GPT‑5 က cell-free protein synthesis ကုန်ကျစရိတ်ကို လျှော့ချသည်

သင်္ချာနှင့် ရူပဗေဒကဲ့သို့ နယ်ပယ်များတွင် AI မှ လျင်မြန်သော တိုးတက်မှုကို ကျွန်ုပ်တို့ မြင်တွေ့ခဲ့ပြီးဖြစ်သည်။ ထိုနယ်ပယ်များတွင် အကြံဉာဏ်များကို ရုပ်ပိုင်းဆိုင်ရာကမ္ဘာကို မထိတွေ့ဘဲ အကဲဖြတ်နိုင်လေ့ရှိသည်။ ဇီဝဗေဒမှာ မတူပါ။ တိုးတက်မှုသည် ဓာတ်ခွဲခန်းမှတစ်ဆင့်သာ ဖြစ်လာပြီး၊ ထိုနေရာတွင် သိပ္ပံပညာရှင်များသည် အချိန်နှင့် ငွေကုန်ကျသော စမ်းသပ်မှုများကို လုပ်ဆောင်ကြသည်။

ယခုအခါ ထိုအခြေအနေ စတင်ပြောင်းလဲလာနေသည်။ စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်များသည် ယခုအခါ ဓာတ်ခွဲခန်း automation နှင့် တိုက်ရိုက်ချိတ်ဆက်နိုင်ပြီး၊ စမ်းသပ်မှုများ အဆိုပြုနိုင်၊ အရွယ်အစားကြီးမားစွာ လုပ်ဆောင်နိုင်၊ ရလဒ်များမှ သင်ယူနိုင်ကာ နောက်ဘာလုပ်မည်ကို ဆုံးဖြတ်နိုင်သည်။ သက်ရှိသိပ္ပံ၏ နယ်ပယ်အများစုတွင် အဟန့်အတားမှာ iteration ဖြစ်ပြီး autonomous lab များကို ထိုကန့်သတ်ချက်ကို ဖယ်ရှားရန် တည်ဆောက်ထားသည်။

ယခင်လုပ်ငန်းတွင် GPT‑5 သည် closed-loop စမ်းသပ်မှုမှတစ်ဆင့် wet-lab protocol များကို တိုးတက်စေနိုင်ကြောင်း ကျွန်ုပ်တို့ ပြသခဲ့သည်။ ဤနေရာတွင် ထိုနည်းလမ်းတူက ပရိုတင်းထုတ်လုပ်မှု ကုန်ကျစရိတ်ကို လျှော့ချနိုင်ကြောင်း ပြသထားသည်။

ကျွန်ုပ်တို့သည် GPT‑5 ကို cloud laboratory တစ်ခုနှင့် ချိတ်ဆက်ရန် Ginkgo Bioworks⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် ပူးပေါင်းခဲ့သည်။ ၎င်းသည် software မှတစ်ဆင့် အဝေးမှ လည်ပတ်သော automated wet lab ဖြစ်ပြီး robot များက စမ်းသပ်မှုများကို လုပ်ဆောင်ကာ ဒေတာပြန်ပေးသည်။ ထို lab-in-the-loop စနစ်ဖြင့် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနေသော ဇီဝလုပ်ငန်းစဉ်တစ်ခုဖြစ်သည့် cell-free protein synthesis (CFPS) ကို optimize ပြုလုပ်ခဲ့သည်။ closed-loop စမ်းသပ်မှု ခြောက်ကြိမ်အတွင်း စနစ်သည် automated plate 580 ခုပေါ်တွင် ထူးခြားသော CFPS reaction composition 36,000 ကျော်ကို စမ်းသပ်ခဲ့သည်။ ကွန်ပျူတာ၊ ဝဘ်ဘရောက်ဇာနှင့် သက်ဆိုင်ရာ စာတမ်းများကို ဝင်ရောက်အသုံးပြုခွင့် ပေးပြီးနောက် GPT‑5 သည် စမ်းသပ်မှု သုံးကြိမ်အတွင်း ကုန်ကျစရိတ်နည်း CFPS တွင် အဆင့်သစ်တစ်ခုကို တည်ဆောက်နိုင်ခဲ့ပြီး ပရိုတင်းထုတ်လုပ်မှုကုန်ကျစရိတ်ကို 40% လျှော့ချနိုင်ခဲ့သည် (reagent ကုန်ကျစရိတ်တွင် 57% တိုးတက်မှု)။ ထို့အပြင် autonomous lab များတွင် တွေ့ရလေ့ရှိသော reaction condition များအပေါ် ပိုမိုခံနိုင်ရည်ရှိသည့် reaction composition အသစ်များလည်း ပါဝင်သည်။

Cell-free protein synthesis (CFPS) သည် သက်ရှိဆဲလ်များကို မကြီးထွားစေဘဲ ပရိုတင်းများ ပြုလုပ်သည့် နည်းလမ်းတစ်ခု ဖြစ်သည်။ DNA ကို ဆဲလ်ထဲသို့ ထည့်ပြီး ၎င်းတို့က ပရိုတင်းထုတ်လုပ်မည့်အချိန်ကို စောင့်ရမည့်အစား CFPS သည် ထိန်းချုပ်ထားသော အရောအနှောတစ်ခုအတွင်း ပရိုတင်းပြုလုပ်သည့် machinery ကို လည်ပတ်စေသည်။ ထို့ကြောင့် သိပ္ပံပညာရှင်များက စမ်းသပ်မှုများစွာကို လျင်မြန်စွာ လုပ်ဆောင်ပြီး ထိုနေ့တွင်ပင် ရလဒ်များကို တိုင်းတာနိုင်သဖြင့် ၎င်းသည် rapid prototyping နှင့် စမ်းသပ်မှုအတွက် လက်တွေ့အသုံးဝင်သော ကိရိယာတစ်ခု ဖြစ်လာသည်။

ပရိုတင်းများသည် ခေတ်သစ်ဇီဝဗေဒက ပေးစွမ်းနိုင်သည့် အရာများ၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခု ဖြစ်သည်။ အရေးကြီးသော ဆေးဝါးများစွာသည် ပရိုတင်းများအပေါ် အခြေခံထားသည်။ ရောဂါရှာဖွေရေးနည်းလမ်းများနှင့် သုတေသန assay များစွာသည် ပရိုတင်းများအပေါ် မှီခိုသည်။ စက်မှုလုပ်ငန်းများတွင် ပရိုတင်းများသည် ဓာတုလုပ်ငန်းစဉ်များကို ပိုသန့်ရှင်းပြီး ပိုထိရောက်စေသည့် enzyme များအဖြစ် လုပ်ဆောင်သည်။ သင့်အဝတ်လျှော်ဆပ်ပြာထဲတွင်ပင် ပရိုတင်းများ ပါဝင်နိုင်သည်။ ပရိုတင်းထုတ်လုပ်မှု ပိုမြန်ပြီး ပိုစျေးသက်သာလာသောအခါ သိပ္ပံပညာရှင်များသည် အကြံဉာဏ်ပိုများစွာကို ပိုစောစော စမ်းသပ်နိုင်လေ့ရှိပြီး ကနဦးသုတေသနကို လူတို့နေ့စဉ် အကျိုးခံစားနိုင်သည့် အရာတစ်ခုအဖြစ် ပြောင်းလဲရန် ကုန်ကျစရိတ်ကို လျှော့ချနိုင်သည်။

CFPS သည် ထိုကဲ့သို့သော iteration အတွက် ရှိပြီးသား အသုံးဝင်နေသည်။ အဟန့်အတားမှာ ၎င်းကို optimize ပြုလုပ်ရန် ခက်ခဲပြီး အရွယ်အစားကြီးလာသည့်အခါ ကုန်ကျစရိတ်မြင့်လာခြင်း ဖြစ်သည်။

Cell-free protein synthesis တွင် အချင်းချင်း အပြန်အလှန်သက်ရောက်သော ရှုပ်ထွေးသည့် ပါဝင်ပစ္စည်းများ လိုအပ်သည်။ ထုတ်လုပ်မည့် ပရိုတင်းကို encode လုပ်ထားသော DNA template၊ cell lysate (ဆဲလ်အတွင်းရှိ cellular machinery များ၏ “ဟင်းရည်”) နှင့် စွမ်းအင်ရင်းမြစ်များမှ ဆားများအထိ ပါဝင်သော ဇီဝဓာတုအစိတ်အပိုင်း အများအပြား ဖြစ်သည်။ စနစ်တစ်ခုလုံးကို ကျိုးကြောင်းဆင်ခြင်ရန် အလွန်ခက်ခဲပြီး၊ ပရိုတင်းထုတ်လုပ်မှုကုန်ကျစရိတ်ကို လျှော့ချရန် များစွာသော⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ယခင်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) လေ့လာမှုများ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)က machine learning အမျိုးအစားအမျိုးမျိုးကို အသုံးချခဲ့ကြသည်။

စံ cell-free protein synthesis (CFPS) formulation များနှင့် စီးပွားဖြစ် kit များသည် မကြာခဏ လူသားအရှိန်ဖြင့် လုပ်ဆောင်သည့် အလုပ်အတွက် စျေးနှုန်းသတ်မှတ်ထားသည်။ autonomous lab များသည် လူသားအဖွဲ့က ဒါဇင်အနည်းငယ်သာ လုပ်နိုင်သည့်အချိန်အတွင်း reaction ထောင်ပေါင်းများစွာကို လုပ်ဆောင်နိုင်သည်။ ထိုအရွယ်အစားတွင် reagent ကုန်ကျစရိတ်သည် ကန့်သတ်ချက်ဖြစ်လာသည်။

CFPS ကို ဉာဏ်ခံစားမှုတစ်ခုတည်းဖြင့် optimize ပြုလုပ်ရန်လည်း ခက်ခဲသည်။ ၎င်းသည် အပြန်အလှန်သက်ရောက်သော အစိတ်အပိုင်းများစွာပါဝင်သည့် အရောအနှောတစ်ခု ဖြစ်သည်။ ပြောင်းလဲမှုအသေးစားများပင် အရေးပါနိုင်သော်လည်း သက်ရောက်မှု၏ ဦးတည်ချက်သည် အမြဲတမ်း မရှင်းလင်းဘဲ၊ စမ်းသပ်မှုများစွာ မလုပ်ဘဲ အကောင်းဆုံးပေါင်းစပ်မှုများကို ရှာဖွေရန် ခက်နိုင်သည်။ ယခင်နည်းလမ်းများက ကုန်ကျစရိတ်ကို လျှော့ချနိုင်ခဲ့သော်လည်း ဖြစ်နိုင်ချေများကို ကျယ်ကျယ်ပြန့်ပြန့် စူးစမ်းရန် လုပ်အားများစွာလိုအပ်သောကြောင့် တိုးတက်မှုသည် တဖြည်းဖြည်းသာ ဖြစ်လေ့ရှိသည်။

Cell-free protein synthesis (CFPS) optimization အတွက် closed-loop autonomous system တစ်ခု ဖွဲ့စည်းရန် GPT‑5 ကို Ginkgo Bioworks ၏ cloud laboratory နှင့် တွဲဖက်အသုံးပြုခဲ့သည်။

GPT‑5 က စမ်းသပ်မှုအစုများကို ဒီဇိုင်းဆွဲခဲ့သည်။ ဓာတ်ခွဲခန်းက ၎င်းတို့ကို လုပ်ဆောင်ခဲ့သည်။ ရလဒ်များကို မော်ဒယ်ထံ ပြန်လည်ပေးပို့ခဲ့သည်။ မော်ဒယ်သည် ထိုဒေတာကို အသုံးပြု၍ နောက်တစ်ကြိမ်အတွက် အဆိုပြုခဲ့သည်။ ကျွန်ုပ်တို့သည် ထိုစက်ဝိုင်းကို ခြောက်ကြိမ် ထပ်လုပ်ခဲ့သည်။

စက်ဝိုင်းကို autonomous lab တစ်ခု လုပ်ဆောင်နိုင်သည့် အရာများပေါ်တွင် အခြေခံထားနိုင်ရန် စမ်းသပ်မှုမစတင်မီ တင်းကျပ်သော programmatic validation ကို ထည့်သွင်းခဲ့သည်။ ထို validation သည် AI ဒီဇိုင်းဆွဲထားသော စမ်းသပ်မှုများကို automation platform ပေါ်တွင် ရုပ်ပိုင်းဆိုင်ရာ လုပ်ဆောင်နိုင်ကြောင်း အတည်ပြုစေခဲ့သည်။ စာသားထဲတွင် ဖြစ်နိုင်သလို မြင်ရသော်လည်း robotic workflow တွင် လုပ်ဆောင်၍မရသော “စာရွက်ပေါ်က စမ်းသပ်မှုများ” ကို ၎င်းက တားဆီးခဲ့သည်။

လုပ်ငန်းစဉ်တစ်ခုလုံးတွင် စနစ်သည် automated plate 580 ခုပေါ်တွင် CFPS reaction 36,000 ကျော်ကို လုပ်ဆောင်ခဲ့သည်။ ဤအရွယ်အစားသည် pattern များ ပေါ်ထွက်လာစေသောအရာ ဖြစ်သောကြောင့် အရေးကြီးသည်။ ဇီဝဗေဒတွင် တစ်ခုချင်းစမ်းသပ်မှုများသည် noise များတတ်သည်။ ဆောင်ကြဉ်းပေးမှု ပမာဏနှင့် iteration တို့ကသာ signal ကို random noise မှ ခွဲထုတ်နိုင်စေသည်။ GPT‑5 သည် သက်ဆိုင်ရာ စာတမ်းနှင့် ကိရိယာများကို ဝင်ရောက်အသုံးပြုနိုင်သည်နှင့် စမ်းသပ်မှု သုံးကြိမ်နှင့် နှစ်လအတွင်း အဆင့်သစ်တစ်ခုကို တည်ဆောက်နိုင်ခဲ့သည်။ ၎င်းမှာ ယခင်အကောင်းဆုံး baseline⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် နှိုင်းယှဉ်လျှင် ပရိုတင်းထုတ်လုပ်မှုကုန်ကျစရိတ် 40% လျော့နည်းခြင်း ဖြစ်သည်။

တိုးတက်မှုများသည် အတူတကွ ကောင်းစွာအလုပ်လုပ်ပြီး high-throughput automation ၏ လက်တွေ့အခြေအနေများတွင် ခံနိုင်ရည်ရှိသော ပေါင်းစပ်မှုများကို ဖော်ထုတ်နိုင်ခြင်းမှ လာကြောင်း ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည်။

GPT‑5 သည် ဤဖွဲ့စည်းပုံတွင် လူသားများ ယခင်က မစမ်းသပ်ဖူးသော ကုန်ကျစရိတ်နည်း reaction composition များကို ဖော်ထုတ်နိုင်ခဲ့ကြောင်း ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည်။ Cell-free protein synthesis (CFPS) ကို နှစ်ပေါင်းများစွာ လေ့လာခဲ့ပြီးဖြစ်သော်လည်း ဖြစ်နိုင်ချေရှိသော အရောအနှောများ၏ နယ်ပယ်သည် ကြီးမားနေဆဲ ဖြစ်သည်။ ပေါင်းစပ်မှု ထောင်ပေါင်းများစွာကို လျင်မြန်စွာ အဆိုပြုပြီး လုပ်ဆောင်နိုင်သောအခါ manual workflow ဖြင့် လွတ်သွားလွယ်သော အသုံးဝင်သည့် နယ်မြေများကို ရှာတွေ့နိုင်သည်။

ထို့ပြင် high-throughput, plate-based စမ်းသပ်မှုများသည် manual, bench-top စမ်းသပ်မှုများနှင့် မကြာခဏ ကွာခြားကြောင်းလည်း တွေ့ရှိခဲ့သည်။ high-throughput reaction format များတွင် အောက်ဆီဂျင်ရရှိမှု လျော့နည်းနိုင်သည်။ ရောစပ်မှုနှင့် geometry သည်လည်း ကွာခြားနိုင်သည်။ CFPS reaction အများစုသည် microtiter plate များထက် test tube များတွင် ပရိုတင်းကို များစွာပိုထုတ်ပေးသည်။ အကြောင်းမှာ အရွယ်အစားကြီးသည့်အခါ ယေဘုယျအားဖြင့် အောက်ဆီဂျင်ပိုရရှိပြီး ရောစပ်မှုလည်း ပိုကောင်းလာသောကြောင့် ဖြစ်သည်။ အမှန်တကယ်တွင် volume နည်းသော plate-based reaction များအတွက် GPT‑5 သည် ဒေတာခွဲခြမ်းစိတ်ဖြာရန် ကွန်ပျူတာနှင့် သက်ဆိုင်ရာ စာတမ်းများ ရှာဖွေရန် ဝဘ်ဘရောက်ဇာကို ဝင်ရောက်အသုံးပြုခွင့် ရရှိပြီးချင်း ယခင်အကောင်းဆုံးထက် ပိုကောင်းသော reaction များစွာကို အဆိုပြုခဲ့သည်။ စုစုပေါင်းအားဖြင့် GPT‑5 သည် high-throughput ကန့်သတ်ချက်များအောက်တွင် ကောင်းစွာအလုပ်လုပ်သည့် reagent ပေါင်းစပ်မှုများစွာကို အဆိုပြုခဲ့ပြီး၊ automated lab ပတ်ဝန်းကျင်များတွင် တွေ့ရလေ့ရှိသော အောက်ဆီဂျင်နည်းအခြေအနေများ၌ ပိုမိုခံနိုင်ရည်ရှိသည့် အများအပြားလည်း ပါဝင်သည်။

ထို့အပြင် buffering၊ energy regeneration component များနှင့် polyamine များတွင် သေးငယ်သောပြောင်းလဲမှုများက ၎င်းတို့၏ကုန်ကျစရိတ်နှင့် နှိုင်းယှဉ်လျှင် အလွန်ကြီးမားသော သက်ရောက်မှု ရှိကြောင်း တွေ့ရှိခဲ့သည်။ ၎င်းတို့သည် လူများက ပထမဆုံး လက်လှမ်းမီကြည့်မည့် parameter များ မဟုတ်လေ့ရှိသော်လည်း high throughput တွင် ၎င်းတို့သည် နောက်ခံယူဆချက်များ မဟုတ်တော့ဘဲ စမ်းသပ်နိုင်သော hypothesis များ ဖြစ်လာသည်။

နောက်ဆုံးတွင် ကုန်ကျစရိတ်ဖွဲ့စည်းပုံ ကိုယ်တိုင်က မည်သည့်အရာ အရေးကြီးသည်ကို ပုံဖော်ပေးခဲ့သည်။ CFPS တွင် ယခုအခါ ကုန်ကျစရိတ်များကို lysate နှင့် DNA က အဓိက လွှမ်းမိုးထားသည်။ ထိုကြောင့် yield သည် အမြင့်ဆုံး leverage ရှိသည့် မဟာဗျူဟာ ဖြစ်သည်။ စျေးကြီးသော input တစ်ယူနစ်လျှင် ပရိုတင်းထွက်ရှိမှုကို မြှင့်တင်နိုင်ပါက အခြားနေရာများတွင် အနားသတ်သက်သာမှုများကို လိုက်မရှာမီပင် ကုန်ကျစရိတ်အပေါ် အဓိပ္ပာယ်ရှိသော တိုးတက်မှု ရရှိနိုင်သည်။

ဤရလဒ်များကို ပရိုတင်းတစ်မျိုးဖြစ်သည့် sfGFP နှင့် cell-free protein synthesis (CFPS) စနစ်တစ်ခုအပေါ်တွင်သာ ပြသထားသည်။ အခြားပရိုတင်းများနှင့် အခြား CFPS စနစ်များသို့ ယေဘုယျအသုံးချနိုင်မှုကို ဆက်လက်ပြသရန် လိုအပ်နေဆဲ ဖြစ်သည်။

အောက်ဆီဂျင်ရရှိမှုနှင့် reaction geometry သည် yield များကို ခိုင်မာစွာ သက်ရောက်နိုင်ပြီး၊ ဤအချက်များသည် အရွယ်အစားအလိုက် ကွဲပြားနိုင်သည်။ တိုးတက်မှုအချို့သည် ဤအခြေအနေများအပေါ် အားနည်းခံစားနိုင်ပြီး၊ ထိုအားနည်းခံစားမှုများကို နားလည်ခြင်းသည် နောက်တစ်ဆင့်လုပ်ငန်း၏ အစိတ်အပိုင်းတစ်ခု ဖြစ်သည်။

protocol တိုးတက်မှုများနှင့် reagent ကိုင်တွယ်မှုအတွက် လူသားကြီးကြပ်မှု လိုအပ်ခဲ့သည်။ စနစ်သည် စမ်းသပ်မှုများကို ဒီဇိုင်းဆွဲပြီး အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော်လည်း ဓာတ်ခွဲခန်းလုပ်ငန်းတွင် အတွေ့အကြုံရှိသော အော်ပရေတာများ လိုအပ်သည့် လက်တွေ့အသေးစိတ်များ ရှိနေဆဲ ဖြစ်သည်။

ပိုမြန်သော iteration က တိုးတက်မှုကို ဖွင့်ပေးနိုင်သည့် အခြားဇီဝ workflow များတွင် lab-in-the-loop optimization ကို အသုံးချရန် ကျွန်ုပ်တို့ စီစဉ်ထားသည်။ autonomous lab များကို မော်ဒယ်များ၏ အားဖြည့်ဖော်အဖြစ် ကျွန်ုပ်တို့ မြင်သည်။ မော်ဒယ်များသည် ဒီဇိုင်းများ ထုတ်လုပ်နိုင်သော်လည်း နောက်ဆုံးတွင် ဇီဝဗေဒသည် စမ်းသပ်မှုနှင့် iteration ကို လိုအပ်နေဆဲ ဖြစ်သည်။ ထုတ်လုပ်ဖန်တီးမှုနှင့် စမ်းသပ်မှုအကြား စက်ဝိုင်းကို ပိတ်ခြင်းကသာ အလားအလာရှိသော အကြံဉာဏ်များကို လက်တွေ့အလုပ်လုပ်သည့် ရလဒ်များအဖြစ် ပြောင်းလဲစေသည်။

သိပ္ပံတိုးတက်မှုကို ဘေးကင်းပြီး တာဝန်ယူမှုရှိစွာ မြန်ဆန်စေရန် ကျွန်ုပ်တို့ ကြိုးပမ်းသကဲ့သို့၊ အထူးသဖြင့် biosecurity နှင့် ဆက်နွယ်သော အန္တရာယ်များကိုလည်း အကဲဖြတ်ပြီး လျှော့ချရန် ကြိုးစားနေသည်။ ဤရလဒ်များက မော်ဒယ်များသည် wet lab အတွင်း protocol များတိုးတက်စေရန် ကျိုးကြောင်းဆင်ခြင်နိုင်ကြောင်း ပြသပြီး၊ ကျွန်ုပ်တို့၏ ကြိုတင်ပြင်ဆင်ထားခြင်းဆိုင်ရာ ဖွဲ့စည်းမှု⁠ မှတစ်ဆင့် အကဲဖြတ်၍ လျော့ပါးစေသည့် biosecurity ဆိုင်ရာ သက်ရောက်မှုများ ရှိနိုင်သည်။ ဤအန္တရာယ်များကို လျှော့ချရန် မော်ဒယ်နှင့် စနစ်အဆင့်တွင် လိုအပ်ပြီး အနုစိတ်ညှိထားသော ကာကွယ်မှုများကို တည်ဆောက်ရန်၊ ထို့အပြင် လက်ရှိအဆင့်များကို ခြေရာခံရန် အကဲဖြတ်မှုများ ဖွံ့ဖြိုးတိုးတက်စေရန် ကျွန်ုပ်တို့ ကတိပြုထားသည်။

ဤလုပ်ငန်းနောက်ကွယ်ရှိ automated cloud laboratory ကို ဒီဇိုင်းဆွဲ၊ လည်ပတ်နှင့် ပံ့ပိုးရာတွင် ကူညီခဲ့သည့် Ginkgo Bioworks မှ မိတ်ဖက်များနှင့် အဖွဲ့များအား ကျွန်ုပ်တို့ ကျေးဇူးတင်ပါသည်။