యూనియన్ శరీరంలో ప్రతి కణం ఒకే జన్య సంబంధిత క్రమాన్ని పంచుకుంటుంది కానీ ప్రతి కణం కేవలం ప్రత్యేకమైన జీన్లను మాత్రమే వ్యక్తీకరిస్తుంది, ఇది మెదడు కణం మరియు చర్మ కణం మధ్య తేడాను ఏర్పరుస్తుంది. ఈ ప్రత్యేక జీన్ వ్యక్తీకరణ మాదిరీలు జన్య సరుకుల మూడు మితుల క్రమీకరణ ద్వారా ప్రభావితమవుతాయి, ఇది జీన్ల ప్రాప్యతను నిర్ణయిస్తుంది. MITలో పరిశోధకులు జనరేటివ్ కృత్రిమ బుద్ధిని ఉపయోగించి ఈ 3D జనోమ్ నిర్మాణాలను విశ్లేషించేందుకు ఒక నూతన పద్ధతిని అభివృద్ధి చేశారు, ఇది గంటల్లో వేల నిర్మాణాలను ఊహించడానికి వీలు కల్పిస్తుంది. ఈ పురోగతి సంప్రదాయ ప్రయోగ పద్ధతులకు సంబంధించిన ప్రక్రియను సమయం పట్ల కూడా వేగంగా చేస్తుంది. ఈ పరిశోధనకు ప్రధాన రచయిత అయిన సహాయ ప్రొఫెసర్ బిన్ జాంగ్, డిఎన్ ఎ క్రమాలను వాటి సంబంధిత 3D జనోమ్ నిర్మాణాలతో అనుసంధానం చేయాలని లక్ష్యంగా పెట్టుకున్నారు. కొత్త పద్ధతి ఆధునిక ప్రయోగ పద్ధతులను ఎదుర్కొంటుంది, ప్రామిసింగ్ పరిశోధనా అవకాశాలను అందిస్తుంది. కణాల న్యూక్లియిలో, డిఎన్ ఎ మరియు ప్రోటీన్లు క్రోమాటిన్ గా వివిధ సంస్థాపన స్థాయిలలో ఏర్పాటు చేయవచ్చు, 2 మీటర్ల డిఎన్ ఎను కఠినంగా ఒక వందవ నిమిషం వెడల్పు ఉన్న న్యూక్లియస్ లో చుట్టిపెడుతుంది. డిఎన్ ఎకు జత చేసిన ఎపిజనెటిక్ మార్పులు, క్రోమాటిన్ మడతను ప్రభావితం చేస్తాయి, వివిధ కణాల రకాలలో లేదా వివిధ సమయాల్లో ఏ జీన్‌లు వ్యక్తీకరించబడుతాయో నిర్ణయిస్తాయి. Hi-C వంటి పద్ధతులు క్రోమాటిన్ నిర్మాణాలను నిర్ణయించేందుకు గత రెండు దశాబ్దాల్లో అభివృద్ధి చేయబడ్డాయి, అయితే వీటికి విస్తృత సమయం మరియు శ్రమ అవసరం, సాధారణంగా ఒక కణం నుండి డేటా కోసం సగటున ఒక వారం పడుతుంది.

ఈ సమస్యను పరిష్కరించడానికి, జాంగ్ మరియు ఆయన బృందం, డీప్ లెర్నింగ్ మరియు జనరేటివ్ AIని ఉపయోగించి ఒక మోడల్ రూపొందించారు, ఇది డిఎన్ ఎ క్రమాల నుండి క్రోమాటిన్ నిర్మాణాల యొక్క శీఘ్ర మరియు ఖచ్చితమైన అంచనాలకు అనుమతిస్తుంది. తము మోడల్, క్రోమోజెన్, DNA సమాచారాన్ని విశ్లేషించడానికి డీప్ లెర్నింగ్ మోడల్ మరియు 11 మిలియన్ల క్రమాత్మక రూపాలపై శిక్షణ పొందిన జనరేటివ్ AI మోడల్ కలిగి ఉంది. ఈ సమగ్ర వ్యవస్థ డిఎన్ ఎ క్రమాలు మరియు క్రోమాటిన్ నిర్మాణాల మధ్య సంబంధాన్ని పట్టిస్తుంది, డిఎన్ ఎలో పునాదిగా ఉన్న అసమర్ధత కారణంగా ప్రతి క్రమానికి అనేక అద్భుత నిర్మాణాలను రూపొందిస్తుంది. క్రోమోజెన్ శీఘ్ర అంచనాలను అందిస్తుంది—ప్రస్తుత పద్ధతులు కొన్ని దశాబ్ద నిర్మాణాలను సాధించడానికి ఆరు నెలలు పడవచ్చిన చోట, మోడల్ సుమారు 20 నిమిషాల్లో వేల నిర్మాణాలను ఉత్పత్తి చేయగలదు. శిక్షణ తర్వాత, పరిశోధకులు 2, 000 కి పైగా DNA క్రమాలకు నిర్మాణాలను అంచనా వేయడానికి మోడల్‌ను వాడారు, నిర్మించిన నిర్మాణాలు ప్రయోగాత్మక డేటాతో చాలా సమానం గా ఉన్నాయని నిర్ధారించారు. తదుపరి, మోడల్ తన శిక్షణ సమితి వెలుపల కణాల రకాల డేటాతో ఖచ్చితత్వాన్ని ప్రదర్శించింది, ఇది కణాల రకాలపై మరియు వ్యక్తిగత కణాలలో క్రోమాటిన్ నిర్మాణాల వ్యత్యాసాలను విశ్లేషించడానికి సంభావ్య అప్లికేషన్లను సూచిస్తుంది. ఈ సామర్థ్యం డిఎన్ ఎ మ్యూటేషన్ వల్ల క్రోమాటిన్ ఆకారాన్ని ఎలా మార్చవచ్చో అధ్యయనం చేయడాన్ని కూడా సులభతరం చేయవచ్చు, ఇది అనారోగ్య యంత్రమైన సంబంధాలను అన్వేషించడానికి సహాయం చేయవచ్చు. ఈ బృందం తమ పరిశోధనా డేటా మరియు మోడల్‌ను మరింత పరిశోధన కోసం ప్రజలకు అందుబాటులో ఉంచింది. ఈ అధ్యయనానికి నేషనల్ ఇన్‌స్టిట్యూట్‌స్ ఆఫ్ హెల్త్ ఆర్థిక ముఖ్యమైన సహాయం అందించారు.