ကလေးများခံစားနေရသော ရှားပါးမျိုးရိုးလိုက်ရောဂါဖော်ထုတ်မှုကို AI ဖြင့် ဆရာဝန်များအား ကူညီခြင်း

Genome sequencing ရှိသော်လည်း ရှားပါးရောဂါရှိသူ အများအပြားသည် ရှင်းလင်းသော မျိုးရိုးဗီဇဆိုင်ရာ ရောဂါရှာဖွေမှုကို မရရှိကြပါ။ ကျယ်ပြန့်သော စမ်းသပ်မှုနှင့် အထူးကုသုံးသပ်မှုများ ပြုလုပ်ပြီးနောက်တွင်ပင် ခန့်မှန်းခြေအားဖြင့် တစ်ဝက်ခန့်မှာ ရောဂါမရှာဖွေနိုင်ဘဲ ကျန်ရှိနေသည်။ ၎င်းတို့၏ ဆေးဘက်ဆိုင်ရာဒေတာတွင် သဲလွန်စများ ပါရှိနိုင်သော်လည်း ထိုသဲလွန်စများကို ရှာဖွေရန် ဖြစ်နိုင်ချေရှိသော မျိုးရိုးဗီဇမူကွဲများ ထောင်ပေါင်းများစွာမှ သန်းပေါင်းများစွာအထိ၊ ကွဲပြားပြတ်တောက်နေသော ဆေးမှတ်တမ်းများနှင့် လျင်မြန်စွာ ပြောင်းလဲနေသော သိပ္ပံစာပေများကို စိစစ်ဖတ်ရှုရနိုင်သည်။

ဗီဇ-ရောဂါ ဆက်နွယ်မှုအသစ်များ၊ ဖြစ်ရပ်အစီရင်ခံစာများနှင့် အမျိုးအစားခွဲခြားရေး အထောက်အထားများ စုဆောင်းလာသည်နှင့်အမျှ မဖြေရှင်းရသေးသော ဖြစ်ရပ်များကို အသစ်ပြန်လည် အဓိပ္ပာယ်ဖွင့်နိုင်လာသည်။

Boston Children’s Hospital ၏ Manton Center for Orphan Disease Research၊ Harvard University နှင့် OpenAI မှ သုတေသီများသည် ယခင်က စိစစ်ပြီးသော်လည်း မဖြေရှင်းနိုင်သေးသောဖြစ်ရပ် ၃၇၆ ခုမှ ကိုယ်ရေးအချက်အလက် ဖယ်ရှားထားသည့် ဆေးဘက်ဆိုင်ရာနှင့် genome အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာရန် OpenAI o3 Deep Research ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ်ကို အသုံးပြုခဲ့သည်။ မော်ဒယ်သည် သုတေသီများနှင့် ကုသရေးဝန်ထမ်းများ သုံးသပ်ရန် အထောက်အထားနှင့်ချိတ်ဆက်ထားသော အကြောင်းရှင်းလင်းချက် လျာထားချက်များကို ဖော်ထုတ်ပြသခဲ့သည်။ ကျွမ်းကျင်သူ သုံးသပ်မှု၊ ထပ်ဆင့်စမ်းသပ်မှုနှင့် ဆေးဘက်ဆိုင်ရာ အတည်ပြုမှုတို့နောက်တွင်၊ ဆရာဝန်များသည် ဖြစ်ရပ် ၁၈ ခုတွင် ရောဂါသတ်မှတ်နိုင်ခဲ့ပြီး၊ ၎င်းသည် ယခင်အထူးကု အစောပိုင်းခွဲခြမ်းစိတ်ဖြာမှုအပြီး ထပ်တိုးရောဂါဖော်ထုတ်နိုင်မှု ၄.၈% ဖြစ်သည်။ ဤလေ့လာမှုကို ၂၀၂၆ ခုနှစ် ဇွန်လ ၁၈ ရက်တွင် NEJM AI ၌ ထုတ်ဝေခဲ့ပြီး အခက်ခဲဆုံးဖြစ်ရပ်အချို့ကို ပြန်လည်သုံးသပ်ရာတွင် AI အကူအညီပါဝင်သော သုတေသနလုပ်ငန်းစဉ်က ကျွမ်းကျင်သူများအား သဲလွန်စများ ဖော်ထုတ်ရာတွင် မည်သို့ကူညီနိုင်သည်ကို ပြသသည်။

ဤဖြစ်ရပ်များအနက် အများအပြားသည် နှစ်ပေါင်းများစွာ ကျွမ်းကျင်သူ ခွဲခြမ်းစိတ်ဖြာမှုများကို ကျော်လွှားကျန်ရစ်ခဲ့ကြသည်။ ဤလေ့လာမှုတွင် OpenAI o3 Deep Research သည် သုတေသီများအား နောက်ပိုင်းတွင် သတ်မှတ်ထားပြီးသော ဆေးဘက်ဆိုင်ရာ လုပ်ငန်းစဉ်များမှတစ်ဆင့် အကဲဖြတ်ခဲ့သည့် သဲလွန်စများကို ဖော်ထုတ်ရာတွင် ကူညီခဲ့ပြီး၊ အသိပညာ တိုးတက်ပြောင်းလဲလာသည်နှင့်အမျှ ကျွမ်းကျင်သူဦးဆောင်သော ကာလအလိုက် ပြန်လည်ခွဲခြမ်းစိတ်ဖြာမှုကို ပိုမိုကျယ်ပြန့်စွာ ဆောင်ရွက်နိုင်လာနိုင်ကြောင်း ညွှန်ပြသည်။ မော်ဒယ်သည် လူနာတစ်ဦးဦးကို ရောဂါသတ်မှတ်ခြင်း သို့မဟုတ် ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်တစ်စုံတစ်ရာ ချမှတ်ခြင်း မပြုလုပ်ခဲ့ပါ။ ၎င်းသည် အထူးကုများ သုံးသပ်ရန်၊ သင့်လျော်ပါက ထပ်ဆင့်စမ်းသပ်မှုများဖြင့် စုံစမ်းရန်နှင့် ဆေးဘက်ဆိုင်ရာ ဓာတ်ခွဲခန်းတွင် အတည်ပြုရန် အထောက်အထားနှင့်ချိတ်ဆက်ထားသော ခန့်မှန်းချက်များကို ထုတ်ပေးခဲ့သည်။

မဆုံးဖြတ်နိုင်သော မျိုးရိုးဗီဇစမ်းသပ်မှု ရလဒ်တစ်ခုသည် အမြဲတမ်းရှာဖွေမှုမဟုတ်ပါ။ လူနာ၏ phenotype ဖော်ပြချက်များ၊ စမ်းသပ်မှုရလဒ်များနှင့် မိသားစုရာဇဝင်သည် မတူညီသော အမှတ်အသားများ၊ ပုံစံများနှင့် ဝေါဟာရများ အသုံးပြုသော databse များအကြား ခွဲခြားပြတ်တောက်နေနိုင်သည်။ ထိုမှတ်တမ်းများကို ချိတ်ဆက်ရန် ခက်ခဲသောကြောင့် အထူးကုများပင် ရောဂါရှာဖွေမှုကို လွတ်သွားနိုင်သည်။ သက်ဆိုင်ရာ ဗီဇ သို့မဟုတ် ၎င်း၏ မူကွဲများကို ရောဂါနှင့် မချိတ်ဆက်နိုင်မီကတည်းက ကျွမ်းကျင်သူများက ကလေး၏ genome ကို sequencing ပြုလုပ်ထားနိုင်သည်။ သိပ္ပံအသိပညာ တိုးတက်လာသည်နှင့်အမျှ တူညီသောဒေတာက ယခင်က ဖော်ထုတ်ရန် မဖြစ်နိုင်ခဲ့သော အဖြေများကို ဖော်ပြနိုင်လာသည်။

ရှားပါးရောဂါ ပြန်လည်ခွဲခြမ်းစိတ်ဖြာမှုသည် သိပ္ပံဆိုင်ရာ ပြဿနာတစ်ခုလည်းဖြစ်ပြီး ထိန်းသိမ်းရသည့် ပြဿနာတစ်ခုလည်း ဖြစ်သည်။ လူနာ၏ genome သည် မပြောင်းလဲဘဲ ရှိနေနိုင်သော်လည်း ၎င်းပတ်ဝန်းကျင်ရှိ အထောက်အထားများမှာ ဆက်လက်ပြောင်းလဲနေသည်။ သုတေသီများက ဗီဇအသစ်များနှင့် မူကွဲများကို ရောဂါနှင့် ချိတ်ဆက်ကြပြီး၊ ဓာတ်ခွဲခန်းများက မူကွဲဟောင်းများကို ပြန်လည်အမျိုးအစားခွဲကြကာ၊ ဖြစ်ရပ် database များနှင့် စာတမ်းများတွင် လေ့လာတွေ့ရှိချက်အသစ်များ တိုးပွားလာသည်။ Update တစ်ခုစီက ယခင်က မဆုံးဖြတ်နိုင်ခဲ့သော ဖြစ်ရပ်ဟောင်းတစ်ခုကို ပြန်လည်ကြည့်ရှုထိုက်စေနိုင်သောကြောင့် အဖွဲ့အစည်းအများအပြားတွင် ပြောင်းလဲနေသည့် အသိပညာအခြေခံနှင့် ကိုက်ညီအောင် ထိန်းထားရမည့် genome backlog များ တိုးပွားလာသည်။

ဤလေ့လာမှုတွင် သုတေသီများသည် မော်ဒယ်ကို ရှိပြီးသား genome pipeline များအပေါ်တွင် ရှင်းလင်းချက်ကို ဦးစားပေးသော ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော အလွှာအဖြစ် လုပ်ဆောင်စေရန် လုပ်ငန်းစဉ်ကို ဒီဇိုင်းဆွဲခဲ့သည်။ အဆင့်သတ်မှတ်ထားသော ဗီဇတစ်ခုသာ ပြန်ပေးမည့်အစား၊ လူသားသုံးသပ်သူက စစ်ဆေးမေးမြန်းနိုင်သော တရားမျှတမှုရှင်းလင်းချက်အဖြစ် ဆေးဘက်ဆိုင်ရာ လက္ခဏာများ၊ အမွေဆက်ခံမှုပုံစံ၊ မူကွဲအထောက်အထားနှင့် သိပ္ပံစာပေတို့ကို ချိတ်ဆက်ရန် ၎င်းကို တောင်းဆိုခဲ့သည်။ 

ဖြစ်ရပ်တစ်ခုစီအတွက် အဖွဲ့သည် လူနာ၏ ဆေးဘက်ဆိုင်ရာ တင်ပြချက်ကို ဖော်ပြရန် စံပြု Human Phenotype Ontology စကားလုံးများ၊ တစ်ခါတစ်ရံ ပါဝင်သော ဆရာဝန်မှတ်စုများနှင့် ဖော်ပြထားသည့် ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေမှု၊ အသက်နှင့် လိင်ကဲ့သို့သော metadata များ၊ ထို့ပြင် စစ်ထုတ်ထားသော မူကွဲဇယားတစ်ခု ပါဝင်သည့် ကိုယ်ရေးအချက်အလက် ဖယ်ရှားထားသော packet တစ်ခုကို စုစည်းခဲ့သည်။ ဇယားတွင် မူကွဲတစ်ခုစီ၏ ရှားပါးမှု၊ ထုတ်လုပ်မည့် ပရိုတင်းအပေါ် ခန့်မှန်းသက်ရောက်မှု၊ ClinVar အမျိုးအစားခွဲခြားမှုနှင့် ရရှိနိုင်သော မိသားစုဝင်များအလိုက် signal အရည်အသွေးကို မှတ်တမ်းတင်ထားသည်။ ဖြစ်ရပ်အများစုတွင် ကလေးနှင့် ဇီဝမိဘနှစ်ဦးစလုံးမှ ဒေတာ ပါဝင်ခဲ့သည်။

အဖွဲ့သည် မော်ဒယ်အား ဖြစ်နိုင်ခြေအရှိဆုံး မော်လီကျူးအဆင့် ရှင်းလင်းချက်ကို အဆိုပြုရန်နှင့် ၎င်း၏လုပ်ဆောင်ပုံကို ပြသရန် တောင်းဆိုခဲ့သည်။ ထို့နောက် သုတေသီများသည် ဆေးဘက်ဆိုင်ရာ ဓာတ်ခွဲခန်းများက မျိုးရိုးဗီဇမူကွဲများကို အမျိုးအစားခွဲရန် အသုံးပြုသည့် ACMG/AMP framework တူညီမှုဖြင့် ထွက်ရှိချက်များကို သုံးသပ်ခဲ့သည်။ လျာထားချက်တစ်ခုစီကို အနည်းဆုံး အဖွဲ့ဝင်နှစ်ဦးက သုံးသပ်ခဲ့ပြီး၊ သဘောထားကွဲလွဲမှုများကို သဘောတူညီချက်ဖြင့် ဖြေရှင်းခဲ့ကာ၊ မော်ဒယ်ထွက်ရှိချက်ကို ရောဂါရှာဖွေမှုအဖြစ် မည်သည့်အခါမျှ မယူဆခဲ့ပါ။ တွေ့ရှိချက်တစ်ခုကို ရောဂါရှာဖွေမှုအဖြစ် ရေတွက်ရန် အရည်အချင်းပြည့်မီသော ကျွမ်းကျင်သူများက အထောက်အထားကို သုံးသပ်ပြီး၊ မူကွဲကို ရောဂါဖြစ်စေသော သို့မဟုတ် ရောဂါဖြစ်စေဖွယ်ရှိသောဟု အမျိုးအစားခွဲကာ၊ CLIA အသိအမှတ်ပြု ဓာတ်ခွဲခန်းက အတည်ပြုပြီး၊ ဆေးဘက်ဆိုင်ရာအဖွဲ့က ရလဒ်ကို မိသားစုထံ ပြန်လည်ပေးအပ်ပြီးနောက်မှသာ ဖြစ်သည်။

မဖြေရှင်းရသေးသော ဖြစ်ရပ်များကို မခွဲခြမ်းမီ အဖွဲ့သည် ရောဂါရှာဖွေမှုတည်ရှိပြီးသား ဖြစ်ရပ်များပေါ်တွင် လုပ်ငန်းစဉ်ကို ပြုပြင်မွမ်းမံခဲ့သည်။ ရှားပါးအခြေအနေအမျိုးမျိုး ပါဝင်သော အမှု ၅၁ ခုအနက် ၄၈ ခုတွင် ပွားထားသော run များ၌ မှန်ကန်သော ဗီဇနှင့် မူကွဲကို ပြန်လည်တွေ့ရှိခဲ့သည်။ အာရုံ-ကြွက်သားဆိုင်ရာဖြစ်ရပ် ၅၇ ခုပါ အုပ်စုတစ်ခုတွင်၊ လုပ်ငန်းစဉ်သည် ဖြစ်ရပ် ၄၅ ခုအတွက် ပွားထားသော run များ၌ မှန်ကန်သော ရောဂါရှာဖွေမှုကို ပြန်ပေးခဲ့သည်။ ဖြစ်ရပ် ၁၅ ခုပါ long-read genome အုပ်စုတွင် ၎င်းသည် ဖြစ်ရပ်တိုင်းတွင် မှန်ကန်သောဗီဇကို အမည်ဖော်ပြခဲ့ပြီး ဖြစ်ရပ် ၁၂ ခုတွင် ရောဂါဖြစ်စေသော allele နှစ်ခုစလုံးကို ဖော်ပြခဲ့သည်။ ဤအကဲဖြတ်ချက်များသည် တုံ့ပြန်ညွှန်ကြားချက် ဖွံ့ဖြိုးတိုးတက်မှုကို ကူညီခဲ့ပြီး ကျွမ်းကျင်သူသုံးသပ်မှု ဆက်လက်အရေးကြီးနေသည့် နေရာများကို ပြသခဲ့သည်။

မော်ဒယ်က ကိုယ်တိုင်အစီရင်ခံသော ယုံကြည်မှုရမှတ်များသည် ယခင်က ဖြေရှင်းပြီးသား ဤဖြစ်ရပ်များရှိ မှန်ကန်သော ရောဂါရှာဖွေမှုများနှင့် ကိုက်ညီမှုရှိခဲ့သည်။ အမြဲတစေ မှန်ကန်သော ခေါ်ဆိုချက်များအတွက် ပျမ်းမျှ အနိမ့်ဆုံးရမှတ်မှာ ၈၅.၆ ဖြစ်ပြီး မမှန်ကန်သော သို့မဟုတ် မသိရသော ခေါ်ဆိုချက်များအတွက် ၄၂.၁ ဖြစ်သည်။ ရမှတ်များသည် ချိန်ညှိထားသော ဖြစ်နိုင်ချေများ မဟုတ်ခဲ့သလို၊ အဖွဲ့က ၎င်းတို့ကို အထောက်အထား သို့မဟုတ် ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်သုံးသပ်မှုအစားထိုးအဖြစ် အသုံးမပြုခဲ့ပါ။ သို့သော် ၎င်းတို့သည် ကျွမ်းကျင်သူသုံးသပ်သူများကို အလားအလာအကောင်းဆုံး ရောဂါရှာဖွေမှုလျာထားချက်များအပေါ် အာရုံစိုက်စေရန် လမ်းညွှန်ရာတွင် အသုံးဝင်ခဲ့သည်။ 

ထို့နောက် အဖွဲ့သည် လုပ်ငန်းစဉ်ကို ယခင်က မဖြေရှင်းနိုင်ခဲ့သော ဖြစ်ရပ်အုပ်စု လေးခုတွင် အသုံးချခဲ့သည်။ အာရုံဖွံ့ဖြိုးမှုဆိုင်ရာ အခြေအနေရှိသော ကလေးများ၊ ရှားပါးသော အာရုံ-ကြွက်သားရောဂါရှိသူများ၊ အစောပိုင်း စိတ်ရောဂါလက္ခဏာရှိ ကလေးများနှင့် ဆယ်ကျော်သက်များ၊ ထို့ပြင် ကလေးများတွင် မမျှော်လင့်ဘဲ ရုတ်တရက် သေဆုံးမှုအမှုများ ဖြစ်သည်။ ၎င်းတို့သည် ပထမဆုံးသုံးသပ်မှုကို စောင့်ဆိုင်းနေသော ဖြစ်ရပ်အသစ်များ မဟုတ်ပါ။ အများအပြားကို စီးပွားဖြစ် သို့မဟုတ် အဖွဲ့အစည်းဆိုင်ရာ pipeline များစွာဖြင့် စစ်ဆေးပြီးဖြစ်ပြီး ဘာသာရပ်ပေါင်းစုံပါဝင်သော အဖွဲ့များက ဆွေးနွေးပြီးဖြစ်သည်။

မော်ဒယ်က လျာထားချက်များကို ဖော်ထုတ်ပြသပြီး ကျွမ်းကျင်သူများက သုံးသပ်မှုနှင့် ဆေးဘက်ဆိုင်ရာ အတည်ပြုမှုကို ပြီးစီးပြီးနောက် ဆရာဝန်များသည် ဖြစ်ရပ်များ၏ ၄.၈% တွင် ရောဂါသတ်မှတ်နိုင်ခဲ့သည်။ ယခင် ကျွမ်းကျင်သူသုံးသပ်မှုများက ဖြစ်ရပ်များကို မဖြေရှင်းနိုင်ခဲ့သောကြောင့် ဤလူဦးရေအုပ်စုတွင် ထိုနှုန်းသည် နည်းပါးသော်လည်း အဓိပ္ပာယ်ရှိသည်။ အလားတူ ပြန်လည်ခွဲခြမ်းစိတ်ဖြာမှု လေ့လာမှုများတွင် အလွန်စိစစ်ပြီးသား ဖြစ်ရပ်များ၌ ဂဏန်းတစ်လုံးရာခိုင်နှုန်းအတွင်း တိုးတက်မှုများကို အစီရင်ခံကြသည်။ ပိုမိုမြင့်မားသော yield များသည် အများအားဖြင့် ဖြစ်ရပ်အသစ်များ သို့မဟုတ် မျိုးရိုးဗီဇအတည်ပြုမှု စောင့်နေသော လူသိများသည့် ရောဂါများ ပါဝင်သော လေ့လာမှုများမှ လာသည်။

ရောဂါရှာဖွေမှု ၁၈ ခုအနက် ၇ ခုမှာ ပြန်လည်တွေ့ရှိချက်များ ဖြစ်သည်။ ၎င်းတို့သည် ဒေသဆိုင်ရာ သုတေသနလုပ်ငန်းစဉ်ပြင်ပတွင် သတ်မှတ်ထားပြီးဖြစ်သော်လည်း အဖွဲ့သုံးသပ်ခဲ့သော မှတ်တမ်းတွင် မပါရှိသော ရောဂါရှာဖွေမှုများ ဖြစ်သည်။ ဖြစ်ရပ်အချို့တွင် မူကွဲများကို အများပြည်သူသုံး database များတွင် ရောဂါဖြစ်စေသော သို့မဟုတ် ရောဂါဖြစ်စေဖွယ်ရှိသောဟု ဖော်ပြထားပြီးဖြစ်ရာ၊ ဒေတာရင်းမြစ်များအကြား အချက်အလက်များကို ပေါင်းစည်းဖော်ထုတ်ရသည့် လုပ်ငန်းပိုင်းဆိုင်ရာ စိန်ခေါ်မှုကို ထင်ရှားစေသည်။

အစောပိုင်း စိတ်ရောဂါလက္ခဏာတစ်ခုတွင်၊ မော်ဒယ်သည် ထည့်သွင်းဒေတာတွင် မဖော်ပြထားသော genome အတွင်းရှိ ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာ ဖြစ်ရပ်တစ်ခုကို ခန့်မှန်းဖော်ထုတ်ခဲ့သည်။ ၎င်းသည် chromosome 22 ပေါ်ရှိ အရည်အသွေးနိမ့်ခေါ်ဆိုချက်များ ဆက်တိုက်ဖြစ်နေမှုကို ကလေး၏ နှလုံး၊ ကိုယ်ခံအား၊ အာရုံကြောဖွံ့ဖြိုးမှုနှင့် စိတ်ကျန်းမာရေး လက္ခဏာများနှင့် ချိတ်ဆက်ပြီး DiGeorge syndrome နှင့် ဆက်နွယ်သော 22q11.2 ဖျက်ပစ်မှုတစ်ခု ဖြစ်နိုင်သည်ဟု ခန့်မှန်းခဲ့သည်။ ဤခန့်မှန်းထားသော မူကွဲကို နောက်ဆက်တွဲ genome sequencing ဖြင့် အတည်ပြုနိုင်ခဲ့သည်။

တုံ့ပြန်ညွှန်ကြားချက်က မျိုးဗီဇတစ်ခုတည်းကြောင့်ဖြစ်သော အကြောင်းရင်းတစ်ခုကိုသာ တောင်းဆိုထားသော်လည်း၊ မော်ဒယ်သည် ရှုပ်ထွေးသော တင်ပြချက်ကို ပိုကောင်းစွာရှင်းပြနိုင်သော ဗီဇနှစ်ခုကို တစ်ခါတစ်ရံ ဖော်ထုတ်ပြသခဲ့သည်။ ဖြစ်ရပ်တစ်ခုတွင် LAMA2နှင့် FOXP1ရှိ မူကွဲများသည် ကြွက်သားနှင့် အာရုံကြောဖွံ့ဖြိုးမှုဆိုင်ရာ လက္ခဏာများကို အတူတကွ ရှင်းပြရာတွင် ကူညီခဲ့ပြီး၊ နောက်ဖြစ်ရပ်တွင် TTN နှင့် SRPK3 ပါဝင်သော ယခင်က မသိရှိရသေးသည့် ဗီဇနှစ်ခုပေါင်း အကြောင်း ရှင်းလင်းချက်တစ်ခု ရှိခဲ့သည်။

ရောဂါရှာဖွေမှုများအပြင် မော်ဒယ်သည် vitiligo ဟုခေါ်သော အခြေအနေတစ်ခုအတွက် ဖြစ်နိုင်ချေရှိသော အသစ်သော mechanism ဆိုင်ရာ ရှင်းလင်းချက်တစ်ခုကိုလည်း ဖော်ထုတ်ခဲ့သည်။ အာရုံဖွံ့ဖြိုးမှုဆိုင်ရာ ဖြစ်ရပ်တစ်ခုတွင် မော်ဒယ်သည် vitiligo ရှိသူတစ်ဦး၏ S1PR1 တွင် amino acid 11 ခု ဖျက်ပစ်မှုတစ်ခုကို ထောက်ပြခဲ့သည်။ S1PR1 သည် signaling၊ immune-cell လှုပ်ရှားမှုနှင့် tissue biology တို့တွင် ပါဝင်သော cell-surface receptor တစ်ခုကို encode လုပ်သည်။ မော်ဒယ်သည် ထိုဖျက်ပစ်မှုက receptor ဖွဲ့စည်းပုံနှင့် signaling ကို ပြောင်းလဲစေပြီး အရောင်ခြယ်ပစ္စည်းထုတ်လုပ်မှုကို လျှော့ချသလို ကိုယ်ခံအားဆဲလ်များကို အရေပြားတွင် ဆက်လက်တည်ရှိစေရန်လည်း ကူညီနိုင်ကြောင်း ညွှန်ပြသည့် အထောက်အထားများကို ပေါင်းစည်းခဲ့သည်။

အဆိုပြုထားသော S1PR1-vitiligo ဆက်နွယ်မှုသည် ထပ်ဆင့် စမ်းသပ်အတည်ပြုမှု လိုအပ်သော်လည်း structural biology၊ immunology နှင့် clinical genetics တို့မှ ကွဲပြားနေသော တွေ့ရှိချက်များကို တိကျပြီး စမ်းသပ်နိုင်သော hypothesis များအဖြစ် ဘာသာပြန်ပေါင်းစည်းရာတွင် AI ၏ အားကောင်းသော အခန်းကဏ္ဍကို ၎င်းက ပြသသည်။

အဖွဲ့သည် အာရုံကြောကြွက်သားအုပ်စုတွင် phenotype ချဲ့ထွင်မှု ဖြစ်နိုင်ချေကိုလည်း တွေ့ခဲ့သည်။ HSPB8 နှင့် CDK13ရှိ ထိခိုက်စေသော မူကွဲများသည် ဗီဇများ၏ လူသိအများဆုံး ရောဂါများနှင့် အပြည့်အဝ မကိုက်ညီဘဲ၊ ပိုမိုကျယ်ပြန့်သော ဆေးဘက်ဆိုင်ရာ spectrum တစ်ခုရှိနိုင်ကြောင်း ညွှန်ပြပြီး ၎င်းကို စမ်းသပ်ရန် ပိုမိုများပြားသော ဖြစ်ရပ်များနှင့် ဓာတ်ခွဲခန်းလုပ်ငန်းများ လိုအပ်မည်ဖြစ်သည်။

ဤလေ့လာမှုက အထွေထွေရည်ရွယ်ချက် ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ်တစ်ခုသည် phenotype၊ အမွေဆက်ခံမှု၊ မူကွဲ annotation များ၊ ဒေတာအရည်အသွေးပုံစံများနှင့် သိပ္ပံစာပေတို့ကို သုံးသပ်နိုင်သော hypothesis များအဖြစ် ပေါင်းစည်းခြင်းဖြင့် နောက်ကြောင်းပြန် genome ပြန်လည်ခွဲခြမ်းစိတ်ဖြာမှုတွင် ပါဝင်ကူညီနိုင်ကြောင်း ပြသသည်။ ကာလအလိုက် ပြန်လည်ခွဲခြမ်းစိတ်ဖြာမှု အရေးကြီးရသည့်အကြောင်းကိုလည်း ၎င်းက ပြသသည်။ အချို့အဖြေများသည် အသိပညာ တိုးတက်လာပြီးနောက် သို့မဟုတ် ကွဲပြားနေသော မှတ်တမ်းများကို ပေါင်းစည်းပြီးနောက်မှသာ ပေါ်ထွက်လာသည်။

ဤသုတေသနသည် လူနာများ၊ ဆရာဝန်များ သို့မဟုတ် သုံးစွဲသူများက ရောဂါရှာဖွေရန် သို့မဟုတ် ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်များ ချမှတ်ရန် OpenAI မော်ဒယ်များကို အသုံးပြုသင့်ကြောင်း အထောက်အထား မဟုတ်ပါ။ ၎င်းသည် ရောဂါရှာဖွေရန် OpenAI o3 Deep Research၊ ChatGPT သို့မဟုတ် အခြား OpenAI ထုတ်ကုန်တစ်ခုခုကို သုံးစွဲသူများ ရည်ရွယ်အသုံးပြုသင့်သည်ဟု ဖော်ပြခြင်း သို့မဟုတ် ထောက်ခံခြင်း မဟုတ်ပါ။ မော်ဒယ်သည် ပါဝင်သူတစ်ဦးဦးကို ရောဂါသတ်မှတ်ခြင်း မပြုခဲ့ပါ။ ဆရာဝန်များနှင့် အခြားအရည်အချင်းပြည့်မီသော ဆေးဘက်ဆိုင်ရာ ကျွမ်းကျင်သူများက သတ်မှတ်ထားသော သုံးသပ်မှု၊ စမ်းသပ်မှုနှင့် ဆေးဘက်ဆိုင်ရာ အတည်ပြုမှုလုပ်ငန်းစဉ်များမှတစ်ဆင့် ရောဂါရှာဖွေမှုတိုင်းကို ပြုလုပ်ခဲ့သည်။

လေ့လာမှုသည် နောက်ကြောင်းပြန် လေ့လာမှုဖြစ်ပြီး၊ အုပ်စုများမှာ မတူကွဲပြားကာ၊ သုံးသပ်သူများကို မော်ဒယ်ယုံကြည်မှုရမှတ် မသိအောင် မထားရှိခဲ့ပါ။ သုတေသီများသည် သက်သာသွားသော အချိန်၊ ကုန်ကျစရိတ်၊ ဆရာဝန်၏ ကြိုးပမ်းအားထုတ်မှု၊ false-positive အလုပ်ဝန် သို့မဟုတ် ကုသစောင့်ရှောက်မှုပြောင်းလဲမှုများကို မတိုင်းတာခဲ့ပါ။ ထို့အပြင် structural variant များ၊ repeat expansion များ၊ deep-intronic ပြောင်းလဲမှုများ သို့မဟုတ် mosaicism ကဲ့သို့သော မျိုးရိုးဗီဇကွဲပြားမှု အခြားပုံစံများကို စနစ်တကျ အကဲဖြတ်ခဲ့ခြင်းလည်း မရှိပါ။

Large language model များသည် context ကို မှားဖတ်နိုင်သို့မဟုတ် နီးကပ်စွာ စစ်ဆေးသည့်အခါ မအောင်မြင်သော ဖြစ်နိုင်သလိုမြင်ရသည့် ရှင်းလင်းချက်များကို ထုတ်ပေးနိုင်သည်။ ထို့ကြောင့် ရလဒ်တိုင်းသည် လူသားဆုံးဖြတ်သုံးသပ်မှုနှင့် ဆေးဘက်ဆိုင်ရာ အတည်ပြုမှုကို ဖြတ်သန်းခဲ့သည်။ မော်ဒယ်သည် ရှာဖွေမှုကို ချဲ့ထွင်ပြီး နောက်ဆက်တွဲ လူသားဦးဆောင်သော ခွဲခြမ်းစိတ်ဖြာမှုကို အာရုံစိုက်စေခဲ့သည်။ မိသားစုထံ မည်သည့်အချက်အလက် သို့မဟုတ် ရောဂါသတ်မှတ်ချက် ပြန်ပေးသင့်သည်ကို ၎င်းက မဆုံးဖြတ်ခဲ့ပါ။

ဤလေ့လာမှုတွင် ကိုယ်ရေးအချက်အလက် ဖယ်ရှားထားသော အချက်အလက်များကို အသုံးပြုခဲ့ပြီး၊ ကာကွယ်ထားသော ကျန်းမာရေးအချက်အလက်များကို ခွင့်ပြုထားသော ပတ်ဝန်းကျင်များအပြင်ဘက်တွင် အသုံးပြုခြင်း သို့မဟုတ် ပေးပို့ခြင်း မရှိခဲ့ပါ။ ပိုမိုကျယ်ပြန့်သော ဆေးဘက်ဆိုင်ရာ အသုံးချမှုအတွက် ဆေးကုသမှုအားလုံးနှင့် သက်ဆိုင်သည့်အတိုင်း ကိုယ်ရေးလုံခြုံမှု၊ လုံခြုံရေး၊ စစ်ဆေးမှတ်တမ်းတင်နိုင်မှုနှင့် ဒေသဆိုင်ရာ စည်းမျဉ်းများအပေါ် တူညီသော အလေးထားမှု လိုအပ်မည်ဖြစ်သည်။ မော်ဒယ်ကို ဝင်ရောက်အသုံးပြုနိုင်ခြင်းသည် sequencing အခြေခံအဆောက်အအုံ၊ မျိုးရိုးဗီဇအကြံပေးမှု၊ အတည်ပြုစမ်းသပ်မှု သို့မဟုတ် အထူးကု၏ ဆုံးဖြတ်ချင့်ချိန်မှုကို အစားထိုးမည် မဟုတ်ပါ။

အလားအလာရှိသော၊ ဗဟိုဌာနပေါင်းစုံလေ့လာမှုများသည် LLM အကူအညီဖြင့် ပြန်လည်ခွဲခြမ်းစိတ်ဖြာခြင်းကို ရောဂါရှာဖွေမှုအထွက်နှုန်း၊ ကိုယ်စားလှယ်လောင်းအတွက်အချိန်၊ ဆရာဝန်၏ကြိုးပမ်းအားထုတ်မှု၊ မှားယွင်းသောအပြုသဘောဆောင်သောဝန်ထုပ်ဝန်ပိုး၊ ကုန်ကျစရိတ်နှင့် စောင့်ရှောက်မှုအပေါ် အကျိုးသက်ရောက်မှုများတွင် စံအလေ့အကျင့်နှင့် နှိုင်းယှဉ်သင့်သည်။ ဗားရှင်းသတ်မှတ်ထားသော တုံ့ပြန်ညွှန်ကြားချက် များ၊ ရည်ညွှန်းစစ်ဆေးမှုများ၊ စာရင်းစစ်မှတ်တမ်းများနှင့် ချိန်ညှိထားသော မသေချာမရေရာမှုများသည် ပြန်လည်ထုတ်လုပ်နိုင်မှုနှင့် ဘေးကင်းရေးအတွက် အရေးကြီးပါလိမ့်မည်။ ထိုကဲ့သို့သော လေ့လာမှုများတွင် အရည်အချင်းပြည့်မီသော ဆရာဝန်များသည် အထောက်အထားများကို အကဲဖြတ်ရန်၊ သင့်လျော်သော စစ်ဆေးမှုများ မှာယူရန်နှင့် မည်သည့်ရောဂါရှာဖွေမှု သို့မဟုတ် ကုသမှုဆုံးဖြတ်ချက်ကိုမဆို ချမှတ်ရန် လိုအပ်နေဆဲဖြစ်သည်။

ဤလေ့လာမှုတွင် OpenAI o3 Deep Research ကို အသုံးပြုခဲ့သည်။ အထွေထွေရည်ရွယ်ချက် မော်ဒယ်အသစ်များသည် ပိုမိုများပြားသော သိပ္ပံဆိုင်ရာအချက်အလက်များကို ရှာဖွေပေါင်းစပ်နိုင်ပြီး GPT‑Rosalind ကဲ့သို့သော သီးသန့်ရည်ရွယ်ချက်ဖြင့်တည်ဆောက်ထားသည့် စနစ်များကိုမူ ပရိုတင်းဖွဲ့စည်းပုံနှင့် လုပ်ဆောင်ချက်အပေါ် မူကွဲများ၏ အကျိုးသက်ရောက်မှုများအပါအဝင် ပိုမိုနက်ရှိုင်းသော အသက်သိပ္ပံလုပ်ငန်းများအတွက် ဒီဇိုင်းထုတ်ထားပါသည်။ ထိုစွမ်းရည်များကို ဤနေရာတွင် စမ်းသပ်ထားခြင်းမရှိဘဲ ၎င်းတို့၏ကိုယ်ပိုင် အကဲဖြတ်မှုများနှင့် ဝင်ရောက်ခွင့်ထိန်းချုပ်မှုများ လိုအပ်မည်ဖြစ်သည်။

OpenAI က ဤကနဦးသုတေသနလေ့လာမှုကို ပံ့ပိုးကူညီခဲ့သော်လည်း Manton Center သည် OpenAI Foundation မှ ထောက်ပံ့ငွေဖြင့် လုပ်ငန်း၏ နောက်တစ်ဆင့်ကို ဦးဆောင်သွားမည်ဖြစ်သည်။ ဤထောက်ပံ့ငွေသည် ဆေးခန်းအဖွဲ့များအား ရှားပါးရောဂါများကို ပိုမိုမြန်ဆန်စွာနှင့် တသမတ်တည်း ခွဲခြမ်းစိတ်ဖြာရန် ကူညီပေးသည့် platform-agnostic၊ ကုန်ကျစရိတ်နည်းသော မျိုးရိုးဗီဇ AI တွဲဖက်မောင်းနှင်ကိရိယာတစ်ခု တီထွင်ရန် စင်တာ၏ ပိုမိုကျယ်ပြန့်သော ကြိုးပမ်းမှုကို ပံ့ပိုးပေးမည်ဖြစ်သည်။

ရေရှည်သုတေသနအခွင့်အလမ်းမှာ ကျွမ်းကျင်သူဦးဆောင်သော AI အကူအညီဖြင့် ပြန်လည်ခွဲခြမ်းစိတ်ဖြာခြင်းသည် သိပ္ပံနည်းကျနားလည်မှုကို ရှာဖွေတွေ့ရှိမှုနှင့်အညီ လိုက်လျောညီထွေဖြစ်အောင် ကူညီပေးနိုင်ခြင်း ရှိ၊ မရှိ စူးစမ်းလေ့လာရန်ဖြစ်သည်။ AI က ဆရာဝန်ရဲ့ ရောဂါရှာဖွေမှုကို အစားထိုးမယ်လို့ ကတိပေးထားတာ မဟုတ်ပါဘူး၊ ဒါပေမယ့် ဂရုတစိုက် အကဲဖြတ်ထားတဲ့ သုတေသနကိရိယာတွေက စုံစမ်းစစ်ဆေးသင့်တဲ့ အထောက်အထားတွေကို ကျွမ်းကျင်သူတွေက ဖော်ထုတ်ဖို့ ကူညီပေးနိုင်မယ်ဆိုတဲ့ ကတိပါပဲ။ မိသားစုထောင်ပေါင်းများစွာအတွက် ယနေ့ခေတ် အဖြေမရရှိသေးသော မေးခွန်းများသည် ထာဝရအဖြေမရဘဲ ရှိနေရန် မလိုအပ်ပါ။