Kako Evogene i Google Cloud Mijenjaju Dizajn Malih Molekula: Generativni Foundation Model za De Novo Otkrivanje

Ključne stavke:

• Evogene i Google Cloud udružili su snage kako bi razvili generativni foundation model za de novo dizajn malih molekula, koristeći ChemPass AI platformu i infrastrukturu Google Cloud-a.
• Model se trenira na skupu podataka od oko 40 milijardi molekularnih struktura, uz upotrebu Vertex AI, GPU-ova na Google Compute Engine i Google Cloud Storage, s ciljem ubrzanja otkrića lijekova, održive zaštite bilja i drugih primjena u životnim naukama.

Uvod

Saradnja između Evogene Ltd. i Google Cloud-a predstavlja značajan korak u smjeru primjene velikih generativnih modela na problem razvoja malih molekula. Tradicionalno, pronalaženje novih molekula koje zadovoljavaju kompleksne farmakološke, toksikološke i proizvodne zahtjeve često zahtijeva dugotrajne kliničke i eksperimentalne cikluse. Kombinacija specijalizirane platforme za prediktivnu biologiju i skalabilne infrastrukture za umjetnu inteligenciju otvara mogućnost prerazmišljanja tih procesa — ne kroz zamjenu laboratorijskih eksperimenata, nego kroz dramatično ubrzanje iteracija ideja, prioritizaciju kandidata i smanjenje troškova rane faze razvoja.

Evogene donosi u partnerstvo svoj ChemPass AI tech-engine, platformu za kompjuterski usmjerenu i ubrzanu identifikaciju i optimizaciju malih molekula. Google Cloud dodaje računalnu snagu i alate potrebne za treniranje velikog generativnog foundation modela: Vertex AI za organizaciju i orkestraciju modela, GPU-ove na Google Compute Engine za računsku intenzivnost treniranja i Google Cloud Storage za pohranu gigantskog skupa podataka. Rezultat planiranog treninga na približno 40 milijardi molekularnih struktura mogao bi donijeti skok u sposobnosti generisanja i optimizacije molekula s ciljanim svojstvima, mijenjajući način na koji kompanije i istraživači pristupaju otkrivanju lijekova, razvoju agrokemikalija i drugim inovacijama u životnim naukama.

Šta znači "generativni foundation model" za male molekule

Termin "foundation model" dolazi iz područja velikih jezičnih i multimodalnih modela koji su unaprijed trenirani na masivnim količinama podataka i potom prilagođavani za specifične zadatke. U kontekstu malih molekula, to podrazumijeva model koji je unaprijed naučio opće pravilo hemijske strukture, odnose između atoma, geometrijskih i elektronskih karakteristika, te osnovne obrasce koji određuju kako modifikacije strukture utiču na svojstva molekule. Takav model ne rješava automatski sve probleme, ali predstavlja snažnu bazu iz koje se mogu izvući kandidat-molekule za različite ciljeve — od vezivanja na određene biološke tarče do optimizacije farmakokinetičkih parametara ili smanjenja toksičnosti.

Generativni aspekt znači da model nije samo prediktivan nego i kreativan: on može predložiti potpuno nove strukture koje nisu nalik onima u postojećim bazama podataka. To omogućava de novo dizajn — generiranje molekula "iz ničega" s unaprijed definisanim svojstvima. Kvaliteta prijedloga zavisi od raznolikosti i kvalitete podataka korištenih za trening, arhitekture modela i hijerarhije kriterija koje model koristi pri generisanju i rangiranju kandidata.

ChemPass AI: specifična uloga Evogene-a

ChemPass AI je platforma koja integriše niz algoritama i modela za upravljanje virtualnim eksperimentima, prediktivne modele svojstava i optimizatore molekularnih struktura. Evogene je godinama gradio ekspertizu u kompjuterskim pristupima za predviđanje bioloških svojstava i interakcija, te u primjeni tih metoda u različitim industrijskim domenima. U partnerstvu s Google Cloud-om, ChemPass AI dobiva pristup skali i orkestraciji koja omogućava treniranje modela redova veličina dosad nedostižnih za pojedinačne laboratorije ili kompanije.

U praksi, ChemPass AI će koordinirati pipeline: definiranje ciljeva (npr. veća selektivnost prema tarči, manja vezanost za nepoželjne enzime), generisanje kandidata putem generativnog modela, procjenu predviđenih svojstava kroz ensemble prediktivnih modela i konačno prioritetizaciju molekula za sintetičku provjeru i laboratorijske testove. Integracija s Google-ovom infrastrukturom znači da se milijarde molarnih konfiguracija mogu procesirati paralelno, a iteracije modela provoditi brže nego što je to dosad bilo moguće.

Tehnologija i infrastruktura: Vertex AI, GPU-ovi i skladištenje

Trening velikih generativnih modela zahtijeva ne samo sofisticirane algoritme već i izuzetne računalne resurse. Vertex AI služi kao orkestrator modela: omogućava upravljanje eksperimentima, verzioniranje modela, automatizirano treniranje i evaluaciju te integraciju s alatima za eksplanatorne analize. Korištenje GPU-ova putem Google Compute Engine omogućava ubrzanje osnovnih linearnih algebra operacija u dubokim neuronskim mrežama, posebno kod transformera, graf-neuronalnih mreža i modela koji rukuju reprezentacijama molekula poput SMILES niza ili graf struktura.

Google Cloud Storage osigurava skalabilno, sigurno i distribuirano čuvanje velikih datasetova — u ovom slučaju stotina terabajta ili više kada se radi o 40 milijardi molekula i dodatnim izvedenicama, descriptorima i eksperimentalnim metapodacima. Takva infrastruktura također omogućava kontrolu pristupa, auditiranje i objedinjavanje raznovrsnih izvora podataka, što je presudno za transparentnost i ponovljivost modela.

Značaj skupa od ~40 milijardi molekularnih struktura

Obim i raznolikost podataka imaju ključnu ulogu u sposobnosti modela da generiše korisne i stvarno nove prijedloge. Skup od približno 40 milijardi molekula ukazuje na kombiniranje javno dostupnih baza, komercijalnih zbirki, generisanih varijanti i možda virtualnih derivata procijenjenih računalnim metodama. Taj obim daje modelu mogućnost da uči rijetke obrasce i korelacije koje manje kolekcije ne bi mogle obuhvatiti.

Međutim, količina sama po sebi nije dovoljna. Kvaliteta anotacija, konzistentnost stilova reprezentacije (npr. SMILES, InChI, grafovi), te prisutnost eksperimenata koji daju validaciju svojstava su jednako bitni. Model treniran na sirovoj masi bez odgovarajuće curation faze može naučiti nepoželjne pristrasnosti ili davati prijedloge koji su sintetički nepraktični ili toksikološki neprihvatljivi. Zato kombinacija velike baze i sofisticiranih filtera u ChemPass AI te orkestracija i sigurnosne kontrole na Google Cloud-u postaju kritične.

Kako generativni model poboljšava otkriće lijekova i agrohemikalija

Generativni foundation model može ubrzati ranu fazu otkrića kroz nekoliko mehanizama. Prvo, omogućava brzo generisanje kandidata optimiziranih za više svojstava istovremeno, što skraćuje vrijeme između ideje i molekule koja ulazi u laboratorij. Drugo, olakšava identifikaciju kemijskih serija koje do tada nisu razmatrane, čime se proširuje hemijski prostor koji istraživači mogu probati. Treće, modeli mogu predviđati potencijalne probleme poput potencijala za toksičnost ili interakcija s ljudskim proteinima, što doprinosi ranom odustajanju od loših kandidata i smanjenju nepotrebnih testova.

U poljoprivredi, slični pristupi mogu ubrzati razvoj molekula za zaštitu bilja koji su ciljano toksični za štetne organizme ali sigurni za usjeve i okoliš, ili mogu identificirati formulacije koje razgrađuju manje štetne ostatke. Korištenje generativnih modela smanjuje broj empirijskih eksperimenata u ranoj fazi i omogućava fokusiranje resursa na molekule s najvećim izgledima za uspjeh.

Tektonske promjene u istraživačkom procesu: od hipoteze do testa

Klasičan put od hipoteze do testa često uključuje generiranje nekoliko stotina do tisuća derivata, sintezu manjeg broja obećavajućih kandidata, te dugački ciklus in vitro i in vivo testiranja. Generativni foundation model mijenja taj tok tako što omogućava iterativno generiranje i poboljšavanje molekula u silico, često u ciklusima koji su višestruko brži. Kombinacija brze evaluacije u modelu i selektivne, kvalitetne laboratorijske validacije vodi do racionalnijeg upravljanja eksperimentalnim budžetom. Ipak, transformacija procesa zahtijeva i promjenu u organizacijskoj kulturi, infrastrukturi za automatizaciju sintetičkih procesa i u regulativnim pristupima.

Izazovi: sintetička dostupnost i praktičnost prijedloga

Jedan od najvećih izazova generativnih modela jest razlika između "virtualno lijepih" i sintetički izvedivih molekula. Model može predložiti strukturu koja ima izvrsne predviđene karakteristike, ali čija sinteza zahtijeva nepraktične reakcije, rijetke reagense ili više koraka koji dramatično podižu troškove. Zbog toga je nužno integrisati procjene sintetičke dostupnosti i retrosintetske rute u pipeline. Napredni alati za retrosintezu, zajedno s podacima o tržišno dostupnim reagentima i procesima, smanjuju rizik generisanja neprovedivih struktura.

Još jedan izazov je balansiranje više ciljeva: vezanje za cilj, selektivnost, farmakokinetika, toksičnost i patentabilnost često su u konfliktu. Multiobjektivna optimizacija zahtijeva sofisticirane metode koje mogu težiti kompromisima i omogućiti istraživačima da jasno vide trade-off između različitih svojstava.

Validacija: spajanje in silico predikcija i laboratorijske provjere

Model je vrijedan onoliko koliko su njegovi prijedlozi potvrđeni u laboratorijskim uvjetima. Validacija uključuje sintezu prioritetnih molekula, biokemijske i stanične testove, profiliranje ADMET osobina te rano procjenjivanje selektivnosti i toksičnosti. Eksperimentalni povratak mora biti brzo integrisan u model kako bi se omogućilo kontinuirano učenje i smanjenje pogrešaka modela. Automatske laboratorije i visokopropusni sistemi testiranja mogu dodatno ubrzati ovu petlju. Ključ je osigurati da model ne postane "crna kutija" čije odluke ne mogu biti objašnjene ili opravdane pred regulatorima i internim etičkim odborima.

Regulativa, intelektualno vlasništvo i odgovornost

Primjena generativnih AI modela u razvoju lijekova i agrohemikalija postavlja niz regulatornih i pravnih pitanja. Patentabilnost molekula koje je predložio model može biti složena: kako tretirati autorsko pravo i vlasništvo nad idejama koje su generisane algoritmom koji je treniran na kombinaciji javnih i privatnih podataka? Također, regulatorne agencije zahtijevaju transparentnost u dokazima koji potkrepljuju sigurnost i efikasnost kandidata. Mogućnost da model generiše molekule s visokim potencijalom za zloupotrebu (dual-use) zahtijeva etičke kontrole i procjene rizika.

Kompanije će morati jasno definirati vlasništvo nad intelektualnom svojinom, politiku dijeljenja podataka i pristup upravljanju rizicima. Suradnja s regulatorima i uspostavljanje dobrih praksi za auditabilnost i dokumentaciju bit će presudni za komercijalnu prihvatljivost.

Etički aspekti i dual-use rizici

Generativni modeli za male molekule imaju potencijalne posljedice koje nadilaze benefite. Prijedlozi koji su toksični za ljude ili okoliš, namjerno ili slučajno, predstavljaju ozbiljnu prijetnju. Zato je nužno implementirati mehanizme kontrole koji filtriraju ili ograničavaju generiranje molekula s poznatim štetnim profilima. Etički okvir mora uključivati transparentne protokole za procjenu rizika, simetričnu validaciju i kooperaciju s nadležnim tijelima za biološku sigurnost.

Uz to, postoji pitanje pravedne raspodjele koristi od takvih tehnologija. Manje razvijene zemlje i manji istraživački timovi trebaju pristup alatima i resursima ili jasan model licenciranja koji ne zatvara pristup inovacijama velikim korporacijama.

Tehničke strategije za poboljšanje generativnih modela

Napredak u generativnim modelima za hemiju često se postiže kombinacijom tehnika: transformeri koji rukuju SMILES ili SELFIES reprezentacijama, graf-neuronalne mreže koje modeliraju atomske veze i prostor, te modele koji uključuju fizičko-kemijske simulative kao dodatne izvore signala. Transfer učenje i finetuning na specifične zadatke omogućavaju foundation modelu da zadrži opću kemijsku intuiciju, a istovremeno postane osjetljiv na ciljne domene poput određenog tipa proteina ili specifičnih tox profila.

Aktivno učenje i bayesijanski pristupi mogu pomoći u odabiru eksperimenata koji su najinformativniji za poboljšanje modela. Umrežavanje ovih strategija s automatiziranim laboratorijama stvara zatvorenu petlju učenja koja može drastično smanjiti broj potrebnih empirijskih testova.

Poslovne i ekonomske implikacije

Uvođenje foundation modela u radne tokove istraživanja može promijeniti ekonomsku strukturu industrije. Smanjenje vremena i troškova rane faze otkrića može smanjiti barijere za ulazak na tržište novih igrača i povećati brzinu inovacija. S druge strane, velike kompanije s pristupom ekskluzivnim datasetima i resursima za treniranje mogu steći značajnu prednost. Modeli koji generišu vrijedne prijedloge mogu postati samostalni poslovni proizvodi: licence za pristup modelu, pružanje usluga dizajna molekula ili integrirani alati s ChemPass-om.

Za investitore i startupe, mogućnost brže validacije ideja smanjuje rizik i može dovesti do bržeg kapitalnog povrata. Međutim, tržište će reagovati i konsolidacijom: oni koji ne mogu investirati u računalnu infrastrukturu ili pristup kvalitetnim podacima mogu se naći u nepovoljnijem položaju.

Sigurnost podataka i privatnost

Velike baze podataka molekula često uključuju osjetljive i komercijalno vrijedne informacije. Google Cloud nudi alate za upravljanje pristupom, enkripciju i audite, ali odgovornost za zaštitu podataka ostaje na korisnicima. Osiguravanje da privatni podaci, naročito oni iz farmaceutskih razvojnih programa, ne budu slučajno korišteni za treniranje modela dostupnog trećim stranama je kritično. Organizacije će morati uspostaviti jasne politike za anonimnost, segmentaciju i kontrolu modela.

Potencijalni uticaj na radne uloge u istraživanju

Uvođenje moćnih generativnih modela neće automatski zamijeniti znanstvenike, ali će promijeniti prirodu poslova. Rutinirana i repetitivna zadaća generiranja i filtriranja velikih brojeva molekula može se automatizirati, dok će stručnjaci biti potrebni za interpretaciju rezultata, dizajn kritičnih eksperimentalnih testova, te donošenje strateških odluka. Vještine kombinacije računalne kemije, mašinskog učenja i laboratorijskog rada postat će sve važnije. Institucije će morati uložiti u prekvalifikaciju i izgradnju interdisciplinarnih timova.

Scenariji primjene: od lijekova do materijala

Iako su rano istaknute aplikacije u razvoju lijekova i zaštiti bilja, generativni modeli male molekule imaju potencijal i u drugim domenima. Dizajn molekula za specifične funkcije u materijalima, npr. u baterijskoj tehnologiji, polimerima ili katalizatorima, također može profitirati od velikih foundation modela. U svakom slučaju, ključ je u definiranju jasnih ciljeva i metrika performansi koje model treba optimizirati.

Kako Evogene-Google Cloud partnerstvo može postaviti standarde

Kombinacija Evogene-ove ekspertnosti u prediktivnoj biologiji i Google-ove infrastrukture može postaviti nove tehničke i operativne standarde za industriju. Transparentnost u metodologijama, jasan okvir za validaciju i etičke protokole mogli bi postati referenca za druge aktere. Ako se pokaže da pristup donosi ponovljive, mjerljive rezultate u komercijalnim projektima, očekivana implikacija je ubrzanje usvajanja sličnih rješenja širom sektora.

Barijere i potrebno dalje istraživanje

Iako su potencijali veliki, postoje konkretne barijere: interoperabilnost podataka, standardizacija reprezentacija molekula, robustnost modela prema rijetkim ili unanaplativim ciljevima te potreba za boljim modelima za retrosintezu. Dodatno, dugoročni uspjeh zahtijevat će dublje razumijevanje kako kombinirati fizičko-hemijske simulacije s učenjem iz podataka kako bi se smanjio rizik lažnih pozitivnih prijedloga.

U istraživačkom smislu, treba raditi na boljem razumijevanju generalizacije modela preko hemijskih prostora koji su slabo zastupljeni u treninzima te razvijati metode koje omogućavaju modelima da daju kvantitativne mjere povjerenja u svoje prijedloge.

Implementacijski koraci za laboratorije i kompanije

Organizacije koje žele iskoristiti prednosti ovakvih modela trebaju napraviti nekoliko ključnih stvari: investirati u kvalitetu podataka i njihovu kuraciju, osigurati infrastrukturu za pohranu i računanje ili partnerstvo s provajderima poput Google Cloud-a, razviti interne protokole za validaciju prijedloga i povezati rad modela s praktičnom sintezom i testiranjem. Obuka kadrova i etički okvir su jednako važni. Integracija modela mora biti planirana kao evolucijski proces, gdje se rani rezultati ocjenjuju i pipeline prilagođava.

Potencijalne studije slučaja i pilot projekti

Najefikasniji put usvajanja novih tehnologija obično je kroz pilot projekte s jasno definisanim metrikama uspjeha. Takvi pilot projekti mogu testirati, na primjer, smanjenje vremena do prvog validiranog kandidata, povećanje udjela sintetibilnih molekula u top listama ili smanjenje troškova prilikom ranih testova toksičnosti. Transparentno izvještavanje o rezultatima i neuspjesima iz takvih pilot projekata doprinijelo bi znanju unutar cijele zajednice.

Perspektiva konkurencije i globalni uticaj

Kada velike platforme kao što su Evogene i Google Cloud objave napredne modele i rezultate, to obično izaziva val replikacija i novih partnerstava. Regionalne centre izvrsnosti, akademske grupe i start-upovi će nastojati iskoristiti slične tehnologije. Globalni uticaj će ovisiti o načinu dijeljenja alata: otvoreni pristup može ubrzati istraživanje i demokratičnost tehnologije, dok komercijalne licence mogu koncentrisati prednosti među većim igračima.

Zaključne misli o transformaciji industrije

Ovo partnerstvo predstavlja konvergenciju stručnosti u prediktivnoj biologiji i digitalnoj infrastrukture visoke skale. Nije riječ o jednom proizvodu, nego o evoluciji procesa koji vode od ideje do molekule. Ako se implementira odgovorno, uz odgovarajuće kontrole, ono može znatno ubrzati otkriće lijekova i razvoj proizvoda za zaštitu bilja, smanjiti troškove i povećati broj inovacija koje dolaze na tržište. Istovremeno, predstoje ozbiljni izazovi koji zahtijevaju interdisciplinarni odgovor — od inženjera podataka i kemičara do regulatora i etičara.

Česta pitanja:

Pitanje: Šta je ChemPass AI i kakvu ulogu igra u ovom partnerstvu? Odgovor: ChemPass AI je kompjuterska platforma Evogene-a za prediktivnu biologiju i optimizaciju molekula; u partnerstvu služi kao jezgro koje orkestrira generisanje, procjenu i prioritetizaciju molekularnih prijedloga koristeći modele koji sada dobivaju dodatnu računsku i podatkovnu infrastrukturu od Google Cloud-a.

Pitanje: Zašto je veličina skupa podataka od oko 40 milijardi molekula važna? Odgovor: Veliki i raznovrstan skup podataka omogućava modelu da nauči složene hemijske obrasce, prepozna rijetke strukture i generalizira preko širokog hemijskog prostora; to povećava šanse da generisani kandidati budu inovativni i korisni u različitim ciljevima, iako sama veličina mora biti praćena kvalitetom i adekvatnom kuracijom podataka.

Pitanje: Koje tehnologije Google Cloud-a se koriste u treniranju modela? Odgovor: Korišteni su Vertex AI za upravljanje i orkestraciju modela, GPU-ovi na Google Compute Engine za računsku snagu potrebnu pri treniranju dubokih mreža, te Google Cloud Storage za sigurno i skalabilno pohranjivanje ogromnih datasetova i metapodataka.

Pitanje: Može li generativni model u potpunosti zamijeniti laboratorijske eksperimente? Odgovor: Ne, model služi za ubrzanje i fokusiranje laboratorijskih eksperimenata smanjujući broj nepotrebnih testova; konačna validacija i procjena sigurnosti i efikasnosti moraju proći kroz sintezu i empirijske biokemijske i farmakološke testove.

Pitanje: Koji su glavni rizici povezani s korištenjem ovakvih modela? Odgovor: Rizici uključuju generisanje sintetički nepraktičnih ili toksičnih molekula, pristranosti u podacima koje vode do pogrešnih zaključaka, pitanja intelektualnog vlasništva, te mogućnost dual-use zloupotrebe; sve to zahtijeva tehničke, pravne i etičke mjere kontrole.

Pitanje: Kako se može procijeniti sintetička izvedivost prijedloga modela? Odgovor: Integracijom alata za retrosintezu, baze podataka dostupnih reagensa i procjena troškova sinteze u pipeline, te korištenjem heuristika i modela koji eksplicitno uključuju kriterije sintetičke dostupnosti pri rangiranju kandidata.

Pitanje: Hoće li ovo partnerstvo učiniti razvoj lijekova jeftinijim? Odgovor: U ranoj fazi razvoja očekuje se smanjenje troškova i vremena kroz bolju selekciju kandidata i manji broj nepotrebnih eksperimenata; međutim, ukupni troškovi razvoja lijekova ovise i o kasnijim kliničkim fazama koje ostaju kapitalno intenzivne.

Pitanje: Kako se rješavaju pitanja privatnosti i zaštite podataka pri treniranju modela? Odgovor: Korištenjem sigurnih cloud servisa s enkripcijom, kontrolom pristupa i auditima, te jasnim internim politikama o korištenju i dijeljenju osjetljivih podataka; odgovornost za zaštitu podataka i compliance ostaje na korisnicima i partnerima.

Pitanje: Može li ovaj pristup ubrzati razvoj agrokemikalija? Odgovor: Da, generativni modeli mogu brzo predložiti molekule s targetiranim svojstvima za suzbijanje štetnika ili bolesti, te pomoći u identifikaciji formulacija s manjim ekološkim utjecajem, čime se ubrzava rani razvoj i smanjuju nepotrebni eksperimenti.

Pitanje: Kako će ovo utjecati na startupe i manje igrače u industriji? Odgovor: S jedne strane, pristup takvim alatima može smanjiti barijere za ulazak i ubrzati inovacije; s druge strane, oni s većim resursima i ekskluzivnim podacima mogu steći prednost, što može voditi konsolidaciji tržišta.

Pitanje: Šta znači multiobjektivna optimizacija u kontekstu dizajna molekula? Odgovor: To je pristup u kojem model istovremeno optimizira više svojstava molekule — poput afiniteta prema tarči, farmakokinetike, toksičnosti i sintetibilnosti — i pruža kompromisne solucije umjesto jedinstvenog optimalnog odgovora.

Pitanje: Koje su najbolje prakse za validaciju modela u industrijskom okruženju? Odgovor: Najbolje prakse uključuju definiranje jasnih metrika uspjeha, provođenje pilot projekata s dobro parametriziranim eksperimentalnim protokolima, brzo integriranje povratnih informacija iz laboratorije i transparentnu dokumentaciju svih koraka radi auditabilnosti.

Pitanje: Postoji li rizik da model reproducira pristranosti iz podataka na kojima je treniran? Odgovor: Da; modeli trenirani na neadekvatno reprezentativnim ili pristranim skupovima podataka mogu perpetuirati te pristranosti, stoga je nužna kuracija podataka, evaluacija robusnosti i razvijanje metoda za detekciju i korekciju pristranosti.

Pitanje: Kako suradnja Evogene-a i Google Cloud-a može utjecati na standarde industrije? Odgovor: Ako suradnja pokaže ponovljive i mjerljive prednosti u komercijalnim projektima, može postaviti tehnološke, etičke i operativne standarde koji će drugi akteri nastojati usvojiti, naročito u pogledu integracije AI s robustnim protokolima validacije i sigurnosti.

Pitanje: Šta slijedi nakon razvoja foundation modela za male molekule? Odgovor: Slijedi faza finetuninga, integracije s retrosintetskim alatima i laboratorijskom automatizacijom, te pilot-projekti i komercijalna primjena; paralelno će biti potrebni rad na regulativnim i etičkim okvirima kako bi se omogućilo sigurno i odgovorno korištenje tehnologije.