मधुमेह जटिलताओं के लिए आनुवंशिक पूर्वाभास की पहचान करने के लिए मशीन लर्निंग में अग्रिम

मशीन लर्निंग में हाल के अग्रिमों ने मूल रूप से मधुमेह की जटिलताओं में आनुवंशिक अनुसंधान के परिदृश्य को फिर से आकार दिया है। बड़े पैमाने पर, उच्च-आयामी जीनोमिक डेटासेट के विश्लेषण को सक्षम करके, ये कम्प्यूटेशनल तरीके उन पैटर्न को अनलॉक कर रहे हैं जो पहले पारंपरिक सांख्यिकीय दृष्टिकोणों के लिए अदृश्य थे। इस प्रगति में यह परिवर्तन करने की क्षमता है कि कैसे चिकित्सक व्यक्तियों को मधुमेह के नेफ्रोपैथी, न्यूरोपैथी और रेटिनोपैथी जैसी स्थितियों के लिए उच्च जोखिम वाले व्यक्तियों की पहचान करते हैं, जो पहले के लिए रास्ता तय करते हैं, अधिक लक्षित हस्तक्षेप।

मधुमेह में आनुवंशिक प्रवृत्तियों का दायरा

मधुमेह मेलेटस, विशेष रूप से टाइप 2 मधुमेह (T2D), एक जटिल चयापचय विकार है जो जीवनशैली, पर्यावरण और आनुवंशिक कारकों के संयोजन से प्रभावित होता है। जबकि खराब ग्लाइसेमिक नियंत्रण जटिलताओं का एक प्रसिद्ध ड्राइवर है, सबूतों का एक बढ़ता शरीर यह दर्शाता है कि आनुवंशिक प्रवृत्ति एक विशिष्ट और कभी-कभी स्वतंत्र भूमिका निभाती है। एक व्यक्ति का आनुवंशिक मेकअप यह प्रभावित कर सकता है कि उनका शरीर हाइपरग्लिसीमिया, सूजन और ऑक्सीडेटिव तनाव का जवाब कैसे देता है, जो बदले में विशिष्ट अंत-संगठन क्षति को विकसित करने की संभावना को प्रभावित करता है।

आमतौर पर मधुमेह से जुड़े जटिलताओं में शामिल हैं:

Diabetic nephropathy – प्रगतिशील गुर्दे की क्षति अंत चरण गुर्दे की बीमारी के लिए अग्रणी।
Diabetic न्यूरोपैथी – परिधीय तंत्रिका क्षति दर्द, घबराहट, और गिरावट जोखिम में वृद्धि हुई।
Diabetic retinopathy – रेटिनल माइक्रोवैस्कुलर परिवर्तन जिसके परिणामस्वरूप दृष्टि हानि हो सकती है।
Cportal जटिलताओं - कोरोनरी धमनी रोग और स्ट्रोक सहित।

हालांकि इन जटिलताओं में आम चयापचय मार्ग शामिल हैं, जिनमें से प्रत्येक में एक विशिष्ट आनुवंशिक वास्तुकला है। उदाहरण के लिए, जीनोम-व्यापक एसोसिएशन अध्ययन (GWAS) ने नेफ्रोपैथी जोखिम से जुड़े सैकड़ों एकल न्यूक्लियोटाइड पॉलीमोर्फिज्म (SNPs) की पहचान की है, जिनमें से कई गुर्दे के फाइब्रोसिस और सूजन में शामिल जीनों में स्थित हैं। इसी तरह, रेटिनोपैथी जोखिम को संवहनी एंडोथेलियल ग्रोथ फैक्टर (VEGF) सिग्नलिंग को प्रभावित करने वाले प्रकारों से जोड़ा गया है। मशीन लर्निंग मॉडल को अब इन विविध आनुवंशिक संकेतों को मजबूत भविष्यवाणियों के उपकरणों में एकीकृत करने के लिए प्रशिक्षित किया जा रहा है।

कैसे मशीन लर्निंग आनुवंशिक जोखिम भविष्यवाणी अग्रिम

पारंपरिक सांख्यिकीय तरीकों, जैसे कि लॉजिस्टिक रिग्रेशन, का उपयोग दशकों से व्यक्तिगत आनुवंशिक मार्करों और रोग परिणामों के बीच संबंधों का आकलन करने के लिए किया गया है। हालांकि, ये दृष्टिकोण "आयामीता के माध्यम से" के साथ संघर्ष करते हैं - भविष्यवक्ता की संख्या (जैसे लाखों एसएनपी) अब तक नमूनों की संख्या से अधिक है। मशीन लर्निंग एल्गोरिदम स्वाभाविक रूप से इस परिदृश्य के अनुकूल हैं क्योंकि वे गैर-रैखिक बातचीत को मॉडल कर सकते हैं, उच्च-आयामी डेटा को संभाल सकते हैं और स्वचालित रूप से प्रासंगिक सुविधाओं को सीख सकते हैं।

जोखिम वर्गीकरण के लिए पर्यवेक्षण शिक्षा

पर्यवेक्षण शिक्षा पद्धतियों का उपयोग लेबल डेटा (जैसे, किसी जटिलता के साथ या बिना रोगी) एक भविष्यवाणी मॉडल को प्रशिक्षित करने के लिए किया जाता है। आम एल्गोरिदम में शामिल हैं:

]Random वन: निर्णय पेड़ों का एक पहनावा जो SNPs के बीच जटिल बातचीत को पकड़ता है जबकि सुविधा महत्व रैंकिंग प्रदान करता है। अध्ययनों ने 0.80 से अधिक वक्र (AUC) मूल्यों के तहत क्षेत्र के साथ मधुमेह न्यूरोपैथी से जुड़े आनुवंशिक रूपों को प्राथमिकता देने के लिए यादृच्छिक वनों का उपयोग किया है।
समर्थन वेक्टर मशीन (SVMs): उच्च-आयामी डेटा के लिए प्रभावी, SVMs को इष्टतम हाइपरप्लेन मिलता है जो जोखिम वर्गों को अलग करता है। उन्हें नेफ्रोपैथी के लिए GWAS डेटा पर लागू किया गया है, जो कम झूठी-पॉजिटिव दरों को प्राप्त करता है।
]ग्रेडींट बूस्टिंग मशीन (जैसे, XGBoost, LightGBM): ये अनुक्रमिक पेड़ आधारित मॉडल अक्सर अन्य तरीकों को निष्क्रिय रूप से त्रुटियों को सही करके अलग करते हैं। वे विशेष रूप से उपयोगी होते हैं जब पॉलीजेनिक जोखिम स्कोर के साथ संयुक्त होता है।

पैटर्न डिस्कवरी के लिए असुरक्षित शिक्षा

असुरक्षित एल्गोरिदम को परिणाम लेबल की आवश्यकता नहीं होती है। इसके बजाय, वे आनुवंशिक डेटा में स्वाभाविक रूप से होने वाले क्लस्टर या अव्यक्त संरचनाओं की तलाश करते हैं। जैसे कि k-means क्लस्टरिंग, पदानुक्रमिक क्लस्टरिंग, और प्रमुख घटक विश्लेषण (PCA) का उपयोग उन रोगियों के उपसमूहों की पहचान करने के लिए किया जाता है जो समान आनुवंशिक प्रोफाइल साझा करते हैं लेकिन जटिलता जोखिम में भिन्न होते हैं। यह उपन्यास रोग उपप्रकारों को प्रकट कर सकता है जो उपचार के लिए अलग-अलग प्रतिक्रिया दे सकते हैं। उदाहरण के लिए, मधुमेह गुर्दे की बायोप्सी से ट्रांसक्रिप्टोमिक डेटा के क्लस्टरिंग ने रोग प्रगति के विभिन्न आणविक हस्ताक्षरों को उजागर किया है।

दीप लर्निंग और तंत्रिका नेटवर्क

डीप लर्निंग मॉडल, विशेष रूप से संवैधानिक तंत्रिका नेटवर्क (CNNs) और आवर्तक तंत्रिका नेटवर्क (RNs) जीनोमिक्स में कर्षण हासिल कर रहे हैं। CNNs स्वचालित रूप से डीएनए अनुक्रम डेटा (जैसे ट्रांसक्रिप्शन फैक्टर बाइंडिंग साइट्स) में स्थानिक निर्भरता सीख सकते हैं, जबकि RN समय-श्रृंखला आनुवंशिक अभिव्यक्ति डेटा का विश्लेषण करने के लिए उपयोगी होते हैं। एक उल्लेखनीय अनुप्रयोग नियामक प्रकारों का पूर्वानुमान लगाने के लिए गहरे तंत्रिका नेटवर्क का उपयोग है जो मधुमेह के ऊतकों में जीन अभिव्यक्ति को बदल देता है। ये मॉडल विभिन्न डेटा प्रकारों को शामिल कर सकते हैं, जिसमें गैनोटाइप, जीन अभिव्यक्ति और एपिजेनेटिक मार्क्स शामिल हैं, ताकि रोग जीवविज्ञान की अधिक पूर्ण तस्वीर प्रदान की जा सके।

गहरी शिक्षा का एक महत्वपूर्ण लाभ यह है कि बिना मैनुअल फीचर इंजीनियरिंग के गैर-रैखिक बातचीत को मॉडल करने की क्षमता है। हालांकि, इसके लिए बड़े नमूना आकार और सावधानीपूर्वक नियमितीकरण की आवश्यकता होती है ताकि ओवरफिटिंग को रोका जा सके- यह चुनौती है कि क्षेत्र हस्तांतरण सीखने और डेटा संवर्धन रणनीतियों के माध्यम से सक्रिय रूप से संबोधित हो रहा है।

हाल ही में ब्रेकथ्रू और उल्लेखनीय अध्ययन

कई हाल के अध्ययनों में इस डोमेन में मशीन लर्निंग की शक्ति का प्रदर्शन किया गया है:

]]: ]]Nature Communications]]] में प्रकाशित 2023 अध्ययन में, शोधकर्ताओं ने माइक्रोएलबुमिन्यूरिया से टाइप 1 मधुमेह रोगियों में प्रगति की भविष्यवाणी करने के लिए ढाल बढ़ाने और बहुजनीय जोखिम स्कोर का संयोजन किया। मॉडल ने 0.85 के AUC को हासिल किया और UMOD] जीन के पास उपन्यास loci की पहचान की। [[FLT:F:5]]]]]
]वित्तीय छवियों और आनुवंशिक डेटा से रेटिनोपैथी के लिए डीप लर्निंग: ब्रॉड इंस्टीट्यूट में एक टीम ने बहु मोडल गहरी सीखने की वास्तुकला का उपयोग करके रोगाणु जीनोमिक डेटा के साथ रेटिना इमेजिंग को एकीकृत किया। मॉडल ने अकेले इमेजिंग पर गंभीर रेटिनोपैथी की भविष्यवाणी में सुधार किया (AUPRC की वृद्धि 12%)। आनुवंशिक विशेषताएं विशेष रूप से युवा रोगियों में पूर्वानुमान के लिए योगदान दिया। 2 ]]]]]
]] यादृच्छिक जंगलों के साथ न्यूरोपैथी जोखिम स्तरीकरण: तीन कोहोर्ट्स के मेटा-विश्लेषण ने तंत्रिका चालन वेगों से जुड़े 500+ SNPs के लिए एक यादृच्छिक वन वर्गीक्षक को लागू किया। मॉडल ने लगातार 15 SNPs के एक सेट की पहचान की, जिसने दर्दनाक न्यूरोपैथी में 40% की अनुभूति को समझाया, जिसमें वेरिएंट इन SCN9A सोडियम चैनल जीन। []3]]]]]]]]]]]]]]]]

ये उदाहरण एकल-मार्कर एसोसिएशन परीक्षण से बहुविध, जीनोम-व्यापी जोखिम मॉडलिंग में बदलाव को उजागर करते हैं। चूंकि मशीन लर्निंग पाइपलाइन अधिक परिष्कृत हो जाती हैं, उन्हें बड़े पैमाने पर जैवबैंकों जैसे यूके बायोबैंक और ऑल ऑफ अमेरिका में एकीकृत किया जा रहा है, जिससे विविध आबादी में मान्यता प्राप्त हो सकती है।

डेटा स्रोत, फ़ीचर इंजीनियरिंग और मॉडल प्रशिक्षण

जीनोमिक डेटा तैयारी

इस अंतरिक्ष में किसी भी मशीन लर्निंग परियोजना की नींव उच्च गुणवत्ता वाले जीनोटाइप का उतार-चढ़ाव है। जीडब्ल्यूएएस या पूरे एक्सोम अनुक्रमण से कच्चे सरणी डेटा को आम तौर पर व्यापक प्रीप्रोसेसिंग की आवश्यकता होती है: गुणवत्ता नियंत्रण (कॉल दर, हार्डी-विनबर्ग संतुलन), लापता जीनोटाइप का imputation, और आयामीता में कमी (जैसे, पीसीए का उपयोग करके जनसंख्या स्तरीकरण के लिए समायोजित करने के लिए)। पॉलीजेनिक जोखिम स्कोर (पीआरएस) आम विशेषताएं हैं जो हजारों वैरिएंट्स के प्रभाव को एक संख्यात्मक स्कोर में जोड़ती हैं।

सुविधा चयन और एकीकरण

अकेले आनुवंशिक डेटा अक्सर सटीक भविष्यवाणी के लिए अपर्याप्त है। शोधकर्ताओं ने नैदानिक चर (age, BMI, HbA1c, मधुमेह की अवधि), ट्रांसक्रिप्टोमिक डेटा (रक्त या ऊतक से RNA-seq), proteomics, और metabolomics को तेजी से शामिल किया। मशीन लर्निंग मॉडल जो इन बहु-आधुनिक इनपुट को फ्यूज करते हैं, एकल-आधुनिक मॉडल को बेहतर बनाने के लिए होते हैं। फ़ीचर चयन विधियां, जैसे L1 नियमितीकरण (LASSO) या पारस्परिक जानकारी, शोर को कम करने और सबसे पूर्वानुमान संकेतों पर ध्यान केंद्रित करने में मदद करती हैं।

मॉडल सत्यापन और व्याख्यात्मकता

आनुवंशिकी में मशीन लर्निंग निष्कर्षों की पुनर्विकास एक प्रमुख चिंता है। मानक अभ्यास में अब क्रॉस-वैलिडेशन (के-फोल्ड या छुट्टी-one-out), स्वतंत्र कोहोर्ट्स में बाहरी सत्यापन और अंशांकन जांच शामिल हैं। व्याख्यात्मकता विधियां - जैसे SHAP (SHapley Additive exPlanation) मान या LIME (Local Interpretable मॉडल-एग्नेस्टिक एक्सप्लिएशन) - यह पहचानने के लिए उपयोग की जाती हैं कि SNPs और नैदानिक चर विकास भविष्यवाणियां किस प्रकार की हैं। उदाहरण के लिए, SHAP साजिशों से पता चल सकता है कि TCF7L2 में एक विशिष्ट संस्करण है।

चुनौतियां और सीमाएं

वादा के बावजूद, मशीन लर्निंग मॉडल नियमित रूप से मधुमेह जटिलताओं के लिए नैदानिक अभ्यास में उपयोग किए जाने से पहले कई बाधाएं बनी रहती हैं:

डेटा विषमता और पूर्वाग्रह:] अधिकांश आनुवंशिक अध्ययनों ने यूरोपीय वंश की आबादी पर ध्यान केंद्रित किया है। इन आंकड़ों पर प्रशिक्षित मॉडलों ने अफ्रीकी, एशियाई या हिस्पैनिक कोहोर्ट्स पर लागू होने पर खराब प्रदर्शन किया। PAGE अध्ययन (Population आर्किटेक्चर जेनोमिक्स और महामारी विज्ञान का उपयोग) जैसे प्रयास प्रतिनिधित्व का विस्तार करने के लिए काम कर रहे हैं, लेकिन अधिक डेटा की आवश्यकता है।

Overfit and झूठी खोज: लाखों सुविधाओं और हजारों नमूनों के दसियों के साथ, spurious एसोसिएशन खोजने का जोखिम अधिक है। Permutation परीक्षण, स्वतंत्र प्रतिकृति, और बायेसियन प्राथमिकताएं इस को कम करने के लिए कुछ रणनीतियां हैं।

]]इंटरप्रेबिलिटी बनाम प्रदर्शन: दीप लर्निंग मॉडल अक्सर उच्चतम सटीकता प्राप्त करते हैं लेकिन काले बक्से हैं। नैदानिक और नियामक एजेंसियों को जोखिम भविष्यवाणियों के लिए स्पष्टीकरण की आवश्यकता होती है, जो जटिल तंत्रिका नेटवर्क आर्किटेक्चर के साथ बाधाओं पर हो सकता है।

]] नैदानिक कार्यप्रवाह के साथ एकीकरण: यहां तक कि सटीक मॉडल रोगियों को मदद नहीं करेगा यदि वे इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (EHRs) में तैनात नहीं हैं या अगर चिकित्सकों को अंतर्दृष्टि पर कार्य करने के लिए प्रशिक्षण की कमी है। रियल-वर्ल्ड कार्यान्वयन के लिए उपयोगकर्ता के अनुकूल इंटरफेस और स्पष्ट नैदानिक निर्णय समर्थन की आवश्यकता है।

नैदानिक प्रभाव और व्यक्तिगत चिकित्सा के लिए पथ

मशीन लर्निंग-संचालित आनुवंशिक जोखिम भविष्यवाणी का अंतिम लक्ष्य मधुमेह की जटिलताओं के व्यक्तिगत प्रबंधन को सक्षम करना है। एक रोगी को नए प्रकार के 2 मधुमेह के साथ निदान किया गया है: रक्त ड्रॉ और जीनोम अनुक्रमण के बाद, एक जोखिम मॉडल एक प्रोफाइल को उत्पन्न करता है जिसमें संकेत मिलता है कि रोगी को नेफ्रोपैथी के लिए उच्च आनुवंशिक जोखिम होता है लेकिन रेटिनोपैथी के लिए कम जोखिम होता है। चिकित्सक तब आक्रामक रक्तचाप नियंत्रण शुरू कर सकता है और जल्द ही एसीई अवरोधक निर्धारित कर सकता है, जबकि कम लगातार रेटिना परीक्षा का निर्धारण करता है। इसके साथ ही, मॉडल एक उच्च न्यूरोपैथी जोखिम को झंडा कर सकता है, जो न्यूरोप्रोटेक्टिव एजेंटों और वार्षिक पैर परीक्षा के उपयोग को प्रेरित करता है।

कई पायलट कार्यक्रम पहले से ही इन दृष्टिकोणों का परीक्षण कर रहे हैं। उदाहरण के लिए, T2D-GENES कंसोर्टियम ने मधुमेह गुर्दे की बीमारी के लिए एक बहुजनीय जोखिम स्कोर विकसित किया है जिसका अब संभावित परीक्षण में मूल्यांकन किया जा रहा है। प्रारंभिक परिणाम बताते हैं कि जोखिम के शीर्ष निर्णायक रोगियों को 10 वर्षों के भीतर अंतिम चरण के गुर्दे की बीमारी विकसित होने की संभावना 2.5 गुना अधिक है, जो HbA1c से स्वतंत्र है। ऐसी जानकारी रोगियों और प्रदाताओं को सक्रिय निर्णय लेने के लिए सशक्त बनाती है।

इसके अलावा, मशीन लर्निंग उन रोगियों की पहचान करने में मदद कर सकता है जो लक्षित चिकित्सा से लाभ उठाने की संभावना रखते हैं। न्यूरोपैथी के लिए उच्च आनुवंशिक जोखिम वाले व्यक्ति प्रीगैबलिन या ड्यूलोक्सेटिन जैसी दवाओं के अलग-अलग जवाब दे सकते हैं, और फार्माकोजेनॉमिक मॉडल चयन और खुराक का मार्गदर्शन कर सकते हैं। यह सटीक चिकित्सा का सार है: एक आकार के फिट्स-सभी दृष्टिकोण से लेकर अनुरूप देखभाल तक बढ़ना।

भविष्य निर्देश: मल्टी-ओमीक्स, फेडरेटेड लर्निंग, और डिजिटल ट्विन्स

अगले फ्रंटियर अमीर डेटा मोडलिटी के साथ मशीन लर्निंग को एकीकृत करने और नैतिक डेटा साझा करने की सलाह देने में निहित है:

]बहु-आधुनिक और अस्थायी गतिशीलता: पूरी तरह से स्थिर डीएनए पर भरोसा करने के बजाय, भविष्य के मॉडल में अनुदैर्ध्य सूक्ष्मजीव, चयापचय और प्रोटेम डेटा शामिल होंगे। आवर्तक तंत्रिका नेटवर्क या ट्रांसफार्मर इस बात का मॉडल कर सकते हैं कि ये कारक समय के साथ कैसे बदलते हैं और आनुवंशिक जोखिम के साथ बातचीत करते हैं। उदाहरण के लिए, एक मशीन लर्निंग मॉडल यह जान सकता है कि एक विशिष्ट आनुवंशिक संस्करण G6PD जीन केवल रेटिनोपैथी के लिए जोखिम को बढ़ाता है जब एक भड़काऊ आहार मार्कर के साथ संयुक्त हो।

]]]Federated learning for गोपनीयता-संरक्षित जीनोमिक्स: प्रशिक्षण मजबूत मॉडल के लिए कई अस्पतालों और जैवबैंकों से डेटा की आवश्यकता होती है, लेकिन रोगी गोपनीयता चिंताओं डेटा साझा करने को सीमित करती है। Federated learning एल्गोरिदम को प्रत्येक साइट छोड़ने के बिना विकेन्द्रीकृत डेटा स्रोतों में प्रशिक्षित करने की अनुमति देता है। प्रारंभिक कार्यान्वयन से पता चला है कि डेटा प्रशासन को संरक्षित करते समय केंद्रीकृत लोगों के लिए लगभग समान प्रदर्शन प्राप्त कर सकते हैं।

डिजिटल जुड़वां सिमुलेशन: एक डिजिटल जुड़वां एक रोगी की जीवविज्ञान की आभासी प्रतिकृति है। एक मशीन लर्निंग सिमुलेशन के साथ एक रोगी के जीनोमिक, नैदानिक और जीवन शैली डेटा को विलय करके, चिकित्सक हजारों हस्तक्षेप परिदृश्यों (जैसे, विभिन्न दवा खुराक या जीवन शैली में परिवर्तन) का परीक्षण कर सकते हैं, यह भविष्यवाणी करने के लिए कि कौन सा संयोजन जटिलताओं को रोकने के लिए सबसे अच्छा होगा। यह तकनीक अभी भी नासेन्ट है लेकिन पायलट मधुमेह अध्ययन में प्रदर्शित की गई है।

]]Ganomics में बड़े भाषा मॉडल (LLMs): उभरते अनुसंधान एलएलएम का उपयोग आनुवंशिक संस्करण की घोषणा की और नैदानिक लोगों के लिए सादे भाषा में जोखिम पूर्वानुमान को संक्षेप में प्रस्तुत करने के लिए करता है। हालांकि, यह कम्प्यूटेशनल आउटपुट और नैदानिक कार्रवाई के बीच के अंतर को तोड़ सकता है।

इसके अतिरिक्त, नियामक ढांचे विकसित हो रहे हैं। एफडीए और ईएमए मशीन लर्निंग-आधारित जोखिम उपकरण के सत्यापन और अनुमोदन के दिशा निर्देशों पर काम कर रहे हैं। Verily और 23andMe जैसी कंपनियां पहले से ही मधुमेह की जटिलताओं के लिए आनुवंशिक जोखिम स्कोर को तैनात करने के लिए हेल्थकेयर सिस्टम के साथ साझेदारी कर रही हैं, पारदर्शिता और रोगी शिक्षा पर जोर देने के साथ।

निष्कर्ष

मशीन लर्निंग आनुवंशिक प्रवृत्तियों की पहचान को मधुमेह की जटिलताओं में क्रांति ला रही है, जो बुनियादी एसोसिएशन अध्ययनों से परिष्कृत भविष्यवाणियों के मॉडलों तक चलती है जिन्हें बेडसाइड पर परिचालन किया जा सकता है। पर्यवेक्षण, असुरक्षित और गहरी सीखने की तकनीकों का उपयोग करके, शोधकर्ता आनुवंशिक रूप से भिन्नता, नैदानिक कारकों और रोग प्रगति के बीच जटिल अंतर-खेल को उजागर कर रहे हैं। पथ आगे डेटा विविधता, मॉडल व्याख्याशीलता और नैदानिक एकीकरण पर ध्यान देने की आवश्यकता होती है, लेकिन संभावित पुरस्कार पर्याप्त हैं: पहले हस्तक्षेप, कम निवारक जटिलताओं, और व्यक्तिगत मधुमेह देखभाल का एक नया मानक। चूंकि एल्गोरिदमिक नवाचार जारी रहता है और वास्तविक डेटा उपलब्ध हो जाता है, आनुवंशिक रूप से सूचित मधुमेह प्रबंधन का युग कभी करीब नहीं होता है।