പല രോഗങ്ങൾക്കും വിട്ടുമാറാത്ത അവസ്ഥകൾക്കും, ഒരു വ്യക്തിയുടെ ജീനുകൾ രോഗം വികസിപ്പിക്കാനുള്ള സാധ്യതയിൽ ഒരു പങ്ക് വഹിക്കുന്നു. സിസ്റ്റിക് ഫൈബ്രോസിസ് അല്ലെങ്കിൽ സിക്കിൾ സെൽ അനീമിയ പോലുള്ള ചില പാരമ്പര്യ രോഗങ്ങൾ ഒരൊറ്റ ജീനിലെ വ്യതിയാനം മൂലമാണ് ഉണ്ടാകുന്നതെങ്കിൽ, കാൻസർ, ടൈപ്പ് 2 പ്രമേഹം അല്ലെങ്കിൽ ഹൃദ്രോഗം പോലുള്ള സങ്കീർണ്ണ അല്ലെങ്കിൽ പോളിജെനിക് രോഗങ്ങൾ എന്നറിയപ്പെടുന്ന മറ്റുള്ളവ നിരവധി ജീൻ വ്യതിയാനങ്ങളുടെയും പാരിസ്ഥിതിക ഘടകങ്ങളുടെയും സംയോജനത്തിന്റെ ഫലമായി സംഭവിക്കുന്നു.
പോളിജെനിക് റിസ്ക് സ്കോറുകൾ, അല്ലെങ്കിൽ പിആർഎസ്, ഒരു പ്രത്യേക രോഗത്തോടുള്ള ഒരു വ്യക്തിയുടെ ജനിതക സാധ്യതയെ പ്രതിഫലിപ്പിക്കുന്നു – ഉയർന്ന റിസ്ക് സ്കോർ ഒരു വ്യക്തിക്ക് രോഗം വരാനുള്ള സാധ്യത കൂടുതലാണെന്ന് പ്രകടിപ്പിക്കുന്നു. എന്നിരുന്നാലും, ഇന്നുവരെയുള്ള ഒരു പ്രധാന പരിമിതി, നിലവിലുള്ള റിസ്ക് സ്കോറുകൾ പ്രാഥമികമായി യൂറോപ്യൻ വംശജരായ വ്യക്തികളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് വികസിപ്പിക്കുകയും വിലയിരുത്തുകയും ചെയ്തിട്ടുണ്ട് എന്നതാണ്. തൽഫലമായ റിസ്ക് സ്കോറുകളും അവ കണക്കാക്കുന്നതിനുള്ള അൽഗോരിതങ്ങളും പഠനവിധേയമല്ലാത്ത ന്യൂനപക്ഷ ജനസംഖ്യയ്ക്ക്, പ്രത്യേകിച്ച് ആഫ്രിക്കൻ വംശപരമ്പരയിലെ ജനസംഖ്യയിൽ അത്ര കൃത്യമല്ല.
ഈ പ്രശ്നം പരിഹരിക്കുന്നതിന്, ജോൺസ് ഹോപ്കിൻസ് സർവകലാശാലയിലെ ഗവേഷകർ ഹാർവാർഡ് സ്കൂൾ ഓഫ് പബ്ലിക് ഹെൽത്ത്, നാഷണൽ കാൻസർ ഇൻസ്റ്റിറ്റ്യൂട്ട് എന്നിവയുമായി സഹകരിച്ച് ന്യൂനപക്ഷ ജനസംഖ്യയിലെ പോളിജെനിക് റിസ്ക് സ്കോറുകളുടെ പ്രകടനം മെച്ചപ്പെടുത്താൻ ഗണ്യമായ ശേഷിയുള്ള ഒരു പുതിയ രീതി വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. സിടി-എസ്എൽഇബി എന്നറിയപ്പെടുന്ന ഈ രീതി നേച്ചർ ജനിറ്റിക്സിൽ പ്രസിദ്ധീകരിച്ച ഒരു പ്രബന്ധത്തിൽ വിശദീകരിച്ചിട്ടുണ്ട്.
ജോൺസ് ഹോപ്കിൻസിലെ ബ്ലൂംബെർഗ് ബയോസ്റ്റാറ്റിസ്റ്റിക്സ് ആൻഡ് ജനിതക എപ്പിഡെമിയോളജി പ്രൊഫസർ നിലാഞ്ജൻ ചാറ്റർജിയുടെ മേൽനോട്ടത്തിലാണ് പഠനം നടത്തിയത്.
“മികച്ച രീതികൾ പ്രധാനമാണ്, പക്ഷേ അവ മാത്രം വൈവിധ്യമാർന്ന ജനസംഖ്യയിലുടനീളം ഈ മോഡലുകളുടെ പ്രകടന വിടവ് ഇല്ലാതാക്കില്ല,” ചാറ്റർജി പറയുന്നു. “വിവിധ ന്യൂനപക്ഷ ജനസംഖ്യയെക്കുറിച്ച് ഞങ്ങൾ കൂടുതൽ ഡാറ്റ ശേഖരിക്കേണ്ടതുണ്ട്, അതുവഴി ഈ മോഡലുകൾക്ക് മികച്ച പരിശീലനം നൽകാനും ഈ ജനസംഖ്യയ്ക്കുള്ള ജനിതക സ്കോറുകളുടെ കൃത്യത മെച്ചപ്പെടുത്താനും കഴിയും. രോഗസാധ്യതയുടെ കാര്യത്തിൽ, അടിസ്ഥാന ജീവശാസ്ത്രത്തിന്റെ ഭൂരിഭാഗവും ഒന്നുതന്നെയാണ്, അതിനാൽ ജീനോമിന്റെ അതേ പ്രദേശത്തെ അതേ ജനിതക വകഭേദങ്ങൾ ജനസംഖ്യയിലുടനീളം രോഗ അപകടസാധ്യതയിൽ സമാനമായ സ്വാധീനം ചെലുത്തും. എന്നിരുന്നാലും, വ്യക്തിഗത ജനസംഖ്യയ്ക്ക് സവിശേഷമായ ജനിതക വകഭേദങ്ങൾ ഉണ്ടായിരിക്കാം, അതിനാൽ എല്ലാ ജനസംഖ്യകൾക്കും ഏറ്റവും കൃത്യമായ അപകടസാധ്യത പ്രവചനങ്ങൾ ലഭിക്കുന്നതിന് ഈ വിവരങ്ങൾ കണക്കുകൂട്ടലുകളിൽ ഉൾപ്പെടുത്തേണ്ടത് അത്യാവശ്യമാണ്.
ക്ലമ്പിംഗ് ആൻഡ് ത്രെഷോൾഡിംഗ് (സിടി) രീതി, പ്രായോഗിക-ബേയ്സ് (ഇബി) സമീപനം, സൂപ്പർ ലേണിംഗ് (എസ്എൽ) മോഡൽ എന്നിവയുൾപ്പെടെ നിലവിലുള്ള നിരവധി സാങ്കേതികവിദ്യകളുടെ വശങ്ങൾ സിടി-എസ്എൽഇബി രീതി സംയോജിപ്പിക്കുന്നു. മൊത്തത്തിൽ, ഗവേഷകർ 5 ദശലക്ഷത്തിലധികം ആളുകളുടെ ഡാറ്റയിൽ നിന്ന് 19 ദശലക്ഷത്തിലധികം ജനിതക വകഭേദങ്ങൾ വിശകലനം ചെയ്തു. വൈവിധ്യമാർന്ന വംശപരമ്പരകളിലുടനീളം വലിയ തോതിലുള്ള ജീനോം-വൈഡ് അസോസിയേഷൻ പഠനങ്ങൾ ഉപയോഗിച്ച് ഗവേഷകർ സിടി-എസ്എൽഇബി വിലയിരുത്തിയപ്പോൾ, ഭാവി ഉപയോഗത്തിനുള്ള പ്രകടനത്തിന്റെയും സ്കെയിലബിലിറ്റിയുടെയും കാര്യത്തിൽ സിടി-എസ്എൽഇബി മികച്ച ഫലങ്ങൾ കാണിച്ചു.
ഒരു നിർദ്ദിഷ്ട രോഗത്തിന്റെ ഉയർന്ന അപകടസാധ്യത കാരണം ഇടപെടലുകളിൽ നിന്ന് പ്രയോജനം ലഭിച്ചേക്കാവുന്ന വ്യക്തികളെ തിരിച്ചറിയുന്നതിനുള്ള ഒരു മികച്ച ഉപകരണമായി ജനിതക റിസ്ക് സ്കോറുകൾ ഉയർന്നുവന്നിട്ടുണ്ട്. എന്നിരുന്നാലും, ജനസംഖ്യയിലുടനീളം പോളിജെനിക് റിസ്ക് സ്കോറുകളുടെ പ്രകടനത്തിലെ അസമത്വം ക്ലിനിക്കൽ ക്രമീകരണങ്ങളിൽ ഈ സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നത് ആരോഗ്യ പരിരക്ഷാ അസമത്വം കൂടുതൽ വർദ്ധിപ്പിക്കുമെന്ന് ആശങ്ക ഉയർത്തുന്നു.
“ഗവേഷണത്തിൽ നിന്ന് പോളിജെനിക് റിസ്ക് സ്കോറുകളിൽ നിന്ന് ക്ലിനിക്കൽ പ്രാക്ടീസിലേക്ക് വിവരങ്ങൾ മാറ്റാനുള്ള സാധ്യതയെക്കുറിച്ച് വളരെയധികം ആവേശമുണ്ട് – ടാർഗെറ്റുചെയ് ത ഇടപെടലുകൾക്കായി ജനിതക അപകടസാധ്യത സ്കോറുകൾ ഉപയോഗിക്കുന്നതിന്റെ മൂല്യം ശ്രദ്ധേയമാണ്,” ചാറ്റർജി പറയുന്നു. “ആഫ്രിക്കൻ വംശപരമ്പരയിൽ ഇതുവരെ ലഭിച്ച ജനിതക സ്കോറുകൾ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നില്ല എന്നതാണ് പ്രശ്നം. നമുക്കറിയാവുന്നതുപോലെ, ആരോഗ്യ പരിരക്ഷാ അസമത്വങ്ങളിലേക്ക് നയിക്കുന്ന ധാരാളം തടസ്സങ്ങൾ ഇതിനകം ഉണ്ട്, മറ്റൊന്ന് അവതരിപ്പിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നില്ല. ഈ പുതിയ സാങ്കേതികവിദ്യ എല്ലാവരെയും ഉൾക്കൊള്ളുന്നതും എല്ലാവർക്കും പ്രയോജനപ്പെടുന്നതുമായ രീതിയിൽ ഈ മേഖലയിലേക്ക് കൊണ്ടുവരുന്നതിന് തുല്യമായ സമീപനം അനുവദിക്കുന്നതിന് കൂടുതൽ ഡാറ്റ ശേഖരിക്കുന്നതിനും മികച്ച അൽഗോരിതങ്ങൾ വികസിപ്പിക്കുന്നതിനും ഞങ്ങൾ ശ്രമിക്കേണ്ടതുണ്ട്.
ജോൺസ് ഹോപ്കിൻസ് ബ്ലൂംബെർഗ് സ്കൂൾ ഓഫ് പബ്ലിക് ഹെൽത്തിൽ ഡോക്ടറൽ വിദ്യാർത്ഥിയായി പ്രോജക്റ്റ് ആരംഭിച്ചതും ഇപ്പോൾ നാഷണൽ കാൻസർ ഇൻസ്റ്റിറ്റ്യൂട്ടിലെ അന്വേഷകനുമായ പഠനത്തിന്റെ പ്രധാന രചയിതാവ് ഹാവോയു ഷാങ് പറയുന്നത് ഈ കണ്ടെത്തലുകൾ വൈവിധ്യമാർന്ന ജനസംഖ്യയിലുടനീളം പോളിജെനിക് റിസ്ക് പ്രവചനങ്ങൾ വർദ്ധിപ്പിക്കുന്നതിലൂടെ ആരോഗ്യ തുല്യത മെച്ചപ്പെടുത്തുന്നതിന് വിശാലമായ പ്രത്യാഘാതങ്ങളുണ്ടെന്നാണ്.
“മികച്ച പിആർഎസ് പ്രകടനം കൂടുതൽ കൃത്യമായ അപകടസാധ്യത പ്രവചനത്തിലേക്ക് നയിക്കും, ഇത് നേരത്തെ രോഗം കണ്ടെത്തൽ, പ്രതിരോധം, വ്യക്തിഗത ചികിത്സാ തന്ത്രങ്ങൾ എന്നിവ സുഗമമാക്കുന്നു,” ഷാങ് പറയുന്നു. “ഞങ്ങളുടെ നോവൽ സിടി-എസ്എൽഇബി രീതി, മറ്റ് ഉയർന്നുവരുന്ന രീതികൾക്കൊപ്പം, ജനിതക ഗവേഷണത്തിൽ പ്രാതിനിധ്യമില്ലാത്ത ജനസംഖ്യയുടെ സവിശേഷമായ ജനിതക വാസ്തുവിദ്യകൾ പരിഗണിക്കാൻ പ്രാപ്തമാക്കുന്നു, അതിനാൽ ആരോഗ്യ അസമത്വങ്ങൾ കുറയ്ക്കുന്നതിന് ഇത് സഹായിച്ചേക്കാം.”
ജനിതക പഠനങ്ങളിലെ അസമമായ പ്രാതിനിധ്യം കാരണം ക്ലിനിക്കൽ ആപ്ലിക്കേഷനിലൂടെ ഉണ്ടാകാൻ സാധ്യതയുള്ള അസമത്വങ്ങൾ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് രീതികളിലൂടെ വികസിപ്പിച്ചെടുത്തവ ഉൾപ്പെടെ അൽഗോരിതങ്ങളിലെ വംശീയ പക്ഷപാതത്തിന്റെ വിശാലമായ പ്രത്യാഘാതങ്ങളെക്കുറിച്ചുള്ള ഒരു പ്രധാന ആശങ്കയ്ക്ക് ഉദാഹരണമാണെന്ന് ചാറ്റർജി പറയുന്നു.
“ശരിയായി നടപ്പിലാക്കിയില്ലെങ്കിൽ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സമൂഹത്തിൽ വളരെ വ്യവസ്ഥാപിതമായ പക്ഷപാതം അവതരിപ്പിക്കും,” ചാറ്റർജി പറയുന്നു. “ആരോഗ്യ പരിരക്ഷാ ഫലങ്ങളിൽ വളരെ ഗുരുതരമായ പ്രത്യാഘാതങ്ങളുള്ള നിലവിലുള്ള നിരവധി ക്ലിനിക്കൽ അൽഗോരിതങ്ങളും സാങ്കേതികവിദ്യകളും യൂറോപ്യൻ വംശജരായ ആളുകൾക്കായി വികസിപ്പിക്കുകയും വിലയിരുത്തുകയും ചെയ്തിട്ടുണ്ട്. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്, മെഷീൻ ലേണിംഗ് അൽഗോരിതം എന്നിവ ഉപയോഗിച്ച്, ഈ പക്ഷപാതങ്ങൾ തുടക്കത്തിൽ തന്നെ അവതരിപ്പിക്കുന്നതിൽ നിങ്ങൾ ശരിക്കും ശ്രദ്ധാലുവായിരിക്കണം, കാരണം അവ സിസ്റ്റത്തിൽ ആഴത്തിൽ വേരൂന്നിയുകഴിഞ്ഞാൽ, പരിശീലനം മാറ്റാൻ പ്രയാസമാണ്. നിലവിലുള്ളവയെ അഭിസംബോധന ചെയ്യാനും ഭാവിയെ തടയാനും ശ്രമിക്കുന്നതിന് ഈ പക്ഷപാതങ്ങളെക്കുറിച്ച് ബോധവാന്മാരാകുകയും സംസാരിക്കുകയും ചെയ്യേണ്ടത് നിർണായകമാണെന്ന് ഞാൻ കരുതുന്നു.”
ബ്ലൂംബെർഗ് സ്കൂളിലെ ബയോസ്റ്റാറ്റിസ്റ്റിക്സ് ഡിപ്പാർട്ട്മെന്റിന്റെ ചെയർമാനായ എലിസബത്ത് സ്റ്റുവർട്ട് കൂട്ടിച്ചേർത്തു: “പരമ്പരാഗത ഡാറ്റാ സ്രോതസ്സുകളിൽ ഡാറ്റ എവിടെ നിന്ന് വരുന്നു, ആരെ പ്രതിനിധീകരിക്കുന്നു, നിർണ്ണായകമായി, ആരെ പ്രതിനിധീകരിക്കുന്നില്ല എന്നതിൽ ശ്രദ്ധ ചെലുത്തേണ്ടതിന്റെ പ്രാധാന്യം ഈ കൃതി എടുത്തുകാണിക്കുന്നു. ഗണ്യവും സാങ്കേതികവുമായ വശങ്ങൾ മനസ്സിലാക്കുന്ന വ്യക്തികളുടെ ശക്തമായ മൾട്ടിഡിസിപ്ലിനറി സഹകരണങ്ങൾ, പുതിയ ഡാറ്റാ സ്രോതസ്സുകളുടെ ക്രിയാത്മക ഉപയോഗം, സങ്കീർണ്ണമായ ഡാറ്റ കൈകാര്യം ചെയ്യുന്നതിനുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികളുടെ വികസനം എന്നിവയിലൂടെ ലോകമെമ്പാടുമുള്ള വ്യക്തികളുടെ ആരോഗ്യം മെച്ചപ്പെടുത്തുന്നതിൽ ഞങ്ങൾക്ക് സുപ്രധാന മുന്നേറ്റങ്ങൾ നടത്താൻ കഴിയും.
വൈവിധ്യമാർന്ന ജനസംഖ്യയ്ക്കുള്ള മെച്ചപ്പെട്ട പ്രകടനത്തിന് പുറമേ, സിടി-എസ്എൽഇബിക്ക് ദ്രുത റൺടൈം ഉണ്ട്, ഇത് ഡാറ്റ വിശകലനം ചെയ്യാനും മറ്റ് രീതികളേക്കാൾ വളരെ വേഗത്തിൽ പോളിജെനിക് റിസ്ക് സ്കോറുകൾ കണക്കാക്കാനുമുള്ള കഴിവ് നൽകുന്നു. കൂടുതൽ സങ്കീർണ്ണമായ ക്രമീകരണങ്ങളുമായി വേഗത്തിൽ പൊരുത്തപ്പെടാൻ സിടി-എസ്എൽഇബിക്ക് കഴിയും, ഇത് ഭാവിയിൽ വലിയ ഡാറ്റാ സെറ്റുകളിലേക്ക് ഈ രീതിയെ സ്കെയിലബിൾ ആക്കുന്നു, കാരണം ഇതിന് വലിയ എണ്ണം ജനിതക വകഭേദങ്ങളും അധിക ജനസംഖ്യയും എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യാൻ കഴിയും. ഈ രീതിയുടെ സോഫ്റ്റ്വെയർ കോഡും എല്ലാ വിശകലനങ്ങളും ഒരു ഗിറ്റ്ഹബ് റെപ്പോസിറ്ററി വഴി പൊതുവായി ലഭ്യമാക്കിയിട്ടുണ്ട്. കണക്കുകൂട്ടൽ വേഗതയുള്ളതും എന്നാൽ കൂടുതൽ നൂതന മോഡലിംഗിലൂടെ റിസ്ക് സ്കോറുകളുടെ കൃത്യത വർദ്ധിപ്പിക്കാൻ കഴിയുന്നതുമായ അധിക രീതികൾ ടീം കൂടുതൽ വികസിപ്പിക്കുന്നു.
“നിലവിലുള്ള ചില മെഷീൻ ലേണിംഗ് രീതികൾ കണക്കുകൂട്ടലിൽ വളരെ ഭയാനകമാണ്, പ്രത്യേകിച്ചും ഇത്രയും വലിയ അളവിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യുന്നത്,” ചാറ്റർജി പറയുന്നു. “ഞങ്ങൾ മെഷീൻ ലേണിംഗ്, ബയേസിയൻ മോഡലിംഗ് സാഹിത്യം എന്നിവയിൽ നിന്ന് ആശയങ്ങൾ സ്വീകരിച്ചു, പക്ഷേ ഡാറ്റ വലിയ തോതിൽ വിശകലനം ചെയ്യാനും ന്യായമായ സമയത്തിനുള്ളിൽ ആവശ്യമായ കണക്കുകൂട്ടലുകൾ നടത്താനും കഴിയുന്ന ഒരു കമ്പ്യൂട്ടേഷണൽ ലളിതവും ശക്തവുമായ രീതി സൃഷ്ടിക്കുന്നതിന് അവ നടപ്പാക്കി. പോളിജെനിക് റിസ്ക് സ്കോറുകൾ മെച്ചപ്പെടുത്തുന്നതിന് ഭാവിയിൽ അധിക ജനസംഖ്യയെക്കുറിച്ചുള്ള കൂടുതൽ ഡാറ്റ വിശകലനം ചെയ്യാൻ ഇത് ഞങ്ങളെ അനുവദിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു.
ഈ പ്രോജക്റ്റിന്റെ വിജയത്തിന്റെ ഭൂരിഭാഗവും ഉൾപ്പെട്ട സഹകരണ തലത്തിൽ നിന്നാണ് വരുന്നതെന്ന് ചാറ്റർജി പറയുന്നു, ഇത് കമ്പനിയുമായുള്ള പങ്കാളിത്തം ഉൾപ്പെടെ അക്കാദമിക്, സർക്കാർ, വ്യവസായം എന്നിവയിലുടനീളം അറിവും വിഭവങ്ങളും പ്രയോജനപ്പെടുത്താൻ ടീമിനെ പ്രാപ്തമാക്കി. വിശകലനത്തിനായി ഉമിനീർ സാമ്പിളുകൾ അയയ്ക്കുകയും അവരുടെ വംശപരമ്പര, ആരോഗ്യവുമായി ബന്ധപ്പെട്ട വിഷയങ്ങളിലേക്കുള്ള ജനിതക മുൻഗണനകൾ, ഡിഎൻഎ സമർപ്പിച്ച മറ്റ് ബന്ധുക്കൾ എന്നിവരെക്കുറിച്ചുള്ള ഒരു റിപ്പോർട്ട് സ്വീകരിക്കുകയും ചെയ്യുന്ന വ്യക്തിഗത ഉപഭോക്താക്കൾക്ക് 23ആൻഡ്മീ ജനിതക പരിശോധന നൽകുന്നു.
23andMe-യിലേക്ക് ഡിഎൻഎ സമർപ്പിക്കുന്ന വ്യക്തികളുടെ സ്വകാര്യത പരിരക്ഷിക്കുന്നതിന്, കമ്പനി വ്യക്തിഗത തലത്തിലുള്ള ഡാറ്റ പുറത്തുവിടുന്നില്ല. ജോൺസ് ഹോപ്കിൻസ്, ഹാർവാർഡ് സ്കൂൾ ഓഫ് പബ്ലിക് ഹെൽത്ത് എന്നിവിടങ്ങളിലെ ഗവേഷകരും 23 ആൻഡ് മിയിലെ കോൺടാക്റ്റുകളും തമ്മിലുള്ള ഏകോപിത സംവിധാനം പഠനത്തിന് ആവശ്യമാണ്. ഈ സഹകരണം പൂർണ്ണമായും ഗവേഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് – പഠനത്തിന്റെ രചയിതാക്കൾ 23 ആം കമ്പനി ജീവനക്കാരല്ലാത്ത ജീവനക്കാർക്ക് കമ്പനിയുമായി സാമ്പത്തിക ബന്ധം ഇല്ല.
“23 ആൻഡ് മിയുമായുള്ള സഹകരണം ഈ പ്രോജക്റ്റിന് വളരെ സവിശേഷമായിരുന്നു,” ചാറ്റർജി പറയുന്നു. “ഈ പങ്കാളിത്തം സിടി-എസ്എൽഇബി ഉൾപ്പെടെ വിവിധതരം പോളിജെനിക് റിസ്ക് സ്കോർ രീതികൾ വിലയിരുത്തുന്നതിനും താരതമ്യം ചെയ്യുന്നതിനും അഭൂതപൂർവമായ വലുതും വൈവിധ്യമാർന്നതുമായ ഡാറ്റാസെറ്റുകളിലേക്ക് ഞങ്ങൾക്ക് പ്രവേശനം നൽകി. ഈ അളവിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യാൻ മുമ്പ് മറ്റൊരു പേപ്പറിനും കഴിയുമെന്ന് ഞാൻ കരുതുന്നില്ല, അത് 23 ആൻഡ് മിയുമായുള്ള സഹകരണം കാരണം മാത്രമാണ് സാധ്യമായത്.”
