Human Genome Sequencing & Deep Learning (AI) သည် Personalized Healthcare ကို မည်ကဲ့သို့ ပြုပြင်ပြောင်းလဲနိုင်မည်နည်း။

ပထမလူသားဂျီနိုမ်ကို စီစစ်ခြင်းသည် အများသူငှာ ကြီးမားသောလုပ်ဆောင်မှုတစ်ခုဖြစ်သည်။ ဒေါ်လာ ၂.၇ ဘီလီယံ ကုန်ကျခဲ့ပါတယ်။ ပြီးဖို့ ၁၅ နှစ်နီးပါး အချိန်ယူရတယ်။ လူသားဂျီနိုမ်ကို စီစစ်ခြင်း၏ လက်ရှိကုန်ကျစရိတ်သည် သိသိသာသာ ကျဆင်းသွားပါသည်။ ကုန်ကျစရိတ်က ကျသွားတယ်။ 4000 ခုနှစ်တွင် $ 2015ရန် ထက်နည်း $ 300 ယနေ့။

အချို့သော မျိုးရိုးဗီဇကုမ္ပဏီများသည် ကုန်ကျစရိတ်ကို လျှော့ချရန် ရည်မှန်းနေကြသည်။ $100 အောက်အထိ. ဤစျေးနှုန်းများဖြင့် လူသားဂျီနိုမ်ကို စီတန်းရန် ဘယ်အချိန်က လျစ်လျူရှုထားသနည်းဟု မေးစရာရှိသည်။

လေ့လာမှုတစ်ခု ကင်ဆာရောဂါကို စောစီးစွာသိရှိနိုင်သည်ကို တွေ့ရှိခဲ့သည်။ အမေရိကန် ဆေးဘက်ဆိုင်ရာ စနစ်ကို ကယ်တင်ပါ။ တစ်နှစ်လျှင် ပျမ်းမျှ ဒေါ်လာ ၂၆ ဘီလီယံ။ အမေရိကန်တိုင်းကို စီတန်းခြင်း နှိုင်းယှဉ်ရာတွင် တစ်ကြိမ်ကုန်ကျစရိတ်မှာ ဒေါ်လာ ၁၀၀ ဘီလီယံ ကုန်ကျမည်ဖြစ်ပြီး စီးပွားရေးပမာဏကို တွက်ချက်ပါက ယင်းကုန်ကျစရိတ်သည် ပိုမိုကျဆင်းသွားနိုင်သည်။

ကင်ဆာအတွက် မျိုးရိုးဗီဇဆိုင်ရာ တွန်းအားများကို ရှာဖွေခြင်းအပြင်၊ ဂျီနိုမ် စီစစ်ခြင်းသည် တစ်ခုတည်းသော မျိုးရိုးဗီဇချို့ယွင်းမှု အမျိုးအစားများစွာနှင့် ဆက်စပ်နေသော ရောဂါများကို ခွဲခြားသတ်မှတ်ခြင်းတွင် တိုက်ရိုက်သက်ဆိုင်ပါသည်။

အခု လူ့အဖွဲ့အစည်းအတွက် အကျိုးကျေးဇူးတွေကို တွေးကြည့်ရအောင် စက်သင်ယူမှု ခေါ်တော် နက်ရှိုင်းသောသင်ယူမှု မျိုးရိုးဗီဇအချက်အလက်ကို ခွဲခြမ်းစိတ်ဖြာရန် ဤရတနာသိုက်ကို အသုံးပြုခဲ့သည်။

ဦးနှောက်၏ အာရုံကြောကွန်ရက်များကို အခြေခံ၍ နက်ရှိုင်းစွာ သင်ယူခြင်းသည် ဒေတာသိပ္ပံပညာရှင်များ အားကိုးအားထားပြုသော အရေးကြီးဆုံးကိရိယာများထဲမှ တစ်ခုဖြစ်သည်။ Deep learning သည် ဒေတာကို ပိုင်းခြားစိတ်ဖြာပြီး ရှုပ်ထွေးသောပုံစံများကို လေ့လာနိုင်ပြီး ဒေတာအမှတ်များကို ခွဲခြားသတ်မှတ်ရန် ထိုပုံစံများကို ယေဘူယျပြုလုပ်နိုင်သည့် ရှုပ်ထွေးသောပုံစံများကို ဖန်တီးရန်အတွက် ပုံစံအသိအမှတ်ပြုမှုကို အသုံးပြုသည်။ ထိုအချက်များသည် ရှုပ်ထွေးနိုင်ပြီး နက်ရှိုင်းသော သင်ယူမှုစနစ်သည် ရလဒ်များကို ပိုမိုအထင်ကြီးစေကာ ဒေတာများ ပိုမိုလုပ်ဆောင်နိုင်လေဖြစ်သည်။

လူသားတစ်ရပ်လုံးကို နက်နဲသောသင်ယူမှုစနစ်သို့ ကျွေးမွေးခြင်းဖြင့်၊ စက်သင်ယူမှု အယ်လဂိုရီသမ်များသည် ကင်ဆာ သို့မဟုတ် အခြားရောဂါများအတွက် ဖြစ်နိုင်ချေရှိသော ဇီဝအမှတ်အသားများကို ခွဲခြားသတ်မှတ်နိုင်သည်။ ထို့အပြင်၊ စနစ်သည် မတူညီသောစရိုက်လက္ခဏာများ သို့မဟုတ် ဝေဒနာများအတွက် မည်သည်မျိုးဗီဇတွင် တာဝန်ရှိသည်ကို ခွဲခြားသတ်မှတ်ရန် မျိုးဗီဇမိသားစုသစ်ပင်များအတွင်းသို့ နက်ရှိုင်းစွာ ထိုးဆင်းနိုင်သည်။

ဒါတွေက AI ကို ကျင့်သုံးသူတွေ အတွက် တော်လှန်တာ မဟုတ်ဘူး၊ ပြဿနာက ဆယ်စုနှစ်နဲ့ချီတဲ့ နည်းပညာကို မှီခိုနေရတဲ့ ခေတ်ဟောင်း အစိုးရတွေအပေါ် မှီခိုအားထားမှု၊ မကြာခဏဆိုသလို လူနာဒေတာတွေကို ဖက်စ်စက်တွေကို အခေါက်ခေါက်အခါခါ ပေးပို့ဖို့ အသုံးပြုနေတုန်းပါပဲ။ ဤရှေးဟောင်းစနစ်ကို ခေတ်မီရန် အချိန်တန်ပြီ။

သင့်ဆရာဝန်ထံ နောက်တစ်ကြိမ်သွားလျှင် ၎င်းတို့သည် သင့်ဂျီနိုမ်ကို ချက်ချင်းဝင်ရောက်နိုင်ပြီး ကုသမှုရွေးချယ်မှုများအတွက် အကြံပြုချက်များနှင့်အတူ AI ရလဒ်များကို ချက်ချင်းရရှိစေရန် သင်၏နောက်ဆုံးပေါ်ရောဂါလက္ခဏာများကို ကွန်ပျူတာထဲသို့ ထည့်ပေးမည်ကို ယခုစိတ်ကူးကြည့်ပါ။ အတူ ဝတ်ဆင် devices များ အချိန်နှင့်တပြေးညီ ကျန်းမာရေးအချက်အလက်ကို ခြေရာခံသည့် ဆရာဝန်ထံ သွားရောက်ကြည့်ရှုရန် မလိုအပ်ပါ။

အထိရောက်ဆုံးဖြေရှင်းနည်းကတော့ ကျန်းမာရေးဝန်ထမ်းတွေကို လေ့ကျင့်သင်ကြားပေးဖို့ပါ။ မျိုးရိုးဗီဇအကြံပေးခြင်းဤသည်မှာ မျိုးရိုးဗီဇချို့ယွင်းမှုဒဏ် သို့မဟုတ် အန္တရာယ်ကျရောက်နေသော လူတစ်ဦးချင်းစီနှင့် ၎င်းတို့၏သွေးလိုင်းများကို စုံစမ်းစစ်ဆေးသည့် လုပ်ငန်းစဉ်ဖြစ်သည်။ မျိုးရိုးဗီဇဆိုင်ရာ အကြံဉာဏ်ပေးခြင်းတွင် အရေးကြီးဆုံးအဆင့်မှာ လူတစ်ဦးချင်းစီ၏ မျိုးရိုးဗီဇဆိုင်ရာ ပရိုဖိုင်အပေါ်အခြေခံ၍ အကောင်းဆုံးကုသမှုရွေးချယ်မှုများကို အကြံပြုခြင်းဖြစ်သည်။

အခြားအကျိုးကျေးဇူးမှာ လျစ်လျူမရှုထားသော ရှားပါးရောဂါများကို ပစ်မှတ်ထားခြင်းဖြစ်ပြီး ရှားပါးရောဂါကို သာမန်လူဦးရေနှင့် နှိုင်းယှဉ်ပါက လူအနည်းစုကို ထိခိုက်စေသည့် ကျန်းမာရေးအခြေအနေတစ်ခုအဖြစ် ခွဲခြားသတ်မှတ်ထားသည်။ ဤရှားပါးရောဂါများသည် ရိုးရာနည်းလမ်းကို ပစ်မှတ်ထားရန် ကုန်ကျစရိတ်များလွန်းတတ်သည်။

နက်နဲသောသင်ယူမှုစနစ်တစ်ခုသည် ရှားပါးသောရောဂါများအတွက် မျိုးရိုးဗီဇဆိုင်ရာ ရှေ့ပြေးနိမိတ်များကို ရှာဖွေဖော်ထုတ်နိုင်စေရန် ဒေတာအတွဲများ (မျိုးရိုးဗီဇပရိုဖိုင်များ) ကို နှိုင်းယှဉ်နိုင်သည်။ ရှားပါးရောဂါတွေချည်းပဲ။ အမေရိကန်နိုင်ငံသား သန်း 30 ထိခိုက်သည်။ ပြီးတော့ US ဆေးဘက်ဆိုင်ရာစနစ်က တစ်နှစ်ကို ဒေါ်လာ ၁ ထရီလီယံ ကုန်ကျတယ်။

အထက်ဖော်ပြပါနှင့် ဆန့်ကျင်ဘက် အကျုံးဝင်သော ငြင်းခုံချက်တစ်ခုမှာ သုံးစွဲသူ၏ ကိုယ်ရေးကိုယ်တာ ဆုံးရှုံးသွားခြင်း ဖြစ်နိုင်သည်။ ဤစိုးရိမ်မှုများကို အဆင့်မြင့်စက်သင်ယူမှု အမျိုးအစားကို အသုံးပြုခြင်းဖြင့် ကုစားနိုင်ပါသည်။ ဖက်ဒရယ်သင်ယူမှု. ဖက်ဒရယ်စနစ်ဖြင့် သင်ယူခြင်းဖြင့် မည်သည့် ပုဂ္ဂိုလ်ရေးအရ ခွဲခြားသိမြင်နိုင်သော အချက်အလက်ကို မျှဝေရန် မလိုအပ်ပါ။ Federated Learning သည် စက်သင်ယူမှုပုံစံများကို ဒေတာရင်းမြစ်သို့ ယူဆောင်လာပြီး ဒေတာများကို လုံခြုံသောနေရာတွင် သိမ်းဆည်းထားနိုင်စေပါသည်။ ကိုယ်ရေးကိုယ်တာဆိုင်ရာ စိုးရိမ်ပူပန်မှုများကို လျှော့ချရန် ရိုးရှင်းသောဖြေရှင်းချက်သည် လူနာ (သို့မဟုတ်) မိဘတစ်ဦးအတွက် ပုဂ္ဂိုလ်ရေးအရ ခွဲခြားသိမြင်နိုင်သော ဒေတာကို အသုံးပြုခွင့်ကို အတည်ပြုရန်ဖြစ်သည်။

ဤဖြေရှင်းချက်အမျိုးအစားသည် စိတ်ကြိုက်ဆေးများကို စျေးကွက်သို့ပို့ဆောင်ရာတွင် အထောက်အကူဖြစ်စေရန် အရေးကြီးပါသည်။ တစ်ဦးချင်းစီအတွက် ပစ်မှတ်ထားရမည့် မော်လီကျူးများကို သိရှိခြင်းသည် စိတ်ကြိုက်ဆေးပညာသို့ အပြည့်အဝကူးပြောင်းရန် အရေးကြီးပါသည်။

ပုဂ္ဂိုလ်ရေးသီးသန့် ကျန်းမာရေးစောင့်ရှောက်မှုသည် လူတစ်ဦးချင်းစီကို ပစ်မှတ်ထားရန် ဂရုတစိုက် အံဝင်ခွင်ကျဖြစ်သော ဆေးများ၊ ပုံသဏ္ဍာန်များ၊ အရွယ်အစားများနှင့် လက္ခဏာရပ်များဖြင့် 3-D ရိုက်နှိပ်ထားသည့် ဆေးဝါးများကို ရရှိစေမည်ဖြစ်သည်။ ကျား၊ မ၊ ကိုယ်အလေးချိန် နှင့် အခြားသော ရုပ်ပိုင်းဆိုင်ရာ ကွဲပြားမှုများကို ထည့်သွင်းစဉ်းစားမည် မဟုတ်သော်လည်း အချို့သော လူဦးရေအုပ်စုများနှင့် သက်ဆိုင်သည့် အချို့သော ဂျီနိုမ်များတွင်သာ ရှိနေနိုင်သည့် မော်လီကျူးတစ်ခုကို ပစ်မှတ်ထားရန် ဆေးဝါးများကိုလည်း ဒီဇိုင်းထုတ်နိုင်သည်။

နက်နက်ရှိုင်းရှိုင်း လေ့လာသင်ယူမှုကို မူးယစ်ဆေးဝါးနှင့် ပစ်မှတ်မော်လီကျူးကြား ဆက်စပ်မှုကို ခန့်မှန်းရန် အောင်မြင်စွာ အသုံးပြုခဲ့ပြီး၊ ၎င်းကို ကိုရီးယားနိုင်ငံ၊ Gwangju Institute of Science and Technology မှ သုတေသီများက အောင်မြင်စွာ စမ်းသပ်ခဲ့ကြောင်း၊ Cheminformatics ဂျာနယ်.

အပိုင်းပိုင်းခွဲထားသော ပုဂ္ဂလိကပိုင်ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်သည် အထက်ပါအချက်များနှင့် ရုန်းကန်ရနိုင်သော်လည်း၊ အထူးသဖြင့် ပြည်သူ့ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်များတွင် Moonshot တွေးခေါ်မှုကို စိတ်ဝင်စားသော ရည်မှန်းချက်ကြီးသော နိုင်ငံရေးသမားများက ယနေ့ စမ်းသပ်နိုင်မည်ဖြစ်သည်။

အက်စတိုးနီးယားသည် အမှန်တကယ်ပင် ယင်းတွင် ဦးဆောင်နေသည်။ Estonian Genome ပရောဂျက် အက်စ်တိုးနီးယားလူဦးရေ၏ များပြားသောရာခိုင်နှုန်းမှ ကျန်းမာရေးမှတ်တမ်းများပါရှိသော လူဦးရေအခြေပြု ဇီဝဗေဒဒေတာအခြေခံနှင့် ဇီဝဘဏ်တစ်ခုဖြစ်သည်။ ဟိ Israel Genome စီမံကိန်း အစ္စရေးလူဦးရေ 100,000 ကျော်ကို စီစဥ်ရန် ရည်မှန်းချက်ကြီးသော ပရောဂျက်တစ်ခုဖြစ်သည်။

ဤနေရာ၌ ထင်ရှားသော ခေါင်းဆောင်မှာ ယူကေ၊ ထိုနေရာဖြစ်သည်။ Genomics အင်္ဂလန် ရှားပါးသောရောဂါများနှင့် ကင်ဆာကဲ့သို့သော ဖျားနာမှုများကို ဆရာဝန်များနှင့် ဆေးခန်းများမှ ရောဂါရှာဖွေ၊ ကုသရန်နှင့် ကာကွယ်ရန် NHS နှင့် ပူးပေါင်း၍ မျိုးရိုးဗီဇစစ်ဆေးမှုကို အဆက်မပြတ် မြှင့်တင်ပေးပါသည်။ သူတို့မှာလည်း ရှိတယ်။ အဖွဲ့ဝင် 100,000 ကို စုစည်းရန် ရည်မှန်းချက်.

အထက်ဖော်ပြပါ ပြည်သူပိုင်သိမ်းထားသော ဒေတာဘေ့စ်များ၏ ပြဿနာတစ်ခုမှာ ဆင့်ပွားထားသော လူဦးရေမှာ အတော်လေးနည်းနေသေးသည်။ ပိုကြီးသောဒေတာအတွဲသည် ဒေတာရှိပုံစံများကိုခွဲခြားသတ်မှတ်ရန်အသုံးပြုသည့်အခါ AI စနစ်က စွမ်းဆောင်ရည်ပိုမိုမြင့်မားစေမည်ဖြစ်သည်။ ထို့ထက်အရေးကြီးသည်မှာ ပြည်သူတစ်ရပ်လုံး၏ ကျန်းမာရေးစောင့်ရှောက်မှုကို တန်းတူညီမျှရရှိစေမည်ဖြစ်သည်။

ထို့အပြင် ပိုမိုကွဲပြားသော လူမျိုးစုနောက်ခံမှ အချက်အလက်များသည် အလားအလာများကို တားဆီးရန်အတွက် အကျိုးရှိမည်ဖြစ်သည်။ AI ဘက်လိုက်မှု ကိစ္စများ။ AI ဘက်လိုက်မှု သည် မျိုးရိုးဗီဇ ကွဲပြားမှု အပါအဝင် ကွဲပြားမှု ကင်းမဲ့သော ဒေတာများမှ ရလဒ် ထွက်ပေါ်လာသည်။ ဥပမာအားဖြင့် ကနေဒါသည် ၎င်းကို အရင်းအနှီးပြုရန် အကောင်းဆုံးအနေအထားတွင်ရှိပြီး၊ ၎င်းသည် ကမ္ဘာပေါ်တွင် ရွှေ့ပြောင်းနေထိုင်သူဦးရေ အများဆုံးရှိသည့် နိုင်ငံတစ်နိုင်ငံအဖြစ် တည်ရှိနေသောကြောင့်၊ ကနေဒါလူဦးရေ၏ 20% သည် နိုင်ငံခြားမွေးဖွားသူများဖြစ်သည်။. ၎င်းသည် လူမျိုးစု ကွဲပြားမှု နည်းပါးခြင်းကြောင့် ခံစားနေရသော အက်စ်တိုနီးယားနှင့် အစ္စရေး စနစ်များနှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။

ဂျီနိုမ် စီစစ်ခြင်းကို စံပြုခြင်းနှင့် နက်နဲသော သင်ယူမှုကို အသုံးပြုခြင်းသည် ကနေဒါ ကျန်းမာရေး စောင့်ရှောက်မှု စနစ်အတွက် ကြီးမားသော ငွေကြေး စုဆောင်းမှုနှင့် ကျန်းမာရေး အကျိုးကျေးဇူးများကို ဖြစ်ပေါ်စေပါသည်။ ကနေဒါနိုင်ငံသားများက မကြာခဏ တံဆိပ်တပ်ထားသော စနစ်တစ်ခုကို ချိုးဖျက်ထားသည်။ အကြာကြီးစောင့်ရတာပါ။.

အထက်ဖော်ပြပါအချက်များသည် ရည်မှန်းချက်ကြီးသော တွေးခေါ်မှုမျိုး လိုအပ်သည် ၊ မည်သည့်နိုင်ငံသည် အခွန်ဆောင်သူများ၏ ငွေကြေးကို ချွေတာနိုင်သည်ဖြစ်စေ အနာဂတ်တွင် ရင်းနှီးမြုပ်နှံမှု၊ လူနေမှုဘဝ မြှင့်တင်ရန်နှင့် ၎င်း၏ ယေဘူယျလူဦးရေ၏ သက်တမ်းကို တိုးစေသည်- အားလုံးတန်းတူ လက်လှမ်းမီနိုင်စေရန် ကမ္ဘာကို ဦးဆောင်နေချိန်တိုင်း ပုဂ္ဂိုလ်ရေးသီးသန့် ကျန်းမာရေးစောင့်ရှောက်မှုနှင့် စိတ်ကြိုက်ဆေးဝါးများဆီသို့။