(မတ်လ 17, 2024) "အိန္ဒိယအမေရိကန်တွေက တိုင်းပြည်ကို သိမ်းပိုက်နေတယ်" ဆိုတဲ့ သမ္မတ Joe Biden ရဲ့ တိကျမှန်ကန်မှုကို သက်သေပြပြီး အိန္ဒိယနွယ်ဖွားလူငယ် အများအပြားဟာ Regeneron Science Talent Search မှာ တသမတ်တည်း ထူးချွန်ကြပါတယ်။ အမေရိကန်ပြည်ထောင်စု၏ “ဂျူနီယာနိုဘယ်လ်ဆု” ဟု အမည်ပေးထားသော အိန္ဒိယနွယ်ဖွား အထက်တန်းကျောင်းသူ အများအပြားသည် ဤလေးစားအပ်သော STEM ပြိုင်ပွဲတွင် ထိပ်တန်း ဆန်ကာတင် 10 ဦးအနက်မှ အမှတ်အသားများကို အစဉ်တစိုက် တောင်းဆိုခဲ့ကြပြီး တီထွင်မှုအရှိဆုံး သိပ္ပံပညာရှင်များကို ဖော်ထုတ်နိုင်သောကြောင့် ကျော်ကြားသည်။
အစဉ်အလာကို လိုက်လျှောက်ရင်း အိန္ဒိယကျောင်းသား Achyuta Rajaram သည် ယခုနှစ်တွင် Regeneron Science Talent Search ၏ ချန်ပီယံဆုအဖြစ် ဒေါ်လာ ၂၅၀,၀၀၀ ချီးမြှင့်ခံခဲ့ရသည်။ ဒါပေမယ့် သူက ထိပ်ဆုံးမှာ တစ်ယောက်တည်းတော့ မဟုတ်ပါဘူး။ ယခုနှစ် သိပ္ပံစွမ်းရည်ရှာဖွေမှုတွင် နောက်ဆုံးဆန်ခါတင် ၄၀ မှ ကျောင်းသား ၁၃ ဦးသည် အိန္ဒိယနွယ်ဖွားဖြစ်သည်။ နေ့စဉ်တိုးတက်မှုကို အဟန့်အတားဖြစ်စေသော စိန်ခေါ်မှုများကို တွန်းအားပေးခြင်းဖြင့် ဤကျောင်းသားများသည် ရိုးရှင်းသော၊ ထူးခြားပြီး တတ်နိုင်သော ကုထုံးများကို တီထွင်ခဲ့ပြီး လူသားမျိုးနွယ်အပေါ် အကျိုးရှိစေမည့် အနာဂတ်သိပ္ပံပညာရှင်များနှင့် ဆန်းသစ်တီထွင်သူများအဖြစ် ၎င်းတို့၏ကတိကို ပြသခဲ့သည်။ ကမ္ဘာလုံးဆိုင်ရာ အိန္ဒိယ ဤလူငယ် ဉာဏ်ကြီးရှင်များကို မီးမောင်းထိုးပြသည်။
Achyuta Rajaram
အသက် 17 နှစ်သာရှိသေးသော Achyuta သည် သိပ္ပံပညာအသိုင်းအဝိုင်းတွင် သိသာထင်ရှားသော သက်ရောက်မှုများကို ပြုလုပ်နေပြီဖြစ်သည်။ ဤလူငယ် ဆန်းသစ်တီထွင်သူသည် ပုံများကို ပိုင်းခြားစိတ်ဖြာသည့်အခါ ဆုံးဖြတ်ချက်ချရန် တာဝန်ရှိသော ကွန်ပျူတာမော်ဒယ်၏ အပိုင်းများကို ထုတ်ဖော်ပြသရန် အလိုအလျောက် နည်းပညာကို တီထွင်ခဲ့သည်။ ဤနားလည်မှုသည် ဤ algorithms များ၏ သိမြင်မှုဆိုင်ရာ လုပ်ငန်းစဉ်များကို လင်းလက်စေပြီး ၎င်းတို့၏ မြှင့်တင်မှုကို ပိုမိုထိရောက်၊ သာတူညီမျှနှင့် လုံခြုံစေရန် ကူညီပေးသည်။
သူသည် Regeneron Science Talent Search သို့တင်ပြသော သူ၏ကွန်ပျူတာသိပ္ပံပရောဂျက်မှတဆင့် အမြင်အာရုံဆားကစ်များကို အလိုအလျောက်သိရှိနိုင်မှုကို မြှင့်တင်ခဲ့သည်။ စက်သင်ယူမှုနယ်ပယ်တွင်၊ ကွန်ပျူတာ အယ်လဂိုရီသမ်များသည် အရေးကြီးသော လက်တွေ့ကမ္ဘာမှ မေးမြန်းမှုများကို ကိုင်တွယ်ဖြေရှင်းရန် ဒေတာများကို ဖြတ်သန်းကြသည်။ Achyuta ၏ သုတေသနပြုမှုသည် ရုပ်ပုံများတွင် ပုံစံများကို ပိုင်းခြားသိမြင်နိုင်သော ကွန်ပျူတာမော်ဒယ်များ၏ အတွင်းပိုင်းလုပ်ဆောင်မှုများကို နားလည်သဘောပေါက်ရန် ကျွန်ုပ်တို့၏စွမ်းရည်ကို မြှင့်တင်ပေးပါသည်။ အထူးသဖြင့်၊ ဓာတ်ပုံများကို ခွဲခြမ်းစိတ်ဖြာပြီး ၎င်းတို့၏ တွက်ချက်မှုဆိုင်ရာ မူဘောင်များ၏ အစိတ်အပိုင်းများကို ဆုံးဖြတ်ချက်ချရာတွင် အထောက်အကူဖြစ်စေသည့် မော်ဒယ်များ၏ နောက်ကွယ်ရှိ တွေးခေါ်မှုဆိုင်ရာ လုပ်ငန်းစဉ်များကို အထူးသဖြင့် သူ၏အလုပ်က မီးမောင်းထိုးပြပါသည်။
ဒါပေမယ့် သူက တခြား ပိန်ပိန်ကလေး မဟုတ်ဘူး။ Achyuta က ကြောင်တွေကို တကယ်ကြိုက်ပေမယ့် အိမ်မှာ မရှိဘူး။ ထို့ကြောင့် သူသည် ရယ်စရာကြောင်ရုပ်ပုံပေါင်း ၂၃၀၀ ကိုစုစည်းရန် ကွန်ပျူတာလှည့်ကွက်များကို အသုံးပြုခဲ့သည်။ အနားယူပြီး ချစ်စရာကြောင်လေးတွေ ကြည့်ရတာ ပျော်စရာကောင်းတယ်လို့ သူက ပြောပါတယ်။
Aditi Avinash
သူမသည် 2024 ခုနှစ် Regeneron Science Talent Search Class ကိုယ်စား ဟောပြောရန်စင်ပေါ်တက်ခဲ့ပြီး Seaborg Award ဆုရှင်အဖြစ် သတ်မှတ်ခံခဲ့ရသည်။ ကော်လိုရာဒို၊ Rock Canyon အထက်တန်းကျောင်းမှ အသက် 17 နှစ်အရွယ် ကျောင်းသား၊ Aditi သည် အင်ဇိုင်းသုံးမျိုး ရောစပ်ထားသော gluten ပရိုတင်းများကို ထိရောက်စွာ ချေဖျက်နိုင်ခဲ့ကြောင်း တွေ့ရှိခဲ့ပြီး celiac ရောဂါ သို့မဟုတ် gluten သည်းမခံနိုင်သူများအတွက် ကုထုံးဆိုင်ရာ ကတိကို ထိန်းထားနိုင်သည်ဟု ယူဆကြောင်း တွေ့ရှိခဲ့သည်။ အင်ဇိုင်းများကို တပြိုင်တည်း စီမံအုပ်ချုပ်ခြင်းသည် gluten ကို ကျဆင်းစေခြင်းနှင့် T-cell ခုခံအား တုံ့ပြန်မှု ကျဆင်းစေခြင်း နှစ်မျိုးလုံးတွင် ဆက်တိုက် စီမံဆောင်ရွက်ခြင်းထက် ပိုမိုထိရောက်ကြောင်း သက်သေပြခဲ့သည်။ ဤရှာဖွေတွေ့ရှိမှုသည် celiac ရောဂါအတွက် ဆန်းသစ်သောကုသမှုများအတွက် လမ်းခင်းပေးနိုင်သည်။
ကျောင်းသား၏ သုတေသနပြုချက်အရ အင်ဇိုင်းများ ရောစပ်ခြင်းသည် gluten ကို ဖြိုခွဲပြီး T-cells များ၏ ကိုယ်ခံအား တုံ့ပြန်မှုကို လျှော့ချရာတွင် ပိုမိုကောင်းမွန်ကြောင်း သက်သေပြနိုင်သည်ဟု အကြံပြုထားသည်။ သူမသည် celiac ရောဂါနှင့် gluten သည်းမခံနိုင်မှုတို့နှင့်ဆက်စပ်သောမသက်မသာဖြစ်မှုကိုသက်သာစေရန်ဆေးပြားကိုတီထွင်ရန်စိတ်ကူးထားပြီးဤအခြေအနေများရှိလူတစ်ဦးချင်းစီသည်ပြဿနာမရှိဘဲဂျုံထုတ်ကုန်များကိုစားသုံးနိုင်စေသည်။
Arnav N. Chakravarthy
ပြိုင်ပွဲတွင် နံပါတ် ၉ နေရာရရှိခဲ့ပြီး Arnav သည် ဦးနှောက်၊ အသည်းနှင့် ရိုးတွင်းခြင်ဆီများတွင် တွေ့ရှိရသည့် ခုခံအားဆဲလ်အမျိုးအစားဖြစ်သည့် macrophages ၏ မျိုးရိုးဗီဇဆိုင်ရာ ဇစ်မြစ်ကို စုံစမ်းစစ်ဆေးမှုအတွက် ဒေါ်လာ 50,000 ဆုချီးမြှင့်ခဲ့သည်။ သူ၏ သုတေသနပြုချက်သည် ဤဆဲလ်များ ၎င်းတို့ကိုယ်သူတို့ ပြန်လည်မွေးဖွားပေးသည့် ယန္တရားများကို အလင်းပြရန် ရည်ရွယ်သည်။ ဆဲလ်အများအပြားကို ၎င်းတို့၏ သန္ဓေတည်သည့် မူလဇစ်မြစ်သို့ ပြန်ခြေရာခံနိုင်သော်လည်း ကျွန်ုပ်တို့ အသက်ကြီးလာသည်နှင့်အမျှ ကျွန်ုပ်တို့၏ ရိုးတွင်းခြင်ဆီမှ တိကျသော ဦးနှောက်ဆဲလ်များကို ပြန်လည်ဖြည့်တင်းနိုင်သည်ဟု Arnav မှ အထောက်အထားများ တွေ့ရှိခဲ့သည်။ သူ၏ရှာဖွေတွေ့ရှိမှုများသည် အယ်လ်ဇိုင်းမားရောဂါကဲ့သို့သော အသက်အရွယ်ဆိုင်ရာ ဝေဒနာများအတွက် အနာဂတ်ပစ်မှတ်ထားသော ကုသမှုများကို အသိပေးရန် အလားအလာရှိသည်။
ဤယူဆချက်ကို အကဲဖြတ်ရန်အတွက် Arnav သည် တူညီသောအလှူရှင်များမှရရှိသော ရိုးတွင်းခြင်ဆီနမူနာများနှင့်အတူ ဦးနှောက်နှင့် အသည်းနမူနာများ၏ ဇစ်မြစ်ကို ခြေရာခံရန် မျိုးရိုးဗီဇကိရိယာကို အသုံးပြုခဲ့သည်။ ထို့နောက် ဆဲလ်များ၏ မျိုးရိုးနှင့် ထူးခြားသော ဗီဇပြောင်းလဲမှုများကို နှိုင်းယှဉ်ခဲ့သည်။ ၎င်း၏ရလဒ်များသည် အယ်လ်ဇိုင်းမားရောဂါကဲ့သို့သော အသက်အရွယ်ဆိုင်ရာ အခြေအနေများအတွက် သက်ရောက်မှုရှိနိုင်သည့် macrophage ဆဲလ်များ၏ ပြန်လည်ရှင်သန်နိုင်စွမ်းအတွက် အလားအလာကို ဖော်ပြသည်။
Saraswathy Amjith
အကျိုးအမြတ်မယူသောတည်ထောင်သူနှင့်ဥက္ကဋ္ဌသည် အခမဲ့သင်ကြားရေးနှင့်ကျူရှင်ကိုပေးဆောင်နေသောကျောင်းသားကျောင်းသူ 200 ကျော်အား၊ Saraswathy သည် Regeneron Science Talent Search အတွက် သူမ၏ပတ်ဝန်းကျင်သိပ္ပံပရောဂျက်၏တစ်စိတ်တစ်ပိုင်းအနေဖြင့်တရားမဝင်သစ်ခုတ်ခြင်းကိုဖော်ထုတ်ခြင်း၏တိကျမှုကိုမြှင့်တင်ရန်နည်းလမ်းတစ်ခုကိုတီထွင်ခဲ့သည်။ တရားမဝင် သစ်ခိုးထုတ်မှုများကို ရှာဖွေဖော်ထုတ်ရန် ကိရိယာတစ်ခု တီထွင်ရန် ရည်ရွယ်ခဲ့သည်။ သူသည် သစ်ခုတ်ခြင်းဆိုင်ရာ လုပ်ဆောင်ချက်များကို ရှာဖွေခြင်းအတွက် အထိရောက်ဆုံး ချဉ်းကပ်မှုကို ရှာဖွေဖော်ထုတ်ရန် ဂြိုဟ်တုအခြေပြု အဝေးမှ အာရုံခံဒေတာကို အသုံးချကာ မတူညီသော စက်သင်ယူမှုနည်းပညာများဖြင့် စမ်းသပ်မှုများ ပြုလုပ်ခဲ့သည်။ ဂြိုလ်တုပုံရိပ်များ၏ ထိရောက်မှုကို ဟန့်တားသည့် အပူပိုင်းဒေသများတွင် တိမ်ဖုံးမှုစိန်ခေါ်မှုကြောင့် Saraswathy သည် ပိုမိုတိကျသော ထောက်လှမ်းမှုရလဒ်များရရှိရန် အလင်းနှင့်ရေဒါ ပုံရိပ်ဖော်နည်းလမ်းနှစ်ခုလုံးကို ပေါင်းစပ်ထားသည်။
Saraswathy သည် ၎င်း၏ပရောဂျက်တွင် ဂြိုဟ်တုအလင်းနှင့် ရေဒါဒေတာအတွဲများကို ပေါင်းစပ်ခြင်းဖြင့် တိမ်ထူသောရာသီဥတု၏အကျိုးသက်ရောက်မှုကို လျော့ပါးသက်သာစေရန် နည်းလမ်းတစ်ခုကို ရှာဖွေတွေ့ရှိခဲ့သည်။ နောက်ပိုင်းတွင်၊ သူမသည် ဤအထူးသဖြင့် အပလီကေးရှင်းအတွက် အထိရောက်ဆုံးချဉ်းကပ်မှုကို သေချာစေရန် မတူညီသော စက်သင်ယူမှုနည်းလမ်းများကို အကဲဖြတ်ခဲ့သည်။