किती दीर्घ-वाचनीय अनुक्रम जीनोमिक्सला आकार देत आहे: मनन चंद्र

यापैकी कोणतीही क्षमता पूर्णपणे नवीन नाही. चंद्रा सुचवितो की, शिफ्ट म्हणजे ते नित्याचे होऊ लागले आहेत.प्रयोगशाळेच्या आत काय बदल होतात
संक्रमणाचा कठीण भाग, त्याच्या मते, हेडलाइन क्षमतांच्या खाली बसतो. दीर्घ-वाचनीय कार्यप्रवाह नवीन नमुना-गुणवत्तेच्या आवश्यकता सादर करतात, विशेषत: डीएनए तुकड्यांची लांबी आणि अखंडतेच्या आसपास. लायब्ररीची तयारी वेगळी दिसते. तसेच गुणवत्ता नियंत्रण आहे. डेटा इंटरप्रिटेशन देखील करते, जेथे शॉर्ट-रीड पाइपलाइनची सवय असलेल्या प्रयोगशाळांना त्यांच्या विश्लेषण स्टॅकचे काही भाग पुन्हा तयार करावे लागतात.

चंद्राने कमी-इनपुट आणि निम्न-गुणवत्तेच्या DNA आणि RNA नमुन्यांसाठी प्रोटोकॉल, उच्च-थ्रूपुट वातावरणासाठी डिझाइन केलेल्या सामान्यीकरण प्रक्रिया आणि अर्ध-स्वयंचलित प्रक्रियेसाठी अनुकूल एन्झाइम-आधारित प्रतिक्रियांसाठी सौम्य करण्याच्या धोरणांसह अनुक्रमांच्या ऑपरेशनल बाजूवर मोठ्या प्रमाणावर काम केले आहे. कोणतेही रीड फ्लो सेलपर्यंत पोहोचण्यापूर्वीच तो त्या पायऱ्यांना असे स्थान मानतो जिथे बहुतेक क्रमवारी धावण्याची विश्वासार्हता निश्चित केली जाते.

त्याचे संशोधन रेकॉर्ड ट्रान्सक्रिप्टॉमिक्स, मायक्रोबियल जीनोमिक्स आणि जीन नियमन या सर्व लागू कार्यासोबत चालते. त्याच्या सर्वात उद्धृत योगदानाने रोगजनक-संक्रमित अरबीडोप्सिस वनस्पतींमध्ये पर्यायी स्प्लिसिंग प्रतिसादांचा अभ्यास केला, आरएनए-सेक आणि ट्रान्सक्रिप्ट-आयसोफॉर्म-विशिष्ट प्रमाणीकरण वापरून वनस्पती संसर्गाच्या वेळी संरक्षणाचे नियमन कसे करतात याचा मागोवा घेतला; परिणामी PLOS ONE पेपर अंदाजे 150 वेळा उद्धृत केले गेले आहे. त्यांनी वनस्पतींमध्ये विषाणू-प्रेरित जीन सायलेन्सिंगच्या पुनरावलोकन प्रकाशनात देखील योगदान दिले आहे आणि आता ते स्टेफिलोकोकस ऑरियसमधील सल्फर चयापचय आणि बायोफिल्म नियमन यावर संशोधन तयार करत आहेत, चयापचय मार्ग जीवाणूंचे अनुकूलन आणि जनुक अभिव्यक्ती कसे आकार देतात हे पाहत आहेत. त्यांनी नॉर्थ कॅरोलिना स्टेट युनिव्हर्सिटीमधून फंक्शनल जीनोमिक्समध्ये प्रबंधासह पदव्युत्तर पदवी मिळवली.

जेथे ऑटोमेशन आणि एआय फिट आहे
चंद्रा नजीकच्या काळात मशीन लर्निंगच्या भूमिकेचा अतिरेक करू नये याची काळजी घेतो, परंतु तो दीर्घ-वाचलेल्या शिफ्टसह एकत्रित होताना दिसतो. ऑटोमेशन स्क्वेन्सिंग वर्कफ्लोला स्केलवर अधिक पुनरुत्पादक बनवते. एआय-चालित विश्लेषण, गुणवत्तेच्या नियंत्रणासाठी आणि प्रत्येक टप्प्यावर मॅन्युअल पुनरावलोकनासाठी आता खूप मोठे आणि खूप क्लिष्ट असलेल्या डेटासेटची व्याख्या करण्यासाठी अधिक व्यावहारिक साधन बनत आहे, असा त्यांचा तर्क आहे.

लाँग-रीड सिक्वेन्सिंग शॉर्ट-रीड सिक्वेन्सिंगपेक्षा वेगळ्या प्रकारची डेटा समस्या निर्माण करते. अधिक सिग्नल, अधिक सूक्ष्मता, अधिक ठिकाणे जिथे व्याख्या चुकीची होऊ शकते. प्रयोगशाळा ज्या ऑपरेशनल आणि विश्लेषणात्मक बाजू एकत्र सोडवतात, चंद्रा सुचवतात, पुढे खेचतील. जे नवीन प्लॅटफॉर्म जुन्या प्लॅटफॉर्मला ड्रॉप-इन रिप्लेसमेंट मानतात त्यांना हळूहळू कळते की ते नाहीत.