ચેન્નાઈ: ઈન્ડિયન ઈન્સ્ટિટ્યૂટ ઓફ ટેક્નોલોજી (IIT) મદ્રાસના સંશોધકોએ મગજ અને કરોડરજ્જુમાં કેન્સર પેદા કરતી ગાંઠોની વધુ સારી રીતે તપાસ કરવા માટે મશીન લર્નિંગ (ML) આધારિત કોમ્પ્યુટેશનલ સાધન વિકસાવ્યું છે. ગ્લિઓબ્લાસ્ટોમા મગજ અને કરોડરજ્જુમાં ઝડપથી અને આક્રમક રીતે વધતી ગાંઠ છે.
આ સાધન સાર્વજનિક રૂપે ઑનલાઇન ઉપલબ્ધ છે:જો કે આ ગાંઠને સમજવા માટે સંશોધન હાથ ધરવામાં આવ્યું છે, તેમ છતાં, પ્રારંભિક નિદાનથી 2 વર્ષથી ઓછા સમયના અપેક્ષિત અસ્તિત્વ દર સાથે રોગનિવારક વિકલ્પો મર્યાદિત રહે છે. aGBMDriver' (GlioBlastoma Mutiforme Drivers) નામનું સાધન, ખાસ કરીને ગ્લિઓબ્લાસ્ટોમામાં ડ્રાઇવર પરિવર્તન અને પેસેન્જર પરિવર્તનને ઓળખવા માટે વિકસાવવામાં આવ્યું હતું. સાધન સાર્વજનિક રૂપે ઑનલાઇન ઉપલબ્ધ છે.
આ પણ વાંચો:dexterous robot hand :એક એવો રોબોટ જે અંધારામાં પણ કામ કરી શકે છે
એમિનો એસિડ લક્ષણો: મ્યુટેશનને સામાન્ય રીતે મ્યુટેશન તરીકે વ્યાખ્યાયિત કરવામાં આવે છે જે કોષોના પ્રસાર અને ગાંઠની વૃદ્ધિને પ્રેરિત કરે છે, 'હિચહાઇકર' મ્યુટેશન, જે તમામ કેન્સરગ્રસ્ત મ્યુટેશનના લગભગ 97 ટકાનું પ્રતિનિધિત્વ કરે છે, એવું નથી. આઇઆઇટી મદ્રાસના બાયોટેકનોલોજી વિભાગના પ્રો. એમ. માઇકલ ગ્રોમિહાએ એક નિવેદનમાં જણાવ્યું હતું કે, "અમે કેન્સર પેદા કરતા પરિવર્તનને ઓળખવા માટે મહત્વપૂર્ણ એમિનો એસિડ લક્ષણો ઓળખી કાઢ્યા છે અને ડ્રાઇવર અને તટસ્થ પરિવર્તન વચ્ચે તફાવત કરવા માટે ઉચ્ચતમ ચોકસાઈ પ્રાપ્ત કરી છે."
આ પદ્ધતિ સંપૂર્ણપણે પ્રોટીન ક્રમ પર આધારિત છે:"અમે આશા રાખીએ છીએ કે, આ ટૂલ (GBMDriver) ગ્લિઓબ્લાસ્ટોમામાં ડ્રાઇવર પરિવર્તનને પ્રાથમિકતા આપવામાં મદદ કરશે અને સંભવિત ઉપચારાત્મક લક્ષ્યોને ઓળખવામાં મદદ કરશે, આમ ડ્રગ ડિઝાઇન વ્યૂહરચના વિકસાવવામાં મદદ કરશે," ગ્રોમિહાએ ઉમેર્યું. આ વેબ સર્વર વિકસાવવા માટે, ટીમે ગ્લિઓબ્લાસ્ટોમામાં 9,386 ડ્રાઇવર પરિવર્તન અને 8,728 પેસેન્જર પરિવર્તનનું વિશ્લેષણ કર્યું. 1809 મ્યુટન્ટ્સના અંધ સમૂહમાં 81.99 ટકાની ચોકસાઈ સાથે ગ્લિઓબ્લાસ્ટોમામાં ડ્રાઈવર મ્યુટેશનની ઓળખ કરવામાં આવી હતી, જે હાલની કોમ્પ્યુટેશનલ પદ્ધતિઓ કરતાં વધુ સારી છે. આ પદ્ધતિ સંપૂર્ણપણે પ્રોટીન ક્રમ પર આધારિત છે.
આઇઆઇટી મદ્રાસના પીએચડી વિદ્યાર્થી મેધા પાંડેએ જણાવ્યું હતું કે: તેમના તારણો પીઅર-સમીક્ષા જર્નલ બ્રીફિંગ્સ ઇન બાયોઇન્ફોર્મેટિક્સમાં પ્રકાશિત થયા હતા. ML સાધન અન્ય રોગો માટે પણ લાગુ કરી શકાય છે. પદ્ધતિ રોગના પૂર્વસૂચન માટેના એક મહત્વપૂર્ણ માપદંડ તરીકે સેવા આપી શકે છે. રોગનિવારક વ્યૂહરચનાઓ ડિઝાઇન કરવા માટે પરિવર્તન-વિશિષ્ટ દવા લક્ષ્યોને ઓળખવા માટે તે એક મૂલ્યવાન સંસાધન છે. આઇઆઇટી મદ્રાસના પીએચડી વિદ્યાર્થી મેધા પાંડેએ જણાવ્યું હતું કે, "અમે ધારીએ છીએ કે આ પદ્ધતિ ગ્લિઓબ્લાસ્ટોમામાં ડ્રાઇવર પરિવર્તનને પ્રાથમિકતા આપવા અને ઉપચારાત્મક લક્ષ્યોને ઓળખવામાં મદદ કરવા માટે મદદરૂપ છે."