قبل يومين ، تحدثت ألسو ميساروفا ، خريجة كلية الميكانيكا والرياضيات بجامعة موسكو الحكومية ، ودكتوراه في بيولوجيا الأنظمة (الجينوميات الوظيفية في الخميرة) في جامعة بونيبو فابرا في برشلونة ، على موقع يوتيوب. الآن Alsou هو باحث ما بعد الدكتوراة في مختبر JOhn Marioni (EBI ، كامبريدج ، المملكة المتحدة) ، ويعمل في خلية واحدة RNA-seq والتكامل مع النسخ المكانية.
قدم ألسو مقدمة موجزة جدًا عن ماهية المعلوماتية الحيوية وكيف تختلف عن علم الأحياء الحسابي. نشاركك التسجيل ونسخة من البث: نأمل أن تكون هذه مقدمة لسلسلة كاملة من المتحدثين المنخرطين في المعلوماتية الحيوية.
اسمي Alsu Missarova. لقد طُلب مني التحدث عن المعلوماتية الحيوية - على وجه الخصوص ، ما هي المشكلات التي أحلها ، ونوع البيانات التي أعالجها ، ونوع المشكلات الموجودة في علم الأحياء الحسابي للتقنيين ، والأشخاص الذين لديهم تحيز في علوم الكمبيوتر ، وتحليل البيانات ، وما إلى ذلك.
أنا لست خبيرًا في المعلومات الحيوية ، أنا عالم أحياء حسابي. هذان المفهومان مرتبطان ارتباطًا وثيقًا والخط الفاصل بينهما غير واضح ، لكن من المهم فهم الاختلاف. بالنسبة لكليهما ، الهدف هو الإجابة على بعض الأسئلة البيولوجية ، أو تحسين فهمنا لكيفية عمل العمليات البيولوجية. نهجهم مشابه: معالجة وتحليل البيانات لكمية كبيرة من البيانات التي لا يمكن معالجتها بالعينين واليدين. الفرق في الأولوية. يفضل أن يكون لدى عالم الأحياء الحسابية سؤال بيولوجي محدد نسبيًا ويحتاج إلى فهم نوع البيانات التي يجب جمعها. تحتاج إلى الوصول إلى هذه البيانات ، يجب أن تكون قادرًا على معالجة السؤال وتحليله وتفسيره والإجابة عليه بشكل صحيح. عندما يكون الهدف هو المعلوماتية ، فهو بالأحرى إنشاء خوارزميات وأجسام وطرق للعمل مع البيانات البيولوجية.سيتم وضع المهمة في المقدمة ، على الأرجح ، وستكون البيانات في شكل صناعي أكثر. أي أنه سيكون لديهم تنسيق بيانات معين سيعالجونه ، والذي سيحتاج إلى إنتاجه لعدد كبير من الأفراد أو الكائنات الحية ، وما إلى ذلك.
يمكنك أن تأخذ الأمر على هذا النحو: من المرجح أن يكون عالم الأحياء الحسابي عالم أحياء يمكنه فتح بعض المكتبات واستخدام بعض الأدوات ، ومن المرجح أن تكون المعلوماتية الحيوية عالم كمبيوتر لا يهتم بالبيولوجيا ، ولا يفهمها حقًا ، وهو فقط يعمل مع الأرقام والسلاسل والبيانات. في الحقيقة ، ليس كذلك بالطبع. هذا صحيح بالنسبة لأي مجال ، ولكن عندما تعمل مع البيانات - في أي مجال - فأنت بحاجة ماسة إلى فهم نوع البيانات التي لديك وأين تحصل على الضوضاء في البيانات. وسيكون هناك الكثير من الضوضاء في البيانات البيولوجية التي ستتلقاها. بشكل تقريبي ، يمكن أن تتحلل إلى ضوضاء تقنية وبيولوجية. تأتي الضوضاء الفنية من حقيقة أن الآلات التي تنشئ البيانات معيبة ومعيبة. وتحدث الضوضاء البيولوجية بسبب وجود الكثير من الاختلاف في أي نظام.حتى بين خليتين من نفس الكائن الحي ، حتى لو كانت خلايا الجلد متجاورة ، سيكون هناك اختلاف بيولوجي. من الضروري التمييز بين الضوضاء التقنية والبيولوجية ، وإزالة التقنية وترك بيولوجية ، وهذا يتطلب فهمًا للبيولوجيا.
دعنا ننتقل إلى نوع البيانات التي لدينا في علم الأحياء. بادئ ذي بدء ، عندما يستمع الناس إلى المعلوماتية الحيوية ، فإنهم يفكرون في تسلسل الحمض النووي (وهو ، من حيث المبدأ ، له ما يبرره). أعتقد أن الجميع يعرف ماهيتها: إنها ، نسبيًا ، القدرة على تحديد تسلسل الحمض النووي للكائن الحي. وهذا يعني أن الحمض النووي جزيء طويل جدًا ؛ بالنسبة للبشر يبلغ حوالي 3.1 مليار "حرف". 4 أحرف - ACDH - هذه نيوكليوتيدات. وفقًا لذلك ، تعلم الناس قراءة الحمض النووي لكائن حي. إنه رائع جدا. الآن يمكنك ، على سبيل المثال ، تحديد تسلسل شخصين ، ومقارنتها والتباين ، ما هو الفرق بين هذه التسلسلات وما هو الفرق بين هؤلاء الأشخاص ، ومحاولة إيجاد علاقة السبب والنتيجة. هذه هي الطريقة التي يؤثر بها الحمض النووي على النمط الظاهري الخاص بك ، ما هو الفرق بين شخصين. وبالمثل ، دعنا نقول في علم الأحياء الحسابي:يمكنك أخذ كائنين من الأنواع المجاورة ، وتسلسلهما بنفس الطريقة - تحديد تسلسل الحمض النووي ، وبناءً عليه ، حاول فهم ما هو الفرق بين الكائنات الحية ، وما هو الحمض النووي الذي يؤثر بالفعل على هذا.
الآن يمكنك الانتقال إلى بُعد آخر وطرح هذا السؤال: إذا أخذت خليتين من كائن حي ، من شخص واحد ، فما الفرق بينهما؟ وهذا يعني ، نسبيًا ، أن الخلايا الظهارية للجلد تختلف عن الخلايا العصبية. هنا الحمض النووي لم يعد مناسبًا جدًا. هناك بديهية خاطئة إلى حد كبير: أن تسلسل الحمض النووي للخلايا في كائن حي واحد هو نفسه دائمًا. إنه خاطئ لأن الكائن الحي هو بنية ديناميكية ؛ ينمو ، يشارك ، يموت. في هذه العملية ، تتراكم الطفرات. عملية تكرار الحمض النووي ليست مثالية ، وفي بعض الأحيان تحدث الانهيارات ؛ الحمض النووي يعيد نفسه ، لكنه يكرر نفسه بشكل ناقص. يمكن أن تكون الطفرات محايدة ، ولا تؤدي إلى أي شيء ، أو قد تكون ضارة ، مما يؤدي إلى خلل وظيفي في الخلية. بالطبع ، إذا قمنا بالتجريد ، فإن تسلسل الحمض النووي لا يزال متطابقًا إلى حد ما بين الخليتين ،لكنها تعمل بشكل مختلف. وفقًا لذلك ، يهدف عدد كبير من الأسئلة البيولوجية إلى فهم ما هو الفرق بين الخلايا المختلفة وما يؤثر عليها. المجتمع لديه طلبات لهذا النوع من البيانات. يجب أن تكون قادرًا على إبراز هذا الاختلاف وحسابه وقراءته.
هذا هو المكان الذي نصل فيه إلى ما أفعله. تنسيق البيانات الرئيسي (أو أحد أهم) الذي يستخدمه الناس هنا هو تسلسل الحمض النووي الريبي. الآن سأتحدث بإيجاز عن ماهية الحمض النووي الريبي ، وعن تطور تسلسل الحمض النووي الريبي بشكل عام.
هذه نسخة مختصرة للغاية ، في الواقع ، كل شيء أكثر تعقيدًا. الركنان اللذان يدعمان التخليق الحيوي للخلية هما النسخ والترجمة. الحمض النووي هو كلمة طويلة جدًا تقوم بترميز معلومات معينة. يمكن معالجة هذه المعلومات بواسطة الخلية وقراءتها ومعالجتها إلى عناصر وظيفية.
البروتينات هي خير مثال على ذلك. هذه آلات صغيرة في خلية تؤدي وظائف معينة وتوفر الحياة والوظائف لهذه الخلية بحيث تعمل كما ينبغي. يتم ترميز البروتينات بواسطة الجينات. الجين هو كلمة فرعية في تسلسل الحمض النووي. يحدث النسخ عندما تجلس آلة جزيئية كبيرة على حلزون مزدوج طويل من جزيء DNA - البوليميراز ، الذي ينتقل عبر الجينات ، ويخلق نسخًا ويلقي بها في سيتوبلازم الخلية. يتم إنشاء نسخ الحمض النووي هذه (ليست نسخًا حقًا) بكمية معينة. وفقًا لذلك ، تحتوي خليتان مختلفتان على كميات مختلفة من الحمض النووي الريبي من جينات مختلفة. بالنسبة للخلية الظهارية ، هناك حاجة إلى مزيد من الجين A ، وللخلايا العصبية - يتم إنتاج المزيد من الجين B ، ويتم إنتاج عدد مختلف منها. ثم تتم معالجة الحمض النووي الريبي ، وبعد ذلك ، عندما يكون بتنسيق نهائي ، "تجلس" آلة أخرى على الخيط. على التوالي،عندما يتحدث الناس عن تسلسل الحمض النووي الريبي ، فإنهم يقصدون ، نسبيًا ، حساب مقدار الحمض النووي الريبي الذي يتم إنتاج الجينات منه في الخلايا. هذا هو تكوين الحمض النووي الريبي ، أو تسلسل الحمض النووي الريبي.
في الواقع ، إنه لأمر رائع أن يتعلم الناس القيام بذلك. لفترة طويلة ، كان القيد الرئيسي لهذه التكنولوجيا هو أن الأمر يتطلب الكثير من الخلايا للحصول على مادة RNA. وهذا يعني أنه كان من الضروري تجميع عشرات الآلاف من الخلايا معًا (بشكل طبيعي ، غير قابل للحياة بالفعل) ، وإزالة الحمض النووي الريبي (RNA) وتسلسله.
المشكلة هي أن الخلايا ستختلف غالبًا عن بعضها البعض. سيكون هناك الكثير من التنوعات البيولوجية ، لأنه في العديد من العمليات - على سبيل المثال ، التطور ، أو علم المناعة ، أو علم الأورام - سيكون هناك تفاعل كبير بين الخلايا ذات الوظائف المختلفة. وعندما يتم إجراء خزعة على سبيل المثال ويتم سحب الكثير من الخلايا ، يتم الحصول على مزيج. وإذا كنت تأخذ فقط توقع هذه الرنا لجميع الخلايا ، فإنك تفقد التباين. وأنت لا تفهمها ولا تستطيع دراستها.
وبناءً عليه ، كان هناك طلب من المجتمع للقيام بذلك على مستوى الخلية الواحدة. وقد تعلموا القيام بذلك منذ 10 سنوات. هذا رائع جدًا ، فهو مهم جدًا للعديد من المجالات. يمكنك النظر بعمق في النظام ، ومعرفة نوع الخلايا الموجودة على المستوى المجهري. ولكن هناك أيضًا قيود. أحدها أنك تفقد معلوماتك المكانية. بشكل نسبي ، لإجراء تسلسل الحمض النووي الريبي ، تحتاج إلى أخذ قطعة من الأنسجة ، وتقطيعها إلى خلايا ، والقيام بـ RNA-seq للخلية المفردة.
ولكن بطريقة ودية ، هناك الكثير من الوظائف في كيفية تفاعل الخلايا مع بعضها البعض في الفضاء. ولهذا توصلوا إلى تقنية النسخ الخاصة - القدرة على قياس الحمض النووي الريبي دون فقدان المعلومات المكانية.
أحد الأساليب الرئيسية لذلك هو استخدام المجهر: تأخذ الأنسجة الخاصة بك ، وتصلحها - أي ، تأخذ مجموعة من الخلايا ، وتثبتها في المجهر. وبعد ذلك ترسل مجسات صغيرة إلى هذا النسيج ، والذي يحتوي على عنصرين: أحدهما خاص جدًا بالـ RNA الخاص بك ، وسوف يرتبط فقط بتلك الجينات المهمة. والثاني سيكون علامة فلورسنت متوهجة. يمكنك تسليط المجهر بتردد معين للموجة على الأنسجة ، ويمكنك تحديد عدد اليراعات في الخلايا التي ستضيء. وفقًا لذلك ، سيكون هناك العديد من جزيئات RNA. في الواقع ، المهام التي أقوم بها تقع عند مفترق طرق النسخ الخاصة وتسلسل الحمض النووي الريبي أحادي الخلية. نسبيا ، هنا أقوم بالتنمية ، بالنظر إلى الفئران الصغيرة ؛ لدي بيانات عن خلية واحدة ونسخة خاصة ،وأنا أحاول مطابقة الخلايا التي أراها في السياق الخاص مع تلك التي أراها في الخلية المفردة RNA-seq.
سوف أنتقل إلى المشاكل التي ، من حيث المبدأ ، قد تكون ذات فائدة للتقنيين ومهندسي ML. لقد حددت ثلاثة أنواع من المهام المطلوبة حاليًا ، وكلها في مجال الطب ؛ يتلقى الطب الآن الكثير من الموارد ، والكثير من المال ، والكثير من البيانات.
النوع الأول من المهمة هو اكتشاف الأدوية. يوجد مرض ، يجب علاجه ، لذلك عليك أن تجد دواء. كيفية تلخيص هذه المهمة بمزيد من التفصيل ؛ تحتاج إلى العثور على تركيبة مادة كيميائية يمكن وضعها في حبة أو كبسولة ، وإرسالها إلى الجسم ، وبعد ذلك ترتبط الجزيئات على وجه التحديد بتلك البروتينات ، تلك الأهداف التي ، إذا تم تعديل حالتها ، ستغير حالة المرض - نسبيًا ، علاج.
هناك عدة مراحل هنا. واحد منهم هو تحديد الهدف / التحقق من صحة. يجب أن نكون قادرين بطريقة ما على التنبؤ بالجزيئات التي يجب ربطها حتى تتغير حالة المرض. لهذا ، يتم جمع مجموعة كبيرة من البيانات: تأخذ المرضى ، تأخذ الأشخاص الأصحاء ، تقيس الكثير من المعايير المختلفة منهم. أنت تقوم بتسلسل الحمض النووي ، والحمض النووي الريبي ، والنسخ ، والبروتيوميات - حالة البروتينات.
بعد ذلك ، تحاول تحديد أي من معايير خلايا المرضى تتعلق على وجه التحديد بالمرضى ، وأيها بالأشخاص الأصحاء. أي محاولة تحديد الجزيئات التي من المحتمل أن تكون مرتبطة بالمرض. هذا من جهة. من ناحية أخرى ، ما زلت بحاجة إلى العثور على مثل هذه الجزيئات التي ستكون قابلة للتخدير - أي التي لديها القدرة على الارتباط بالمواد الكيميائية النشطة التي ترسلها إلى الجسم للشفاء. تحتاج هنا إلى قياس العديد من المعلمات: الارتباط ، وطي البروتين ، وما إلى ذلك.
لهذا الغرض ، يتم استخدام التعلم الآلي النشط الآن. أي أنك تنظر إلى مركبات بروتينية مختلفة وتحاول التنبؤ ، بناءً على أهداف معروفة ، ما إذا كان هدف معين سيكون جيدًا. بالإضافة إلى ذلك ، يجب على المرء أيضًا تصنيع الدواء الصحيح. أي أنك تحتاج إلى إيجاد مثل هذا التركيب الكيميائي للجزيء الذي يمكن أن يرتبط على وجه التحديد بالبروتين الذي تحتاجه للاتصال ، ويمكن ، من حيث المبدأ ، الدخول إلى الجسم ، ويمكن أن يذوب في الماء ، وما إلى ذلك. هناك العديد من الميزات التي تحتاج إلى تحسين. إن القيام بذلك بيديك أمر صعب ، ولكن يمكن التنبؤ به بناءً على حقيقة أنك تعرف بالفعل أدوية ، وتقارن العقار الجديد المحتمل بالأدوية المعروفة وتتوقع مدى نجاحه المحتمل. كل هذا على مستوى التنبؤ. ثم يجب التحقق من صحتها ، وإظهارها حقًا ،أنه يعمل. لكن تنبؤات الأدوية هي المفتاح لخفض الأموال والوقت الذي يقضيه في البحث. هذا وثيق الصلة بالموضوع.
النوع الثاني من المشاكل المرتبطة بالأول هو ، نسبيًا ، العثور على المؤشرات الحيوية للمرض. السرطان مثال جيد. جزء من سبب صعوبة علاجه هو أنه مختلف تمامًا وهناك اختلافات كثيرة بين شخصين. بشكل عام ، ما هو السرطان عندما يتراكم عدد معين من الطفرات ، مما أدى إلى انهيار الخلايا. وبدلاً من أداء وظيفتها ، تبدأ الخلية ببساطة في الانقسام بسرعة كبيرة واستبدال الخلايا السليمة. هذا يقتل الجسم تدريجيا. ولكن هناك الكثير من الآليات التي تنهار بسببها الخلية. سرطان شخص ما ليس سرطانًا لشخص آخر ، والعقار الذي يعمل لصالح شخص ما قد لا يعمل مع شخص آخر. وفقًا لذلك ، من المهم جدًا أن تكون قادرًا على تحديد الجينات والمعايير الأخرى التي يجب النظر إليها بسرعة لفهم أن الشخص مريض بمرض معين. أي أننا بحاجة إلى إيجاد المؤشرات الحيوية.لهذا ، يتم استخدام قواعد البيانات. الآن يتم جمع البيانات ذات التنسيقات المختلفة بنشاط من عدد كبير من الأشخاص ، الأصحاء والمرضى. تحتاج إلى بلورة الإخراج ؛ قد يتم علاج الشخص أو لا يتم علاجه ، وتحتاج إلى فهم نوع الأشخاص الذين يمرضون بسبب ما. إذا وجدت بسرعة ما تم كسره بالضبط ، فيمكنك معالجته.
المجال الثالث الذي يتم تطويره حاليًا مضحك ، لكن هذا هو التنقيب عن النص. يوجد الكثير من الأدبيات في علم الأحياء الآن ، وهناك عدد كبير جدًا من المعامل تعمل في عدد كبير من الأشياء. في الواقع ، غالبًا ما يجد الناس أشياءً - على سبيل المثال ، تفاعل البروتين البروتين أو تفاعل البروتين الدوائي. يحدث هذا بشكل مستقل في أجزاء مختلفة من العالم ، ولا يعرفون كيف يمكن أن يتفاعل. يبحث التنقيب عن النص في المقالات المختلفة المنشورة ويبني قاعدة بيانات. أي ، إذا تم تحديد أن أحد البروتينات يتفاعل مع البروتين الثاني في مكان ما ، وفي مكان آخر - أن البروتين الثاني يمكن أن يعمل بواسطة دواء معين ، فقد اتضح أن هذا الدواء يمكن أن يؤثر أيضًا على البروتين الأصلي. يتم إنشاء رسم بياني للتفاعل ، ويمكنك توقع تفاعلات جديدة لم يتم العثور عليها مسبقًا.
نوع آخر من المشاكل التي أردت أن أذكرها والتي ، في رأيي ، مثيرة للاهتمام للغاية ، هي تحليل الصور. بشكل عام ، تعد الصورة تنسيق بيانات قويًا يتم استخدامه كثيرًا وفي كثير من الأحيان في علم الأحياء ، لأنه يمكنك فهم الكثير عنها من الطريقة التي تبدو بها الخلية.
إذا تراكم عدد كبير من الصور المجهرية ، فأنت بحاجة إلى تحليلها بسرعة والقدرة على عمل تنبؤات. المثال الشائع هو السرطان مرة أخرى. تأخذ خزعة وترى كيف ترتبط الخلايا السليمة والمريضة. أنت ترسمهم - النواة بلون واحد ، والسيتوبلازم في لون آخر. ثم تحاول أن تتنبأ: هل هذا النسيج به ورم أم لا؟
لإجراء المزيد من الأبحاث الأساسية - تعد معالجة الصورة من المجهر أكثر صعوبة بالفعل ؛ يرغب الناس في النظر إلى عضيات أو جزيئات أو بروتينات معينة ، وبالتالي تتبع كيفية تفاعل الخلايا مع بعضها البعض ، وكيفية التطور ، وما إلى ذلك. لقد تعلم الناس تلوين عناصر مختلفة من الخلية ، ويتم ذلك باستخدام البروتينات الفلورية. تأخذ ما تحتاجه وتعلق عليه هذا البروتين. وإذا سلطت الضوء عليها ، فسوف تضيء ، وستدرك أن هذه العضيات ، أو البروتين ، أو الحمض النووي الريبي موجودة في مكان معين. وبعد ذلك يمكنك تتبع كيفية تفاعل الخلايا. يتطلب هذا أيضًا تحليل الصورة ، نظرًا لوجود الكثير من الصور ، وهي ، كقاعدة عامة ، ليست بدقة جيدة جدًا. وتحتاج إلى الحصول على دقة جيدة من الصور الموحلة. في الواقع ، المجتمع لا يقف مكتوفي الأيدي.يكتب الأشخاص شبكات عصبية ويغيرون معلمات مختلفة وما إلى ذلك. لكن البيانات تتطور ، ويجب أن تتطور معها الأساليب. وهذا يعني أن هذه الأشياء يجب أن تسير جنبًا إلى جنب.
الاتجاه الحالي ، الذي تفكر فيه العديد من المعامل ، هو "كيفية قهر الوقت". هذا هو ، في كثير من الأحيان في التسلسل ، وفي تحليل الصور ، وما إلى ذلك ، هناك مثل هذه المشكلة: هناك لقطة للنظام ، لكنها ثابتة. تأخذ القياس في وقت محدد. وأنت لا تفهم كيف ستتطور الخلايا أكثر. أحد أساليب حل هذه المشكلة هو تصوير الحياة. عندما لا تقتل الخلايا ، ولكن ضعها في البيئة التي تتطور فيها وتتفاعل وما إلى ذلك ، وباستخدام مجهر كل 10 ثوانٍ ، التقط لقطة كل دقيقة ، ثم يمكنك استعادة مسارات الحركة والتفاعلات وما إلى ذلك. ولكن هناك قيود: على سبيل المثال ، الطوابع الفلورية ليست جيدة جدًا لاستخدامها في تصوير الحياة ، لأنك عندما تسلط الضوء على طابع ، فإنها تصدر إشعاعات ، وهذا سام للخلية. تبدأ الخلية في الموت.يجب إيجاد حل وسط: من ناحية ، تريد الحفاظ على القفص سليمًا بقدر الإمكان ، ولكن من ناحية أخرى ، تريد التقاط المزيد من اللقطات - ولكن كلما أخذتها ، كلما مات بشكل أسرع.
وهنا يوجد مثل هذا النهج: يحاول الناس الآن تحديد مصير الخلية بمساعدة حد أدنى من علامات الفلورسنت ، ولكن في الواقع - فقط بمساعدة المحيط الدقيق للنواة والخلية. إنه مثل التعرف على الوجه: في وقت سابق كان بإمكانك القيام بذلك بالعيون والفم والأنف والميزات الأخرى المرئية ، ولكن الآن عليك أن تفعل ذلك فقط بأنفك ، لأنه يمكنك وضع نظارات شمسية على عينيك وقناع على فمك. أي أن المشكلة تصبح أكثر تعقيدًا ، وهنا نفس الشيء. من الضروري حساب المعلمات البيولوجية باستخدام كمية صغيرة من المعلومات ، وهناك عدد كبير من المهام.
هناك الكثير من المهام ، وهناك الكثير من أنواع البيانات. يتم قياس جميع معلمات الخلايا والكائنات الحية والأشياء الأخرى. هذه منطقة مثيرة جدا للاهتمام. أرجو لو فكرت بها من قبل ، فأنا لم أكفرك.
ماذا حدث من قبل
- , Senior Software Engineer Facebook — ,
- , ML- — , Data Scientist
- , EO LastBackend — , 15 .
- , Vue.js core team member, GoogleDevExpret — GitLab, Vue Staff-engineer.
- , DeviceLock — .
- , RUVDS — . 1. 2.
- , - . — .
- , Senior Digital Analyst McKinsey Digital Labs — Google, .
- «» , Duke Nukem 3D, SiN, Blood — , .
- , - 12- — ,
- , GameAcademy — .
- , PHP- Badoo — Highload PHP Badoo.
- , CTO Delivery Club — 50 43 ,
- , Doom, Quake Wolfenstein 3D — , DOOM
- , Flipper Zero —
- , - Google — Google-
- .
- Data Science ? Unity
- c Revolut
- : ,
- — IT-
- — «Docker » , Devops,
