ಮಾನವ ದೇಹದಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಕಣವೂ ಒಂದೇ ಜೀನ ಶ್ರೇಣಿಯನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತದೆ, ಆದರೆ ಪ್ರತಿ ಜೀನ್ಗೆ ಮಾತ್ರ ಒಳಿತಾದ ಗಿಣ್ಣೆಗಳನ್ನೇ ವ್ಯಕ್ತಪಡಿಸುತ್ತದೆ, ಇದು ಮೆದುಳಿನ ಕಣವನ್ನು ಚರ್ಮದ ಕಣದಿಂದ ವಿಭಜಿಸುತ್ತದೆ. ಈ ವಿಶಿಷ್ಟ ಜೀನ್ಸ್ ವ್ಯಕ್ತವನ್ನೇ ಬಿಂಬಿಸುವ ಮಾದರಿಗಳನ್ನು ಜೀನೋ ಟೀಕೆಯನ್ನು ಎಲ್ಲೆಡ್ದ ಎಲ್ಲಾ ಇರುವಿಕೆಯನ್ನು ಕಟ್ಟುವ трехಡಿಮೆಂಶನಲ್ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಪರಿಣಾಮಿತವಾಗುತ್ತದೆ. ಎಮ್‌ಐಟಿಯಲ್ಲಿ ವೈದ್ಯಕೀಯ ವಿಜ್ಞಾನಿಗಳು ಜನರೇಟಿವ್ ಕೃತ್ರಿಮ ಬುದ್ಧಿಮತ್ತೆ ಬಳಸಿ ಈ 3D ಜೀನೋ ರಚನೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಹೊಸ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಇದು ನಿಮಿಷಗಳಲ್ಲಿ ಸಾವಿರಾರು ರಚನೆಗಳನ್ನು ಊಹಿಸಲು ಅವಕಾಶವನ್ನು ನೀಡುತ್ತದೆ. ಈ ಪ advancementವು ಪರಂಪರागत ತಜ್ಞ ಪರಿಣಾಮ Techniques ಗೆ ಹೋಲಿಸಿದರೆ ಬಹುಮಾನವಾಗಿ ವೇಗವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಅನ್ವೇಷಣೆ ಪ್ರಬಂಧದ ಮುಖ್ಯ ಲೇಖಕರು, ಸಹಾಯಕ ಪ್ರೊಫೆಸರ್ ಬಿನ್ ಝಾಂಗ್, ಡಿಎನ್‌ಎ ಶ್ರೇಣಿಗಳನ್ನು ಅವರ ಸಂಬಂಧಿತ 3D ಜೀನೋ ರಚನೆಗಳಿಗೆ ಸಂಬಂಧಿಸಲು ಉದ್ದೇಶಿಸುತ್ತಾರೆ. ಈ ಹೊಸ ತಂತ್ರವು ಅತ್ಯತ್ತಮ ತಜ್ಞೋಪಾಯಗಳಿಗೆ ಸ್ಪರ್ಧೆಯನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ವೀಶ್ವಾಸನೀಯ ಸಂಶೋಧನಾ ಅವಕಾಶಗಳನ್ನು ಹಮ್ಮಿಕೊಳ್ಳುತ್ತದೆ. ಕಣ ಪರಮೇಶಗಳಲ್ಲಿ, ಡಿಎನ್‌ಎ ಮತ್ತು ಪ್ರೋಟೀನ್‌ಗಳು ವಿಭಿನ್ನ ಸಂಘಟನಾ ಮಟ್ಟಗಳಲ್ಲಿ ಕ್ರೋಮಟಿನ್ ಅನ್ನು ರೂಪಿಸುತ್ತವೆ, 2 ಮೀಟರ್ ಡಿಎನ್‌ಎಯನ್ನು ಕೇವಲ ಶ್ರೇಣಿಯ ಶ್ರೇಣಿಯ ಶ್ರೇಣಿಯ ಪ್ರಾಕಾರಾಗೊಳಿಸುತ್ತವೆ, ಮತ್ತು ಇದು ಕಣವನ್ನು ಇನ್ನೊಂದು ಶ್ರೇಣಿಯೊಂದಕ್ಕೆ ಹೋಲಿಸುತ್ತದೆ. ಡಿಎನ್‌ಎಗೆ ಮುಟ್ಟುವ ಅಪ್ಲಿಕೇಷನ್ ಕ್ರೋಮಟಿನ್ ಹುರುಳನ್ನು ಹೇಳುತ್ತದೆ, ಈ ಮೂಲಕ ವಿಭಿನ್ನ ಕಣದ ಪ್ರಭೇದಗಳಲ್ಲಿ ಅಥವಾ ವಿಭಿನ್ನ ಕಾಲಗಳಲ್ಲಿ ಯಾವುದೇ ಜೀನ್ಗಳನ್ನು ವ್ಯಕ್ತಪಡಿಸುತ್ತದೆ. ಹಿ-ಸಿ ಸೇರಿದಂತೆ ಕ್ರೋಮಟಿನ್ ರಚನೆಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಇಬ್ಬಾ ದಶಕಗಳ ಕಾಲ ಬೆಳೆಯಾಷ್ಟ್ರಗಳ ಅಗತ್ಯವಿದೆ.

ಈ ವಿಧಾನಗೋಚಿ, ಝಾಂಗ್ ಮತ್ತು ಅವರ ತಂಡವು ಆಳವಾದ ಕಲಿಕೆಯ ಕುರಿತ್ಟು ಹೊಸ ಮಾದರಿಯನ್ನು ರೂಪಿಸಿದ್ದಾರೆ. ಇದರಿಂದ ಡಿಎನ್‌ಏ ಶ್ರೇಣಿಗಳಿಂದ ಕ್ರೋಮಟಿನ್ ರಚನೆಯ ಸುಲಭ ಮತ್ತು ನಿರ್ಧಿಷ್ಟ ಊಹಣೆಗಳಿಗಾಗಿ ಅನುಮತಿಸುತ್ತದೆ. ಅವರ ಮಾದರಿ, ಕ್ರೋಮೋಜಿನ್, ಡಿಎನ್‌ಎ ಮಾಹಿತಿಯನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಆಳವಾದ ಕಲಿಕಾ ಮಾದರಿಯನ್ನೂ, 11 ದಶಲಕ್ಷಕ್ಕಿಂತಲೂ ಹೆಚ್ಚು ಕ್ರೋಮಟಿನ್ ರೂಪಗಳು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿರುವ ಜನರೇಟಿವ್ ಎಐ ಮಾದರಿಯನ್ನೂ ಒಳಗೊಂಡಿದೆ. ಈ ಏಕೀಕೃತ ವ್ಯವಸ್ಥೆ ಡಿಎನ್‌ಎ ಶ್ರೇಣಿಗಳು ಮತ್ತು ಕ್ರೋಮಟಿನ್ ರಚನೆಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ, ಡಿಎನ್‌ಎಯಲ್ಲಿ ಸ್ವತಃ ದೊರೆತ ಅತೀತ ವೀದ್ಯೆಗಳಿಂದಾಗಿ ಪ್ರತಿ ಶ್ರೇಣಿಗೆ ಒಂದೂ ಹೆಚ್ಚು ಶ್ರೇಣಿಗಳನ್ನು ಉತ್ಪತ್ತಿ ಮಾಡುತ್ತದೆ. ಕ್ರೋಮೋಜಿನ್ ವೇಗವಾದ ಊಹಣೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ — ಈಗಿನ ವಿಧಾನಗಳು ಕೆಲವೇ ದಶಕಗಳನ್ನು ಕಳೆಯುವಾಗ, ಈ ಮಾದರಿ 20 ನಿಮಿಷಗಳಲ್ಲಿ ಒಂದುವರೆಗೆ ಸಾವಿರಾರು ಶ್ರೇಣಿಗಳನ್ನು ಒದಗಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ತರಬೇತಿಯನ್ನು ನಂತರ, ಸಂಪಾದಕರು 2, 000ರಿಂದ ಹೆಚ್ಚು ಡಿಎನ್‌ಎ ಶ್ರೇಣಿಗಳಿಗೆ ಶ್ರೇಣಿಗಳನ್ನು ಊಹಿಸಲು ಈ ಮಾದರಿಯನ್ನು ಬಳಸಿದರು, ಉತ್ಪತ್ತಿಯಾದ ಶ್ರೇಣಿಗಳು ಪ್ರಯೋಗಾತ್ಮಕ ಡೇಟಾದ ಜೊತೆ ಹತ್ತಿರವಾಗಿ ಹೊಂದಿದ್ದುದನ್ನು ಖಚಿತಪಡಿಸಿದರು. ಹಲವು ರೀತಿಯ ಕಣಗಳಿಂದ ಡೇಟಾ ಕ್ಕನೀಲಿರುವ ಮಾದರಿ ನಿಖರವಾಗಿ ಶ್ರೇಣಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಇದು ನಿರ್ಧಿಷ್ಟ ಕಣದಲ್ಲಿ ಕ್ರೋಮಟಿನ್ ರಚನೆಯ ವ್ಯತ್ಯಾಸಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ವಿಹಿತ ನಿರೀಕ್ಷಣೆಯಲ್ಲಿಯೂ ಸಂಶೋಧನದ ಉಲ್ಲೇಖವನ್ನು ನೀಡುತ್ತದೆ. ಈ ಸಾಮರ್ಥ್ಯವು ಡಿಎನ್‌ಎ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬದಲಾಯಿಸುವ ಪ್ರಯೋಗಶೀಲಿಗಳಲ್ಲಿ ಸಹಾಯ ಮಾಡುವುದಕ್ಕಾಗಿ ಸಹಾಯವಾಗಬಹುದು, ಇದು ಕಾಯಿಲೆ ಯ ನಿರ್ಧಿಷ್ಟವನ್ನು ಕಂಪನಿಸುತ್ತದೆ. ತಂಡವು ತಮ್ಮ ಸಂಶೋಧನಾ ಡೇಟಾ ಮತ್ತು ಮಾದರಿಯನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ನಾಯಕಿಯಾಗಿಸಿದೆ, profunda burrowing elegible. ಈ ಅಧ್ಯಯನವು ರಾಷ್ಟ್ರೀಯ ಆರೋಗ್ಯ ಸಂಸ್ಥೆಗಳ ಮೂಲಕ ಹಣಕಾಸು ಸಹಾಯವನ್ನು ಪಡೆದಿದೆ.