మెదడు, వెన్నుపాముల్లో కణితిని గుర్తించడానికి ML సాధనాన్ని అభివృద్ధి చేసిన IIT మద్రాస్

చెన్నై: మెదడు, వెన్నుపాములోని క్యాన్సర్‌కు కారణమయ్యే కణితులను మెరుగ్గా గుర్తించేందుకు మెషిన్ లెర్నింగ్ (ఎంఎల్) ఆధారిత కంప్యూటేషనల్ టూల్‌ను మద్రాస్‌లోని ఇండియన్ ఇన్‌స్టిట్యూట్ ఆఫ్ టెక్నాలజీ (ఐఐటీ) పరిశోధకులు అభివృద్ధి చేశారు.

గ్లియోబ్లాస్టోమా అనేది మెదడు మరియు వెన్నుపాములో వేగంగా మరియు దూకుడుగా పెరుగుతున్న కణితి. ఈ కణితిని అర్థం చేసుకోవడానికి పరిశోధనలు చేపట్టినప్పటికీ, ప్రాథమిక రోగ నిర్ధారణ నుండి రెండు సంవత్సరాల కంటే తక్కువ మనుగడ రేటుతో చికిత్సా ఎంపికలు పరిమితంగా ఉంటాయి.

(GlioBlastoma Mutiforme వాహకం) అనే సాధనం గ్లియోబ్లాస్టోమాలో డ్రైవర్ మ్యుటేషన్‌లు మరియు ప్రయాణీకుల ఉత్పరివర్తనాలను గుర్తించడానికి ప్రత్యేకంగా అభివృద్ధి చేయబడింది. సాధనం ఆన్‌లైన్‌లో పబ్లిక్‌గా అందుబాటులో ఉంది. వాహకం ఉత్పరివర్తనలు సాధారణంగా కణాల విస్తరణ మరియు కణితి పెరుగుదలను ప్రేరేపించే ఉత్పరివర్తనలుగా నిర్వచించబడతాయి, అయితే ప్యాసింజర్ లేదా ‘హిచ్‌హైకర్’ ఉత్పరివర్తనలు, మొత్తం క్యాన్సర్ ఉత్పరివర్తనాలలో దాదాపు 97 శాతం ప్రాతినిధ్యం వహిస్తాయి.

ALSO READ: ఏప్రిల్‌లో జీఎస్టీ వసూళ్లు ఆల్ టైమ్ రికార్డ్

“క్యాన్సర్ కలిగించే ఉత్పరివర్తనాలను గుర్తించడానికి మేము ముఖ్యమైన అమైనో ఆమ్ల లక్షణాలను గుర్తించాము మరియు వాహకం మరియు తటస్థ ఉత్పరివర్తనాల మధ్య తేడాను గుర్తించడానికి అత్యధిక ఖచ్చితత్వాన్ని సాధించాము” అని ప్రొఫెసర్ చెప్పారు.

M. మైఖేల్ గ్రోమిహా, IIT మద్రాస్‌లోని బయోటెక్నాలజీ విభాగం, ఒక ప్రకటనలో తెలిపారు. “ఈ సాధనం (GBMDriver) గ్లియోబ్లాస్టోమాలో వాహకం  మ్యుటేషన్‌లకు ప్రాధాన్యత ఇవ్వడానికి మరియు సంభావ్య చికిత్సా లక్ష్యాలను గుర్తించడంలో సహాయపడుతుందని మేము ఆశిస్తున్నాము, తద్వారా డ్రగ్ డిజైన్ వ్యూహాలను అభివృద్ధి చేయడంలో సహాయపడుతుంది” అని గ్రోమిహా జోడించారు.

ఈ వెబ్ సర్వర్‌ను అభివృద్ధి చేయడానికి, బృందం గ్లియోబ్లాస్టోమాలో 9,386 డ్రైవర్ మ్యుటేషన్‌లను మరియు 8,728 ప్యాసింజర్ మ్యుటేషన్‌లను విశ్లేషించింది. గ్లియోబ్లాస్టోమాలోవాహకం ఉత్పరివర్తనలు 81.99 శాతం ఖచ్చితత్వంతో గుర్తించబడ్డాయి, 1809 మార్పుచెందగలవారి బ్లైండ్ సెట్‌లో, ఇది ఇప్పటికే ఉన్న గణన పద్ధతుల కంటే మెరుగైనది.

ఈ పద్ధతి పూర్తిగా ప్రోటీన్ సీక్వెన్స్‌పై ఆధారపడి ఉంటుంది. వారి పరిశోధనలు పీర్-రివ్యూడ్ జర్నల్ బ్రీఫింగ్స్ ఇన్ బయోఇన్ఫర్మేటిక్స్‌లో ప్రచురించబడ్డాయి. ML సాధనం ఇతర వ్యాధులకు కూడా వర్తించవచ్చు. ఈ పద్ధతి వ్యాధి రోగ నిరూపణకు ముఖ్యమైన ప్రమాణాలలో ఒకటిగా ఉపయోగపడుతుంది.

చికిత్సా వ్యూహాలను రూపొందించడానికి మ్యుటేషన్-నిర్దిష్ట ఔషధ లక్ష్యాలను గుర్తించడానికి ఇది ఒక విలువైన వనరు. “గ్లియోబ్లాస్టోమాలో డ్రైవర్ మ్యుటేషన్‌లకు ప్రాధాన్యత ఇవ్వడానికి మరియు చికిత్సా లక్ష్యాలను గుర్తించడంలో సహాయపడటానికి ఈ పద్ధతి సహాయపడుతుందని మేము భావిస్తున్నాము” అని ఐఐటి మద్రాస్‌లోని పిహెచ్‌డి విద్యార్థి మేధా పాండే అన్నారు.