ബയോആർക്സിവ് സെർവറിലേക്ക് അപ് ലോഡ് ചെയ്ത സമീപകാല പ്രീപ്രിന്റ് * ൽ, ടിഷ്യു-നിർദ്ദിഷ്ട ആർഎൻഎ എക്സ്പ്രഷൻ, സ്പ്ലിസിംഗ്, ആർഎൻഎ ബൈൻഡിംഗ് പ്രോട്ടീൻ സ്പെസിഫിസിറ്റി, ജീനോമിക് ഡിഎൻഎ സീക്വൻസുകളിൽ നിന്നുള്ള മൈക്രോ ആർഎൻഎ സൈറ്റുകൾ എന്നിവ പ്രവചിക്കുന്നതിനുള്ള ഒരു അടിസ്ഥാന മോഡൽ ഗവേഷകർ വികസിപ്പിക്കുകയും പരിശീലിപ്പിക്കുകയും ചെയ്തു. “ബിഗ് ആർഎൻഎ” എന്ന് വിളിക്കപ്പെടുന്ന അവരുടെ മോഡലിന് യന്ത്രവൽകൃത കേസുകളുടെ വിശാലമായ സ്പെക്ട്രത്തിലുടനീളം രോഗകാരി നോൺ-കോഡിംഗ് ഡിഎൻഎ വകഭേദങ്ങൾ തിരിച്ചറിയാനും പ്രവചിക്കാനും കഴിയും. ജീൻ എക്സ്പ്രഷൻ മോഡുലേറ്റുചെയ്യാൻ കഴിവുള്ള ന്യൂക്ലിക് ആസിഡുകളായ സ്റ്റെറിക്-ബ്ലോക്കിംഗ് ഒലിഗോ ന്യൂക്ലിയോടൈഡുകളുടെ (എസ്ബിഒ) ഫലങ്ങൾ കൃത്യമായി പ്രവചിക്കാൻ ബിഗ്ആർഎൻഎയ്ക്ക് കഴിഞ്ഞു എന്നത് ശ്രദ്ധേയമാണ്. അവരുടെ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നത് ബിഗ് ആർഎൻഎയും സമാനമായ അടിസ്ഥാന മോഡലുകളും ഭാവിയിൽ വ്യക്തിഗത ആർഎൻഎ ചികിത്സാരീതികൾ അനുവദിച്ചേക്കാം എന്നാണ്.

ആർഎൻഎ മോഡലിംഗും ആഴത്തിലുള്ള പഠനത്തിന്റെ ഗുണങ്ങളും

ഡിഎൻഎ സീക്വൻസുകളിൽ നിന്ന് ആർഎൻഎ ഫലങ്ങൾ പ്രവചിക്കാൻ കഴിവുള്ള മെഷീൻ ലേണിംഗ് (എം എൽ) അൽഗോരിതങ്ങൾ രൂപകൽപ്പന ചെയ്യാൻ ലക്ഷ്യമിട്ടുള്ള ഗവേഷണം ദീർഘകാലവും സമൃദ്ധവുമാണ്, പക്ഷേ വിജയകരമാണെന്ന് തെളിയിക്കേണ്ടതുണ്ട്. ആഴത്തിലുള്ള പഠനത്തിലെ (ഡിഎൽ) സമീപകാല മുന്നേറ്റങ്ങൾ ആർഎൻഎ പ്രവചനങ്ങളുടെയും നിലവിലെ കമ്പ്യൂട്ടേഷണൽ സമീപനങ്ങളുടെയും മേഖലയിലെ നിലവിലെ ഗവേഷണത്തിൽ ഗണ്യമായ മുന്നേറ്റം അനുവദിച്ചു.

നിർഭാഗ്യവശാൽ, ഈ മേഖലയിലെ മിക്ക നിലവിലെ ഗവേഷണങ്ങളും സമ്പൂർണ്ണ അല്ലെങ്കിൽ മൊത്തത്തിലുള്ള ആർഎൻഎ എക്സ്പ്രഷന്റെ പ്രവചനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു, ആർഎൻഎ എക്സ്പ്രഷനെ അടിസ്ഥാനമാക്കിയുള്ള റെഗുലേറ്ററി സംവിധാനങ്ങളെക്കുറിച്ചുള്ള ഗവേഷണം കുറവാണ്. ക്ലിനിക്കൽ ചികിത്സാ ഇടപെടലുകൾക്ക് സ്പ്ലിസിംഗ്, പോളിഅഡെനൈലേഷൻ തുടങ്ങിയ റെഗുലേറ്ററി ഇടപെടലുകൾ വളരെ നിർണായകമായതിനാൽ, ആർഎൻഎ എക്സ്പ്രഷനുകളെ നിയന്ത്രിക്കുന്ന നിർദ്ദിഷ്ട ട്രാൻസ്ക്രിപ്ഷണൽ അസ്വസ്ഥതകളെക്കുറിച്ചുള്ള പഠനങ്ങൾ ഈ മേഖലയിലെ ഭാവി മെഡിക്കൽ പ്രയോഗത്തിന് നിർണായകമാണ്.

അടുത്ത തലമുറ സീക്വൻസിംഗ് ടെക്നിക്കുകളിലെ മുന്നേറ്റങ്ങൾ ആർഎൻഎ സീക്വൻസിംഗ് (ആർഎൻഎ-സെക്ക്) ഡാറ്റ വ്യാപകമായി ലഭ്യമാക്കി. പ്രചാരത്തിലുള്ള വലിയ അളവിലുള്ള ആർഎൻഎ-സെക്ക് ഡാറ്റ ആർഎൻഎ എക്സ്പ്രഷന്റെ ഉയർന്ന റെസല്യൂഷൻ വിശകലനത്തിന് അനുയോജ്യമായ വിഭവം നൽകുന്നു, അതേസമയം വൈവിധ്യമാർന്ന വ്യത്യസ്ത ഡിഎൻഎ ജീനോടൈപ്പുകളിൽ നിന്ന് സങ്കീർണ്ണമായ ട്രാൻസ്ക്രിപ്ഷണൽ റെഗുലേറ്ററി ഇവന്റുകൾ തിരിച്ചറിയാനും പ്രവചിക്കാനും കഴിവുള്ള ആഴത്തിലുള്ള പഠന മോഡലുകൾ പരിശീലിപ്പിക്കാൻ അനുവദിക്കുന്നു. ജീനോടൈപ്പ്-ടിഷ്യു എക്സ്പ്രഷൻ (ജിടിഎക്സ്) പ്രോജക്റ്റ് ഉൾപ്പെടെയുള്ള ഹൈബ്രിഡ് ഡാറ്റാസെറ്റുകൾ പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ്, കാരണം അവ ഉയർന്ന റെസല്യൂഷൻ ആർഎൻഎ-സെക്ക്, ഹോൾ ജീനോം സീക്വൻസിംഗ് (ഡബ്ല്യുജിഎസ്) എന്നിവ സംയോജിപ്പിക്കുന്നു, ഇത് നേരിട്ടുള്ള ഡിഎൻഎ-ടു-ആർഎൻഎ താരതമ്യം അനുവദിക്കുന്നു.

പഠനത്തെ കുറിച്ച്

ആർഎൻഎ എക്സ്പ്രഷനും നിരീക്ഷിച്ച ആർഎൻഎ എക്സ്പ്രഷൻ ലെവലുകൾക്ക് കാരണമാകുന്ന യാന്ത്രിക ഇടപെടലുകളും പ്രവചിക്കാൻ ലക്ഷ്യമിട്ട് “ബിഗ്ആർഎൻഎ” എന്ന ആഴത്തിലുള്ള പഠന മോഡൽ രൂപകൽപ്പന ചെയ്യുന്നതിനും പരിശീലിപ്പിക്കുന്നതിനും നിലവിലെ പഠനം വിപുലമായ ഡബ്ല്യുജിഎസ്, ആർഎൻഎ-സെക്ക് ഡാറ്റ ഉപയോഗിച്ചു. വൈവിധ്യമാർന്ന പാരമ്പര്യമുള്ള 70 വ്യക്തികളിൽ നിന്ന് ഡബ്ല്യുജിഎസ്, ആർഎൻഎ-സെക്ക് വിവരങ്ങൾ ഉൾക്കൊള്ളുന്ന ജിടിഎക്സ് കൺസോർഷ്യം ഡാറ്റ സമാഹരിച്ചാണ് ഗവേഷകർ ആരംഭിച്ചത്. ട്രാൻസ്ഫോർമർ അധിഷ്ഠിത മോഡൽ ആർക്കിടെക്ചർ 128 ബിപി (ബേസ് ജോഡി) റീഡുകൾക്കായി ഒപ്റ്റിമൈസ് ചെയ്തതിനാൽ സീക്വൻസ് ഡാറ്റ ക്രമീകരിക്കുകയും 128 ബിപി-വിൻഡോ പൈപ്പ്ലൈനിലൂടെ കൈമാറുകയും ചെയ്തു.

“ഓരോ ആർഎൻഎ-സെക്ക് സാമ്പിളും രണ്ട് ഡാറ്റാ ട്രാക്കുകളായി പ്രോസസ്സ് ചെയ്തു: കവറേജ്, ജംഗ്ഷൻ, അവിടെ ജംഗ്ഷൻ ട്രാക്കിൽ സ്പ്ലൈസ് ജംഗ്ഷനുകളിൽ റീഡ് കൗണ്ടുകളുടെ ഒരു ഉപവിഭാഗം അടങ്ങിയിരിക്കുന്നു.”

രണ്ട് ആർഎൻഎ ഡാറ്റാ ട്രാക്കുകൾ കണക്കിലെടുത്ത് 128 ബിപി-വിൻഡോ പൈപ്പ്ലൈൻ കൂടുതൽ ഒപ്റ്റിമൈസ് ചെയ്തു – കവറേജ് ഡാറ്റ 128 ബിപി-വിൻഡോ ശരാശരി-പൂളിംഗ് ഉപയോഗിച്ച് പ്രോസസ്സ് ചെയ്തു, അതേസമയം ജംഗ്ഷൻ ഡാറ്റ 128 ബിപി-വിൻഡോ സം-പൂളിംഗ് ഉപയോഗിച്ച് പ്രോസസ്സ് ചെയ്തു. വ്യക്തിഗത-നിർദ്ദിഷ്ട കൂട്ടിച്ചേർക്കലുകൾക്കും ഇല്ലാതാക്കലിനും പ്രത്യേക ശ്രദ്ധ നൽകിക്കൊണ്ട് ആർഎൻഎ ഡാറ്റ ബന്ധപ്പെട്ട ജീനോമിക് ഡാറ്റയുമായി വിന്യസിച്ചു.

ഹാപ്ലോടൈപ്പുകളിൽ നിന്ന് ഉണ്ടാകുന്ന ഫിനോടൈപിക് വ്യത്യാസങ്ങൾ കണക്കിലെടുത്ത ശേഷം സാമ്പിൾ ചെയ്ത ഓരോ വ്യക്തികളിൽ നിന്നും സ്വതന്ത്ര പഠനം നടത്താൻ അനുവദിക്കുന്ന 70 ഡിഎൻഎ-ആർഎൻഎ ജോഡികളിൽ ബിഗ്ആർഎൻഎയ്ക്ക് പ്രത്യേകം പരിശീലനം നൽകി. ഗവേഷകർ ബിഗ് ആർഎൻഎയുടെ പരിശീലന റെജിമെന്റുകളിൽ വ്യക്തിഗത-അജ്ഞേയ പെർ-ടിഷ്യു ഔട്ട്പുട്ടുകൾ ചേർത്തു, നിരീക്ഷിച്ച ആർഎൻഎ-സെക്ക് ഡാറ്റയുടെ ഫലമായി ജീനോടൈപ്പ് പ്രവചിക്കാൻ തുടങ്ങാൻ മോഡലിനെ പ്രോത്സാഹിപ്പിച്ചു.

മോഡൽ പരിശീലനത്തെത്തുടർന്ന്, മെച്ചപ്പെട്ട ക്രോസ്ലിങ്കിംഗ്, ഇമ്മ്യൂണോപ്രിപിറ്റേഷൻ (ഇസിഎൽഐപി) പരിശോധനകളിൽ നിന്നും എൻസൈക്ലോപീഡിയ ഓഫ് ഡിഎൻഎ എലിമെന്റസ് (എൻകോഡ്) ഡാറ്റാബേസിൽ നിന്നും ലഭിച്ച ആർഎൻഎ-ബൈൻഡിംഗ് പ്രോട്ടീൻ (ആർബിപി), മൈക്രോ ആർഎൻഎ ഡാറ്റാസെറ്റുകൾ എന്നിവയിൽ ബിഗ്ആർഎൻഎ മികച്ച രീതിയിൽ ക്രമീകരിച്ചു. മോഡൽ പെർഫോമൻസ് ടെസ്റ്റിംഗിനായി, പരിശീലനത്തിനായി ഉപയോഗിക്കുന്നതിൽ നിന്ന് പൂർണ്ണമായും വ്യത്യസ്തമായ പ്രോട്ടീൻ-കോഡിംഗ് ജീനുകൾ തിരഞ്ഞെടുത്തു. ബിഗ് ആർഎൻഎയുടെ പ്രകടനവും കൃത്യതയും സാധൂകരിക്കുന്നതിന്, മോഡൽ പ്രവചനങ്ങളും മുമ്പത്തെ പരീക്ഷണ ഫലങ്ങളും തമ്മിലുള്ള വ്യത്യാസം ഓരോ ടിഷ്യുവിനും കണക്കാക്കി. പ്രവചനങ്ങളും നിരീക്ഷണങ്ങളും തമ്മിലുള്ള ജോഡി തിരിച്ചുള്ള താരതമ്യങ്ങൾ ഉപയോഗിച്ച് ഡിഫറൻഷ്യൽ ജീൻ എക്സ്പ്രഷൻ പ്രവചന പ്രകടനം പരിശോധിക്കുകയും ലോഗ് 2 ഫോൾഡ്-ചേഞ്ച് മെട്രിക് (എല്ലാ ജീനുകൾക്കും ഒരു ജീനിന് പ്രവചിക്കപ്പെട്ടതും ടാർഗെറ്റ് കവറേജ് ഡാറ്റയും തമ്മിലുള്ള പരസ്പര ബന്ധ ഗുണകം) ഉപയോഗിച്ച് കണക്കാക്കുകയും ചെയ്തു.

പഠന കണ്ടെത്തലുകൾ

ടിഷ്യു-നിർദ്ദിഷ്ട ആർഎൻഎ എക്സ്പ്രഷനും സാധ്യതയുള്ള പ്രോട്ടീൻ, മൈക്രോ ആർഎൻഎ ബൈൻഡിംഗ് സൈറ്റുകളും ഉയർന്ന കൃത്യതയോടെ പ്രവചിക്കാൻ ബിഗ്ആർഎൻഎയ്ക്ക് കഴിഞ്ഞു. പ്രത്യേകിച്ചും, പരിശീലനത്തിലോ മൂല്യനിർണ്ണയ ഡാറ്റാസെറ്റുകളിലോ ഉൾപ്പെടുത്താത്ത അജ്ഞാത ജീനുകൾക്ക്, ~0.70 ന്റെ പരസ്പരബന്ധ ഗുണകങ്ങൾ (ആർ) ലഭിച്ചു (പരിധി 0.47 – 0.77). തലച്ചോറിലെ ആർഎൻഎ എക്സ്പ്രഷനിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുമ്പോൾ കൃത്യത കൂടുതൽ ശ്രദ്ധേയമായിരുന്നു, ഏകദേശം 74%. പരീക്ഷിച്ച 142 ഡാറ്റാസെറ്റുകൾക്കും ആർഎൻഎ പ്രവചന മോഡലുകളായ ‘ഡീപ്രിപെ’യിൽ ബിഗ്ആർഎൻഎ നിലവിലെ സ്വർണ്ണ മാനദണ്ഡത്തെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. മൈക്രോ ആർഎൻഎ പ്രവചനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചപ്പോൾ, ബിഗ്ആർഎൻഎ 84% കൃത്യത കാണിച്ചു. മൈക്രോ ആർഎൻഎകളുടെ മരുന്ന് കണ്ടെത്തൽ ആപ്ലിക്കേഷനുകൾ കണക്കിലെടുക്കുമ്പോൾ ഇത് പ്രതീക്ഷ നൽകുന്നതാണ്.

“മനുഷ്യ ജനിതകശാസ്ത്രത്തിലെ ഒരു പ്രധാന വെല്ലുവിളി മനുഷ്യ ജനസംഖ്യയിൽ കണ്ടെത്തിയേക്കാവുന്ന സീക്വൻസ് വേരിയന്റുകളുടെ ആഘാതം പ്രവചിക്കുക എന്നതാണ്. ആൽഫഫോൾഡ് പോലുള്ള ചില അളവുകൾ ഉപയോഗിച്ച് അദൃശ്യ ജീനുകളിൽ നന്നായി പ്രവർത്തിക്കുന്ന പല ആഴത്തിലുള്ള പഠന മോഡലുകളും വേരിയന്റ് ഇഫക്റ്റുകൾ പ്രവചിക്കാൻ പാടുപെടുന്നു. അപൂർവമായ മിസെൻസ് വകഭേദങ്ങളുടെ രോഗകാരി ആഘാതം പ്രവചിക്കുന്നതിന് ചില കൃത്യമായ രീതികൾ നിലവിലുണ്ടെങ്കിലും, ജീനുകളുടെ 3′, 5’ വിവർത്തനം ചെയ്യാത്ത പ്രദേശങ്ങളിൽ (യുടിആർ) സ്ഥിതിചെയ്യുന്നവ പോലുള്ള കോഡിംഗ് ഇതര വകഭേദങ്ങൾ വ്യാഖ്യാനിക്കാൻ ബുദ്ധിമുട്ടാണ്.

ബിഗ് ആർഎൻഎ ഈ ആശങ്കകളെ ലഘൂകരിക്കുന്നു – ക്ലിൻവാറിൽ നിന്നുള്ള ഒരു സാമ്പിൾ ഡാറ്റാസെറ്റ് (പകരാൻ കഴിയാത്ത ജനിതക രോഗങ്ങളുടെ ഡാറ്റാസെറ്റ്) ഉപയോഗിച്ച് പരീക്ഷിച്ചപ്പോൾ, ആർഒസി കർവ് (എയുസി) സ്കോർ 0.95 ന് കീഴിലുള്ള ഒരു പ്രദേശം ഉപയോഗിച്ച് ഇൻപുട്ട് ആർഎൻഎ-സെക്ക് ഡാറ്റയിൽ നിന്ന് രോഗ ഫലങ്ങൾ പ്രവചിക്കാൻ ബിഗ് ആർഎൻഎയ്ക്ക് കഴിഞ്ഞു. മോഡലിന്റെ ശരാശരി തെറ്റായ പോസിറ്റീവ് നിരക്ക് (എഫ്പിആർ) സ്ഥിരമായി <0.5% ആയിരുന്നു, ഇത് ബിഗ്ആർഎൻഎയും മറ്റ് അടിസ്ഥാന മോഡലുകളും ഭാവിയിൽ പാരമ്പര്യവും ജനിതകവുമായ രോഗങ്ങൾ നിർണ്ണയിക്കാൻ ക്ലിനിക്കുകളെ സഹായിക്കുമെന്ന് സൂചിപ്പിക്കുന്നു.

മിക്ക പരമ്പരാഗത മോഡലുകൾക്കും രോഗകാരി വകഭേദങ്ങളെ തിരിച്ചറിയാൻ കഴിയില്ല, കൂടാതെ നിരുപദ്രവകരമായ മ്യൂട്ടേഷനുകളും രോഗകാരി വകഭേദങ്ങളും തമ്മിൽ വേർതിരിച്ചറിയുന്നതിൽ ഇപ്പോഴും പരാജയപ്പെടുന്ന ചുരുക്കം ചിലത്. സമാന്തര സ്പ്ലിസിംഗ് അസെയിൽ (മാപ്സി) നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് എക്സോൺ സ്കിപ്പിംഗിന്റെ സ്പ്ലിസിംഗ് പ്രത്യാഘാതങ്ങൾ പ്രവചിക്കാനും ഫ്ലാഗ് ചെയ്യാനുമുള്ള കഴിവിനെ അടിസ്ഥാനമാക്കിയാണ് ബിഗ്ആർഎൻഎ വിലയിരുത്തിയത്. 0.89 എയുസി സ്കോറുകളുമായി മോഡൽ ശ്രദ്ധേയമായ പ്രകടനം കാഴ്ചവച്ചു. ഇൻട്രോണിക് വേരിയന്റുകളിൽ സ്പ്ലിസിംഗിന്റെ സ്വാധീനവും അതിലെ ബിഗ്ആർഎൻഎയുടെ പ്രകടനവും വിലയിരുത്താൻ, എബിസിഎ 4 ജീനിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ചു. വീണ്ടും, 0.9 എയുസി ഉപയോഗിച്ച് സ്പ്ലിസിംഗ് ഇവന്റ് കൃത്യമായി തിരിച്ചറിയാനും ഫ്ലാഗ് ചെയ്യാനും ബിഗ്ആർഎൻഎ കണ്ടെത്തി.

“സ്പ്ലിസിംഗിനെയും ജീൻ എക്സ്പ്രഷനെയും ബാധിക്കുന്ന നിയന്ത്രണ സംവിധാനങ്ങൾ മനസിലാക്കാനുള്ള ബിഗ്ആർഎൻഎയുടെ കഴിവ് രോഗകാരി വേരിയന്റ് ഇഫക്റ്റുകൾ സംരക്ഷിക്കുന്ന ചികിത്സാ ഇടപെടലുകൾ രൂപകൽപ്പന ചെയ്യാൻ അനുവദിച്ചേക്കാം.”

നിഗമനങ്ങൾ

നിലവിലെ പ്രീപ്രിൻറിൽ, ജീനോമിക് ഡിഎൻഎ ഡാറ്റാസെറ്റുകളിൽ നിന്ന് ആർഎൻഎ-സെക്ക് വൈകല്യങ്ങൾ തിരിച്ചറിയുന്നതിനും പ്രവചിക്കുന്നതിനും ഗവേഷകർ ബിഗ്ആർഎൻഎ എന്ന നൂതന ഡീപ് മെഷീൻ ലേണിംഗ് മോഡൽ വികസിപ്പിച്ചെടുത്തു. ഡിഎൻഎ ഡാറ്റാസെറ്റുകളിൽ നിന്ന് സ്പ്ലിസിംഗ് ഉൾപ്പെടെയുള്ള ആർഎൻഎ-സെക്ക് വ്യതിയാനങ്ങൾ തിരിച്ചറിയുന്നതിൽ ബിഗ്ആർഎൻഎ ഇന്നുവരെയുള്ള ഏറ്റവും മികച്ചതും കൃത്യവുമായ മോഡൽ അവതരിപ്പിക്കുന്നുവെന്ന് അവരുടെ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു. ടിഷ്യു-നിർദ്ദിഷ്ട ജീൻ എക്സ്പ്രഷനുകൾ പ്രവചിക്കാനും ജീനോടൈപ്പുകളിലുടനീളം ഡിഫറൻഷ്യൽ എക്സ്പ്രഷൻ ലെവലുകൾക്ക് കാരണമാകുന്ന അടിസ്ഥാന സംവിധാനം തിരിച്ചറിയാനും ബിഗ്ആർഎൻഎയ്ക്ക് കഴിവുണ്ടെന്ന് കാണിച്ചു.

ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം എന്ന നിലയിൽ, ബിഗ് ആർഎൻഎയുടെ കൃത്യത അധിക ഡബ്ല്യുജിഎസ്, ആർഎൻഎ-സെക്ക് ഡാറ്റ എന്നിവ ഉപയോഗിച്ച് കൂടുതൽ മെച്ചപ്പെടുത്താനുള്ള സാധ്യതയുണ്ട്. ബിഗ് ആർഎൻഎ ഉൾപ്പെടെയുള്ള അടിസ്ഥാന മോഡലുകൾ ഭാവിയിൽ വ്യക്തിഗത ആർഎൻഎ ചികിത്സയ്ക്ക് വഴിയൊരുക്കിയേക്കാം.

“ആഴത്തിലുള്ള പഠനത്തിലൂടെ വ്യത്യസ്ത മരുന്ന് കണ്ടെത്തൽ ജോലികളെ സഹായിക്കാൻ കഴിയുമെന്ന് ഞങ്ങളുടെ ഫലങ്ങൾ കാണിക്കുന്നു. ബിഗ് ആർഎൻഎയ്ക്കും അതുപോലുള്ള ആഴത്തിലുള്ള പഠന സംവിധാനങ്ങൾക്കും ആർഎൻഎ ചികിത്സാ മേഖലയെ പരിവർത്തനം ചെയ്യാനുള്ള കഴിവുണ്ടെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു.

* പ്രധാന അറിയിപ്പ്: പിയർ-റിവ്യൂ ചെയ്യാത്ത പ്രാഥമിക ശാസ്ത്രീയ റിപ്പോർട്ടുകൾ ബയോആർക്സിവ് പ്രസിദ്ധീകരിക്കുന്നു, അതിനാൽ, അവ നിർണ്ണായകമായി കണക്കാക്കരുത്, ക്ലിനിക്കൽ പ്രാക്ടീസ് / ആരോഗ്യവുമായി ബന്ധപ്പെട്ട പെരുമാറ്റം നയിക്കരുത്, അല്ലെങ്കിൽ സ്ഥാപിത വിവരങ്ങളായി പരിഗണിക്കരുത്.