացության ու սպիտակուցի միջև ինչպիսի կապեր են ձևավորվում։
Անաստասիան ասում է՝ այս գործընթացում կարևոր են մի քանի ցուցանիշներ, բայց ամենակարևորն այն էներգիան է, որը պահանջվում է միացությունը սպիտակուցին կապելու համար․ սովորաբար, որքան քիչ էներգիա է պահանջվում սպիտակուցին կապվելու համար, այնքան ձևավորված կապն ավելի ամուր է։
Ծրագիրն այսպես «փորձարկում է» բոլոր միացությունները, ամեն մեկի համար հաշվարկներ իրականացնում և տվյալներ ներկայացնում, որոնց հիման վրա Անաստասիան առանձնացնում է ամենալավ արդյունք ցույց տված մոտ 100 միացություն։
Բայց սպիտակուցին կապվելը դեռ բավարար չէ, դրա համար հաջորդ փուլում հաշվի են առնվում նաև այլ դետալներ։ Այս փուլն Անաստասիան ամենաշատն է սիրում․ ասում է՝ այստեղ մտավոր աշխատանքն ավելի շատ է։
Այս փուլում Անաստասիան համակարգչային ծրագրում մուտքագրում է տվյալներ նաև այն մասին, թե ինչ պայմաններ կլինեին իրական կյանքում, եթե քիմիական միացությամբ փորձեիք ազդել օրգանիզմի բջիջները վարակած վիրուսի վրա, օրինակ՝ ինչպիսին կլինեին ջերմաստիճանն ու ճնշումը բջջի ներսում։ Սա արվում է այն պատճառով, որ, օրինակ, ջերմաստիճանի բարձրանալու հետևանքով վիրուսի սպիտակուցի կապող գրպանիկի տեսքը կարող է փոխվել (սպիտակուցները ջերմությունից իրենց տեսքը փոխելու հատկություն ունեն․ ամենահայտնի օրինակն այն է, երբ գանգուր կամ ալիքավոր մազերն ուղիղ են դառնում հարդարիչի ջերմությունից):
Տեսանյութում երևում է, թե ինչպես է միացությունը փորձում կապվել սպիտակուցի հետ
Կարևոր է նաև այն, թե քիմիական միացությունն ինչքան ժամանակ է մնում սպիտակուցի մոտ․ արդյոք կարճ ժամանակ անց հեռանո՞ւմ է կապող գրպանիկից, թե՞ բավարար ժամանակ է մնում այնտեղ, որ հասցնեն կապեր ձևավորվել սպիտակուցի հետ։
Այս փուլում ևս ծրագիրը հաշվարկներ է կատարում բոլոր միացությունների համար, տվյալներ տալիս դրանց մասին։ Անաստասիան ընտրում է լավագույն 30 միացությունները, որոնք արդեն կարող են սինթեզվել և ուղարկվել լաբորատորիա հետագա փորձերի համար։
Անաստասիան ասում է, որ իր աշխատանքում դեղերի նախագծման մեխանիզմների մասին ավելի շատ գիտելիքների կարիք է զգում։ Հենց այդ նպատակով նա պատրաստվում է կես տարի սովորել Ֆրանսիայում, որտեղ ավելի լավ կծանոթանա դեղերի նախագծման գործընթացին։ Իսկ հետո մտադիր է վերադառնալ Հայաստան, շարունակել կրթությունն ու հասնել մինչև ասպիրանտուրա։ Ասում է՝ արդեն նույնիսկ պատկերացումներ ունի, թե ինչ թեմայով է լինելու իր դիսերտացիան։
Լաբորատորիայի մոտ ինձ դիմավորում է Ռոզա Իզմայիլյանը, որը նախ ինձ անհրաժեշտ հանդերձանք է տալիս, հետո նոր ներս հրավիրում։ Ռոզայի աշխատանքն արդեն իրական կենսաբանական գործընթացների հետ է՝ առանց համակարգիչների, ծրագրերի ու կոդերի։
Նա իր գործից չի կտրվում․ և՛ փորձի համար բջիջներ է ցանում, և՛ ինձ հետ զրուցում (ես էլ միանգամից լավ չհասկացա, թե ինչ է նշանակում «բջիջներ ցանել», բայց այդ մասին՝ մի փոքր ավելի ուշ)։
Ռոզան իր գիտական աստիճանը (PhD) ստացել է Չինաստանում՝ Թայվանում, որտեղ երկար տարիներ աշխատելուց հետո վերադարձել է Հայաստան։ Վերադառնալուց հետո սկսել է աշխատել Մոլեկուլային կենսաբանության ինստիտուտում։ Նա պատմում է՝ սկզբում իր աշխատանքն այստեղ ոչ այնքան բջիջների ու վիրուսների հետ էր, որքան կենդանիների։ Բայց նա այդպես էլ չհարմարվեց կենդանիների մասնակցությամբ փորձերին և հասկացավ, որ բջիջների ու վիրուսների հետ աշխատանքն իրեն ավելի հոգեհարազատ է։ Այդ պատճառով էլ տեղափոխվեց Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիա։
Ռոզան լաբորատոր աշխատանքի մասին մեր զրույցը սկսում է բջիջներից։ Փորձերի համար նա նախ վերցնում է բջիջներ, որոնք պահվում են հատուկ միջավայրում։ Այս միջավայրում կան անհրաժեշտ սննդանյութեր, որոնց շնորհիվ օրգանիզմից (օրինակ՝ երիկամներից) անջատված բջիջները կենդանի են մնում։
Բջիջները վիրուսներով վարակելուց առաջ նա դրանք նախ բաշխում է կամ, ինչպես ընդունված տերմինն է, ցանում է հավասար մեծությամբ անցքեր ունեցող հատուկ ափսեանման տարայի մեջ։ Երբ բջիջները ցանված են, Ռոզան դրանք վարակում է վիրուսներով ու սպասում։ Բջիջների վարակվելուց հետո նա նմուշների վրա ավելացնում է լաբորատոր փորձերի փուլ հասած քիմիական միացությունները։
Որևէ քիմիական միացության արդյունավետությունը գնահատելու համար դիտարկվում են բջիջների մահերը․ Ռոզան նախ հասկանում է, թե որքան բջիջ է մահացել վիրուսների պատճառով, ապա ստուգում, թե արդյո՞ք միացության առկայությամբ մահացած բջիջների քանակը նվազում է։ Եթե միացության ներկայությամբ ավելի քիչ բջիջներ են մահանում, ուրեմն միացությունն ազդում է վիրուսի վրա։
Մինչ Ռոզան ինձ բացատրում է իրենց աշխատանքի նրբությունները, լաբորատորիա է գալիս Արթուր Ղազարյանը։ Արթուրը բժշկական կենսաքիմիայի ֆակուլտետի չորրորդ կուրսում է սովորում։ Ասում է՝ միշտ հետաքրքրված է եղել հետազոտական աշխատանքներով և երբ իմացավ, որ Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայում լաբորանտի ազատ հաստիք կա, միանգամից որոշեց դիմել։ Սկզբում լաբորատորիայում հետևում էր աշխատանքներին, հետո սկսեց կամաց-կամաց մասնակցել դրանց։
«Ինձ սկսեցին ավելի շատ հանձնարարություններ տալ, ավելի շատ վստահել, տեսնել, թե ինչպես եմ գործից գլուխ հանում»,- պատմում է Արթուրը։
Ռոզան ասում է՝ իրենց լաբորատորիա մուտք գործելու երկու նախապայման կա․ պիտի սիրես աշխատանքդ, և միտքդ, ձեռքերդ ու պահվածքդ պիտի իրար հետ ներդաշնակ լինեն։ Արթուրի դեպքում երկու նախապայմանն էլ ապահովված էր, այդ պատճառով նրան առաջարկեցին միանալ թիմին։
Արթուրի հետ ծանոթացնելուց հետո Ռոզան շարունակում է կիսատ մնացած խոսակցությունն ու ներկայացնում, թե ինչպես են իրենք հասկանում՝ վիրուսները որքան բջիջների են սպանել։
Մանրադիտակի տակ հնարավոր չէ ճշգրիտ հաշվարկել, թե որքան բջիջ է մահացել, օրինակ, 5 միլիլիտր վիրուսից, քանի որ մահացած բջիջները բազմաթիվ են։ Դրա համար օգտագործվում է, այսպես կոչված, նոսրացման մեթոդը։ Վերցվում է որևէ լուծիչ, և դրանով վիրուսը բազմաթիվ անգամներ նոսրացվում է։ Սկզբում վիրուսը լուծույթի 1%-ն է կազմում, հետո՝ 0,1%-ը, հետո՝ 0,01%-ը, և այդպես շարունակ։ Նոսրացված վիրուսով վարակվում են նոր նմուշներ, և դրանից հետո հնարավոր է դառնում մանրադիտակի տակ հատ-հատ դիտարկել բոլոր մահերը, քանի որ մահացած բջիջերն արդեն այնքան էլ շատ չեն։ Եթե, օրինակ, լուծույթը, որի ընդամենը 0,01%-ն է կազմում վիրուսը, սպանել է 10 բջիջ, ապա դժվար չէ հաշվարկել, թե քանի բջիջ կսպաներ չնոսրացված վիրուսը։ Հենց այս մեթոդով էլ Ռոզան ու գործընկերները հաշվարկում են, թե իրենց փորձերի ժամանակ որքան բջիջ է մահացել։
Կա ևս մի մեթոդ, որի դեպքում ոչ թե հաշվարկվում է մահացած բջիջների քանակը, այլ վիզուալ դիրտարկվում են մահերը։ Այս դեպքում վարակված նմուշներին հատուկ ներկանյութ է տրվում, որը կարողանում է ներկել միայն առողջ բջիջները՝ բաց թողնելով մահացածները։ Արդյունքում նմուշների մեջ մահացած բջիջների տեղում գունավորում չի լինում։ Այսպիսով, որքան չգունավորված հատվածները շատ են, այնքան շատ բջիջներ են մահացել։ Սա, իհարկե, արվում է փորձերի ամենավերջում՝ որակական գնահատական տալու և աշխատանքը վիզուալ տեսնելու համար։
Մինչ Ռոզան ինձ ցույց է տալիս իրենց ներկված նմուշները, լաբորատորիա է գալիս Ռաֆայելլա Գրիգորյանը։
Ռաֆայելլան հիշում է՝ կենսաբանության ֆակուլտետում էր սովորում, երբ իմացավ Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայի մասին։ Մագիստրոսական թեզը գրելիս ուսանողները պիտի այցելեին լաբորատորիաներ, որտեղ պիտի իրականացնեին թեզի համար անհրաժեշտ փորձերը, և կուրսընկներներից մեկը Ռաֆայելլային պատմեց այս լաբորատորիայի մասին։
Ռաֆայելլան պատմում է՝ եկավ այստեղ ու հասկացավ, որ ուրիշ աշխարհում է հայտնվել։ Նա հաջողությամբ գրեց մագիստրոսական թեզը, որը դարձավ գիտական հոդված ու հրապարակվեց բարձր վարկանիշ ունեցող ամսագրում։
Ռոզան ասում է՝ երբ Ռաֆայելլան եկավ լաբորատորիա, իրենք նկատեցին, որ նա սիրում է աշխատանքն ու մոտիվացիա ունի, դրա համար առաջարկեցին մնալ ու շարունակել աշխատել իրենց հետ։
Այժմ Ռաֆայելլան աշխատում է Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայում, ինչպես նաև Մոլեկուլային կենսաբանության ինստիտուտի ասպիրանտ է և Հովակիմ Զաքարյանի ղեկավարությամբ գրում է իր դիսերտացիան։
Հովակիմն ասում է՝ լաբորատորիա ուսանողներ շատ են գալիս, և իրենք հաճախ են բախվում այն խնդրին, որ այդ ուսանողները լաբորատոր աշխատանքի փորձ ընդհանրապես չունեն։
«Համալսարանները, որոնք տարիներով դասավանդում են այդ ուսանողներին, միգուցե տեսական գիտելիքներ լավ են տալիս, բայց կիրառական գրեթե ոչ մի բան չեն ստանում նրանք և ամեն ինչ զրոյից մեզ մոտ են սովորում, ինչը ժամանակատար է։ Այսինքն՝ մինչև դու ուսանողին սովորեցնում ես հիմնարար բաները, առնվազն կես տարի անցնում է։ Մի քիչ դժվար է։ Եթե համալսարանից մեզ մոտ գային ուսանողներ, որոնք գոնե հիմնարար լաբորատոր աշխատանքի սկզբունքները գիտեն, դա նաև մեր կյանքը կհեշտացներ»,- նշում է նա։
Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայում իրականացնում են միայն in vitro, այսինքն՝ օրգանիզմից դուրս՝ բջիջների վրա փորձեր։ Դեղերի թեկնածու քիմիական միացություններն այնուհետև պիտի անցնեն In vivo (կենդանիների մասնակցությամբ), ապա կլինիկական (մարդկանց մասնակցությամբ) փորձարկումներ, և բոլոր փուլերը հաղթահարած ու լավագույն արդյունքներ ցույց տված միացությունը կդառնա դեղամիջոց։
2018-ից Հովակիմ Զաքարյանն աշխատում էր FAST հիմնադրամում։ Նա հիշում է՝ FAST-ում կար մի կառույց, որը կոչվում էր Advanced Solutions Center (հայերեն՝ «Առաջադեմ լուծումների կենտրոն»)։ Կառույցի նպատակն էր հիմք դնել նոր ստարտափների, հասցնել զարգացման ինչ-որ մակարդակի, որից հետո դրանք կարող էին ինքնուրույն զարգանալ։
Հովակիմը պատմում է, որ 2019-ին FAST-ում քննարկվում էին տարբեր ստարտափների գաղափարներ։ Գաղափարներից մեկը, որն առաջացավ Հովակիմի և տվյալագետներ Մհեր Մաթևոսյանի ու Վարդան Հարությունյանի մոտ, հետևյալն էր․ ստեղծել ստարտափ, որտեղ նոր դեղամիջոցների նախագծման համար կօգտագործվի Մեքենայական ուսուցումը։ Գաղափարն, ի վերջո, կյանքի կոչվեց, և 2020-ին ստեղծվեց Denovo Sciences ստարտափը։
Մեքենայական ուսուցումը (այսուհետ՝ ՄՈՒ) Արհեստական բանականության ճյուղ է։ ՄՈՒ միջոցով ստեղծվում են ալգորիթմներ կամ վիճակագրական մոդելներ, որոնք, սովորելով մեծ տվյալների հիման վրա, կարողանում են կանխատեսումներ իրականացնել։ Դեղերի նախագծման մեջ ՄՈՒ-ն վերջին տարիների ընթացքում բավականին շատ է կիրառվում, և այս գործընթացում կան արդեն ընդունված դասական մոտեցումներ։
Վարդանն ասում է՝ դասական մոտեցման դեպքում օգտագործվում են գեներատիվ մեթոդներ, և բացատրում այդ մեթոդների սկզբունքն ամենապարզ օրինակով․ եթե դուք ուզենաք ստանալ ՄՈՒ մոդել, որն, օրինակ, ինքնուրույն կարողանում է մարդկանց նկարներ գեներացնել, ապա նախ նրան կտաք մարդկանց միլիարդավոր նկարներ, մոդելն այդ նկարների հիման վրա «կսովորի» մարդկանց պատկերները, հետո արդեն ինքը կկարողանա նկարներ գեներացնել։
Նույն գործողությունները կարող եք անել քիմիական միացությունների համար․ դուք նախ մոդելին կտաք քիմիական բազմաթիվ միացությունների օրինակներ, հետո այնպիսի միացությունների օրինակներ, որոնք կապվում են կոնկրետ որևէ թիրախային սպիտակուցի հետ։ Այս տվյալների հիման վրա սովորելով՝ մոդելը կսկսի ինքնուրույն գեներացնել նոր միացություններ, որոնք նրա կանխատեսմամբ կարող են կապվել այդ սպիտակուցի հետ։ Այս գործընթացում շատ կարևոր է այն տվյալների հավաստիությունը, որոնք օգտագործում եք մոդելը վարժեցնելու համար․ եթե տվյալները սխալ են, ոչ լիարժեք կամ ոչ որակյալ, ուրեմն մոդելի կանխատեսումները կարող են սխալ լինել։
Denoco Scieces-ում հասկացան, որ եթե ընտրեն գեներատիվ որևէ մեթոդ, ապա իրենց ՄՈՒ մոդելն արդյունավետ չի գործի։ Հովակիմն ասում է, որ շատ հիվանդությունների, հատկապես վիրուսային հիվանդությունների դեպքում առկա տվյալները քիչ են, և եթե տվյալներ էլ կան, դրանք որակյալ չեն․ «Գիտնականները հոդվածներ են տպում այդ թեմայով անընդհատ՝ անկախ Մեքենայական ուսուցումից, որ եղած կենսաբանական էսքպերիմենտների մի զգալի մասը, որոնք հիմա տպվում են, վերարտադրելի չեն։ Օրինակ՝ Վարդանը ստուգում է, տեսնում է, որ A նյութը շատ էֆեկտիվ է, ես ստուգում եմ, տեսնում եմ, որ A նյութը շատ էֆեկտիվ չէ իրական կյանքում։ Հիմա, ի՞նչ իմանաս՝ A-ն էֆեկտի՞վ է, թե՞ էֆեկտիվ չէ։ Եթե ալգորիթմին տալիս ես այն գիտելիքը, որ A-ն էֆեկտիվ է, այն A-ի նման կեղծ էֆեկտիվների հիման վրա սովորում է մի բան, որն իրական կյանքի հետ ոչ մի կապ չունի»։
Հենց այդ պատճառով էլ Denovo Sciences-ի համահիմնադիրները որոշեցին օգտագործել մի մեթոդ, որը կոչվում է Ամրապնդման ուսուցում (անգլերեն՝ Reinforcement Learning): Այս մեթոդն իդեալական է այնպիսի դեպքերի համար, երբ տվյալները քիչ են կամ անորակ, քանի որ ՄՈՒ մոդելը կարողանում է սովորել առանց մեծ տվյալների։
Մհերն ասում է՝ Ամրապնդման ուսուցման կիրառության ամենահայտնի օրինակը Google-ին պատկանող DeepMind ընկերության ստեղծած AlphaZero ծրագիրն է, որը կարողանում է խաղալ շախմատ, սյոգի և գո խաղերը։ Մհերը շախմատի օրինակով բացատրում է, թե ինչպես է AlphaZero-ն կարճ ժամանակում սովորել խաղն ու այնպիսի արդյունք ցույց տվել, որը գերազանցում է անգամ աշխարհի լավագույն գրոսմայստերների ցույց տված արդյունքները։
Եթե ծրագիրը վարժեցվեր դասական մեթոդներով, ապա այնտեղ կվերբեռնվեին աշխարհի լավագույն գրոսմայստերների խաղերը, և մոդելն այդ խաղերի օրինակով կսովորեր ինքն էլ խաղալ։ Մհերն ասում է՝ DeepMind-ն առաջին փորձի ժամանակ հենց այդպես էլ արել էր, բայց հետո որոշեց կիրառել Ամրապնդման ուսուցումը։
Այս դեպքում ծրագրին ի սկզբանե տրվեցին տեղեկություններ միայն շախմատի կանոնների մասին (օրինակ՝ որ քարն ինչ քայլ կարող է անել, ինչ է շախը և այլն), ապա ծրագիրը, առանց որևէ շախմատային խաղ տեսնելու, սկսեց ինքն իր հետ շախմատ խաղալ։ Այս ընթացքում DeepMind-ի թիմը նրա խաղերի որակը գնահատում էր, ինչն արտահայտվում էր հետևյալ կերպ․ մոդելին հետադարձ կարծիք (feedback) էր ուղարկվում, որ եթե նա խաղում պարտվել է, ապա դա վատ արդյունք է, եթե հաղթել է, լավ է, եթե ոչ-ոքի է խաղացել, նորմալ է, կամ ավելի դետալային՝ եթե նա է շախ հայտարարել, լավ է, եթե նրան են շախ հայտարարել, վատ է, և այսպես շարունակ։
Ծրագիրն ինքն իր հետ այնքան ժամանակ շախմատ խաղաց և ստացած հետադարձ կարծիքների հիման վրա բարելավվեց, մինչև կարողացավ փայլուն արդյունք ցույց տալ։ Ստացվում է, որ Ամրապնդման ուսուցման միջոցով ծրագիրը զրոյից հեծանիվ հորինեց՝ չօգտագործելով մարդկային արդեն իսկ կուտակված գիտելիքը շախմատի մասին։
Հիմա պատկերացրեք, որ նույն այս մեթոդը կարող է աշխատել նաև դեղերի նախագծման գործընթացում․ այսինքն՝ դուք ՄՈՒ մոդելին բացատրում եք քիմիայի, կենսաբանության, ֆիզիկայի կանոնները, ինչպես DeepMind-ը բացատրեց շախմատի կանոնները, այնուհետև նրան տալիս եք թիրախային սպիտակուց և թողնում, որ այն «խաղա» ու գեներացնի քիմիական միացություններ, որոնք մեծ հավանականությամբ կկապվեն սպիտակուցի հետ։
Հենց այդպես էլ արեցին Denovo Sciences-ի համահիմնադիրները։ Նրանց մոդելը սկսեց թիրախային սպիտակուցի շուրջը ատոմների մակարդակից նոր միացություններ գեներացնել, ինչպես փազլի մի փոքր կտորի շուրջ կհավաքվեր ամբողջական փազլը։ Այնուհետև նրանք սկսեցին փուլ առ փուլ գնահատել իրենց մոդելի աշխատանքը՝ հետադարձ կարծիք ուղարկելով այն մասին, թե ինչն էր լավ, ու ինչն էր վատ։
Մհերն ասում է՝ կարևոր է, թե հետադարձ կարծիք ուղարկելու ինչպիսի սկզբունք է ընտրվում մոդելը զարգացնելիս։ Դե, ամենակարևորն այն է, որ գեներացվող մոլեկուլը արդյունավետ կապվի թիրախային սպիտակուցի հետ, և առաջին հերթին մոլեկուլի հենց այդ հատկությունն է լավ արդյունք համարվում։ Բայց, եթե, օրինակ, կարևոր է նաև, որ մոլեկուկը տափակ կառուցվածք ունենա և ջրում լուծելի լինի, ապա մոդելի աշխատանքը գնահատելիս պետք է հետադարձ կարծիք ուղարկել, որ եթե մոլեկուլը տափակ կառուցվածք չունի և ջրում չի լուծվում, ապա դա վատ արդյունք է։ Հետադարձ կարծիք ուղարկելիս որքան մոտեցումը դետալային է, այնքան արդյունքն ավելի գոհացնող է։
Իհարկե, ինչպես ՄՈՒ այլ մեթոդների, այնպես էլ Ամրապնդման ուսուցման դեպքում ամեն ինչի հիմքում ընկած է կախատեսումը․ ՄՈՒ մոդելը, հիմնվելով փորձի վրա, կանխատեսում է միացություններ, որոնք մեծ հավանականությամբ կարող են արդյունավետ լինել այս կամ այն թիրախի դեմ։
«Դեղագործության մեջ ձախողումների բարձր տոկոսը հատկապես սկզբում՝ լաբորատոր փուլում, կախված է նրանից, որ փորձարկվող մոլեկուլներն ի սկզբանե ամենալավ հատկանիշ ունեցողները չեն։ Մեր ալգորիթմը կարողանում է մաքսիմալ լավ հատկանիշներով մոլեկուլներ նախագծել։ Բնականաբար, կանխատեսման մեջ էլ են սխալներ լինում, բայց նույնիսկ դրա հետ մեկտեղ մեր արդյունքները՝ մեր գործընկերների հետ և նաև մեր լաբորատորիայում, ցույց են տալիս, որ մենք հայտնաբերման հաջողության բավականին բարձր տոկոս ունենք»,- ասում է Հովակիմը։
Նրա խոսքով եթե առանց ՄՈՒ օգտագործելու հայտնի շտեմարաններից առանձնացվեն քիմիական միացություններ ու հասնեն մինչև լաբորատոր փոձրարկումների փուլ, ապա դիտարկված ամեն 100 միացությունից 10-ը կարող է արդյունք ցույց տալ, մինչդեռ իրենց մոդելի դեպքում արդյունք է ցույց տալիս 100 միացությունից 30-ը, այսինքն՝ արդյունավետությունը մոտ 3 անգամ ավելի է։
Denovo Sciences-ում գեներացված նոր միացությունները սինթեզվում են և ուղարկվում լաբորատոր փորձարկման։ Ստարտափը համագործակցում է և՛ Հովակիմի ղեկավարած Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայի, և՛ արտասահմանյան գիտական կենտրոնների հետ։
Գրիպի վիրուսի դեմ միացությունները մեծամասամբ փորձարկվում են հենց Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայում։
«Այն, ինչ որ մենք կարող ենք ինքնուրույն անել, դա մենք փորձում ենք ինքնուրույն անել այստեղ։ Որոշ սահմանափակումներ, բնականաբար, կան։ Այդ սահմանափակումներն, օրինակ, վիրուսների հետ են կապված։ Կան վիրուսներ, որոնք մենք չունենք և հետևաբար այստեղ չենք աշխատում։ Կան նաև պայմանններ, որոնք պետք են, օրինակ, կորոնավիրուսի հետ աշխատելու համար, և որոնք նույնպես չունենք (դա պահանջում է կենսաանվտանգության 3-րդ կարգ, իսկ մեր լաբորատորիան 2-րդ կարգի է)։ Դրա համար մենք որոշ դեպքերում համագործակցում ենք»,- նշում է Հովակիմը։
Վարդանն ասում է՝ համագործակցությունների առումով իրենք բավականին առաջ են գնացել։ Այս պահին մի ծրագիր են իրականացնում, որի նպատակն է բոլոր կորոնավիրուսների դեմ միասնական դեղամիջոց նախագծել։ Ծրագիրն իրականացնում են ֆրանսիական CIRI-ի հետ համագործակցությամբ (Centre International de Recherche en Infectiologie, հայերեն՝ Ինֆեկցիոն հետազոտությունների միջազգային կենտրոն)։
Վերջերս Denovo Sciences-ը պայմանագիր է կնքել նաև Սինգապուրի A*STAR ID Labs-ի հետ (A*STAR Infectious Diseases Labs, հայերեն՝ A*STAR վարակիչ հիվանդությունների լաբորատորիաներ)։ A*STAR-ը հետաքրքրված է Dengue վիրուսով, որի պատվաստանյութը միայն առանձնահատուկ դեպքերի համար է, իսկ դեղամիջոց գոյություն չունի։ Այժմ փորձելու են Denovo Sciences-ի պլատֆորմն օգտագործել այս վիրուսի դեմ դեղամիջոցներ ստանալու համար։
Ստարտափն այժմ բանակցում է նաև դեղագործական չորս ընկերությունների հետ, և պայմանավորվածություններ կան մոտ աապագայում պայմանագրեր կնքելու։
Անկախ նրանից՝ հետազոտություններն իրականացվում են գիտական կառույցների թե դեղագործակաան ընկերությունների հետ, վերջնական փուլում, երբ փորձարկվեն միացություններն, ու դրանցից որևէ մեկը դառնա դեղամիջոց, այդ դեղամիջոցի մտավոր սեփականության իրավունքը (IP) կպատկանի նաև Denovo Sciences-ին, ինչը նշանակում է, որ ստարտափը ևս եկամուտ կստանա այդ դեղի վաճառքից։
Այս պահին Denovo Sciences-ում կենտրոնացած են վիրուսային հիվանդությունների դեմ դեղամիջոցների նախագծման վրա, բայց քանի որ նրանց մոդելը վարժեցված չէ կոնկրետ թիրախների ու կոնկրետ միացությունների մասին տվյալներով, ապա այն կարող է միացություններ գեներացնել ցանկացած թիրախի համար։
«Եթե վաղն ունենաք պոտենցիալ գործընկեր, որը շատ հետաքրրքված է մետաբոլիկ հիվանդություններով՝ քաղցկեղով կամ որևէ այլ հիվանդությամբ, ունի թիրախ և պատրաստ է մեզ հետ համագործակցել, մեզ համար դա հետաքրքիր թեմա է, մենք կարող ենք մեր պլատֆորմի միջոցով այնտեղ աշխատել»,- ասում է Հովակիմը։
Նա նշում է, որ աշնանը նաև նախատեսում են նոր նախագիծ սկսել շվեյցարական խոշոր կենսատեխնոլոգիական ընկերություններից մեկի հետ, որը զբաղվում է հակաբիոտիկների հայտնաբերմամբ ու հետազոտություններով։
Դեղերի նախագծման մեջ ՄՈՒ-ն օգտագործող ընկերությունները շատ են, կան ընկերություններ, որոնք այդ նպատակով օգտագործում են Ամրապնդման ուսուցումը։ Վարդանն ասում է՝ իրենց մրցակցային տարբերությունն այլ ստարտափներից ու ընկերություններից այն է, որ իրենք օգտագործում են բացառապես Ամրապնդման ուսուցումը, մինչդեռ շատերն օգտագործում են դասական մեթոդներն ու հետո իրենց մոդելները լավացնում Ամրապնդման ուսուցմամբ։
Denovo Sciences-ում աշխատում է 12 հոգի, 10-ը՝ Հայաստանից, 2-ն՝ արտասահմանից։ Ստարտափում կարևորում են նաև նոր կադրերի պատրաստումը, քանի որ Հայաստանում իրենց ոլորտի մասնագետների խնդիր կա։ Թիմից Մհեր Մաթևոսյանն ու Համլետ Խաչատրյանը, արդեն երկրորդ տարին է, ինչ քեմոինֆորմատիկա են դասավանդում Ամերիկյան համալսարանում։
«Եթե կենսաինֆորմատիկան ինչ-որ մակարդակներով տարբեր համալասարաններում դասավանդվել է, նույնիսկ հիմա որոշ լաբորատորիաներ կան, որոնք կենսաինֆորմատիկայով են զբաղվում, քեմոինֆորմատիկան մոռացության է մատնվել, բայց ժամանակակից դեղագործությունը, խոշոր դեղագործական ընկերություններն առանց քեմոինֆորմատիկայի ոչ մի բան չեն անում։ Ես հուսով եմ, որ երկու-երեք տարի հետո շատ ավելի շոշափելի արդյունքներ կունենանք։ Հուսով եմ, որ, օրինակ, Երևանի պետական համալսարանը, որ հսկայական քիմիայի ֆակուլտետ ունի, ավելի լուրջ կսկսի մտածել քեմոինֆորմատիկայի մասնագետներ պատրաստելու մասին, որովհետև քեմոինֆորմատիկան այն ուղղությունն է, որը ամբողջությամբ կարելի է անել Հայաստանում, չի պահանջում հսկայական ներդրումներ լաբորատորիաներ ստեղծելու տեսակետից, բայց նրա արդյունքը շատ շոշափելի և կիրառելի կարող է լինել և լինում է դեղագործության մեջ»,- ասում է Հովակիմը։
Այս ողջ գործընթացում կարևոր է նաև այն, որ Denovo Sciences-ը ոչ միայն համագործակցություններ է սկսում ու դեղագործական շուկայում իր տեղը բարելավում, այլ նաև նոր գիտելիք է գեներացնում, և ստարտափի աշխատանքների հիման վրա գիտական հոդվածներ են տպագրվում։
Վերջին հոդվածը, որն ուղարկվել է տպագրության, արվել է բացառապես Denovo-ում՝ առանց Հակավիրուսային դեղամիջոցների հայտնաբերման լաբորատորիայի հետ համագործակցության։ Այս հոդվածում ուսումնասիրվել են կորոնավիրուսի թիրախային սպիտակուցի 343 բյուրեղային կառուցվածքներ, և բացահայտվել է, որ չնայած այդ կառուցվածքները 100%-ով համարժեք են իրար, որոշ կառուցվածներ ունեն փոփոխված հատկանիշներ։ Սա նշանակում է, որ թիրախային սպիտակուցի դեմ արդյունավետ գործող քիմիական միացությունները կարող են անարդյունավետ դառնալ փոփոխված հատկանիշներով կառուցվածքների դեմ։ Այժմ սպասում են, որ հոդվածը գրախոսվի ու տպագրվի։
Հեղինակ՝ Աննա Սահակյան, տեսանյութը՝ Ռոման Աբովյանի, լուսանկարները՝ Սարգիս Խարազյանի, Ռոման Աբովյանի և Ջուլիետտա Հովհաննիսյանի
«Լաբորատորիայից ներս» շարքն իրականացվում է «Երիտասարդ գիտնականների աջակցության ծրագրի» (ԵԳԱԾ) ֆինանսավորմամբ։