ဇီဝဗေဒတွင် ကဲကုလ၏ အသုံးချမှုများ

ဇီဝဗေဒတွင် ကဲကုလပ်စ်၏ အသုံးချမှုများ

ကဲကုလပ်စ်ကို နေ့စဉ်ဘဝနှင့် ဝေးကွာသော သင်္ချာ၏ စိတ်ကူးယဉ် ဌာနခွဲတစ်ခုအဖြစ် မကြာခဏ သတ်မှတ်လေ့ရှိသည်။ သို့သော်၊ ဇီဝဗေဒ—သက်ရှိများနှင့် ၎င်းတို့၏ လုပ်ငန်းစဉ်များကို လေ့လာခြင်း—တွင် ကဲကုလပ်စ်သည် ပြောင်းလဲမှုကို နားလည်ရန်၊ ဇီဝဗေဒစနစ်များ၏ အပြုအမူကို ခန့်မှန်းရန်နှင့် ယူဆချက်များကို အရေအတွက်အားဖြင့် စမ်းသပ်ရန်အတွက် အရေးကြီးသော ကိရိယာတစ်ခုဖြစ်သည်။ ခေတ်သစ်ဇီဝဗေဒသည် အချက်အလက်အခြေပြုနှင့် မော်ဒယ်အခြေပြု ချဉ်းကပ်မှုများဆီသို့ ပိုမိုရွေ့လျားလာသည်နှင့်အမျှ ကဲကုလပ်စ်သည် သုတေသီများအား လူဦးရေ ဒိုင်းနမစ်၊ ရောဂါပျံ့နှံ့မှု၊ ခန္ဓာကိုယ်အတွင်းရှိ အရာဝတ္ထုများ၏ စီးဆင်းမှုနှင့် တစ်ရှူးကြီးထွားမှုကိုပင် ရှင်းပြရန် ကူညီပေးသည့် “ဘာသာစကား” တစ်ခု ဖြစ်လာခဲ့သည်။ ဤဆောင်းပါးသည် ဇီဝဗေဒတွင် ကဲကုလပ်စ်၏ ကွဲပြားသော အသုံးချမှုများနှင့် derivatives နှင့် integrals များ၏ အယူအဆများသည် အသက်ကို နားလည်ရန် အဘယ်ကြောင့် အလွန်သက်ဆိုင်ရကြောင်း ဆွေးနွေးထားသည်။

၁။ ဆင်းသက်လာမှု- ဇီဝဗေဒစနစ်တစ်ခုတွင် ပြောင်းလဲမှုနှုန်းကို တိုင်းတာခြင်း

ကဲကုလပ်စ်တွင် derivative သည် ပမာဏတစ်ခု၏ အခြားပမာဏတစ်ခုနှင့် နှိုင်းယှဉ်လျှင် ပြောင်းလဲမှုနှုန်းကို ဖော်ပြသည်။ ဇီဝဗေဒတွင် ဖြစ်စဉ်များစွာသည် "ဖြစ်ပျက်" ရုံသာမက အချိန်နှင့်အမျှ "ပြောင်းလဲ" သည်။ ဥပမာအားဖြင့်၊ ယဉ်ကျေးမှုတစ်ခုရှိ ဘက်တီးရီးယားအရေအတွက်သည် အဆက်မပြတ်တိုးလာခြင်းမဟုတ်ဘဲ ရှိပြီးသား ဘက်တီးရီးယားအရေအတွက်၊ အာဟာရဓာတ်များ၊ အပူချိန်နှင့် အခြားပတ်ဝန်းကျင်ဆိုင်ရာအချက်များပေါ်တွင် မူတည်သည်။ derivative ကို အသုံးပြု၍ ဤကြီးထွားမှုနှုန်းကို differential equation အဖြစ် ဖော်ပြနိုင်သည်။

ရိုးရှင်းသော ဥပမာတစ်ခုမှာ အဆတိုး ကြီးထွားမှု မော်ဒယ်ဖြစ်သည်။
\[
\frac{dN}{dt}=rN
\]
\(N\) သည် လူဦးရေအရွယ်အစား၊ \(t\) သည် အချိန်နှင့် \(r\) သည် ကြီးထွားမှုနှုန်းဖြစ်သည်။ ဤမော်ဒယ်သည် ကြီးထွားမှု၏ အစောပိုင်းအဆင့်များတွင် အကောင်းဆုံးအခြေအနေများအတွက် သင့်လျော်သည်၊ ဥပမာအားဖြင့် အာဟာရဓာတ်များ ပေါများပြီး နေရာကန့်သတ်ချက်များ မရှိသည့်အခါမျိုးတွင်ဖြစ်သည်။ သို့သော် လက်တွေ့ကမ္ဘာအခြေအနေများတွင် ကန့်သတ်ချက်များ (ပတ်ဝန်းကျင်စွမ်းရည်) ရှိလေ့ရှိသည်။ ဤနေရာတွင် ထောက်ပံ့ပို့ဆောင်ရေးမော်ဒယ်သည် ပိုမိုသက်ဆိုင်ရာရှိသည်-
\[
\frac{dN}{dt}=rN\left(1-\frac{N}{K}\right)
\]
\(K\) ကို သယ်ဆောင်နိုင်စွမ်းအဖြစ် အသုံးပြုပါ။ derivative မှတစ်ဆင့်၊ ကြီးထွားမှု အမြန်ဆုံးအချိန် (များသောအားဖြင့် \(N\) သည် \(K/2\) ဝန်းကျင်တွင်ရှိသောအခါ) နှင့် လူဦးရေ တည်ငြိမ်လာသည့်အချိန်ကို ကျွန်ုပ်တို့ နားလည်နိုင်ပါသည်။

၂။ ပေါင်းစပ်ပါဝင်မှု- ဇီဝဗေဒဆိုင်ရာ လုပ်ငန်းစဉ်များတွင် စုဆောင်းမှုနှင့် စုစုပေါင်းကို တွက်ချက်ခြင်း

အကယ်၍ derivative သည် “တစ်စုံတစ်ခု မည်မျှမြန်မြန်ပြောင်းလဲသွားသည်” ကို ကိုင်တွယ်ဖြေရှင်းပါက integral သည် “စုစုပေါင်းစုဆောင်းထားသော” ပြောင်းလဲမှုကို တွက်ချက်ရန် ကူညီပေးသည်။ ဇီဝဗေဒတွင်၊ integral များကို စုစုပေါင်းစွမ်းအင်သုံးစွဲမှု၊ လွှဲပြောင်းထားသောဒြပ်စင်ပမာဏ သို့မဟုတ် ဒြပ်ပေါင်းတစ်ခုနှင့် စုပေါင်းထိတွေ့မှုကို တွက်ချက်ရန် မကြာခဏ အသုံးပြုလေ့ရှိသည်။

ဥပမာအားဖြင့်၊ ဇီဝကမ္မဗေဒတွင်၊ ကျောက်ကပ်စစ်ထုတ်မှုနှုန်း သို့မဟုတ် ဂလူးကို့စ်စုပ်ယူမှုနှုန်းကို အချိန်၏လုပ်ဆောင်ချက်အဖြစ် တိုင်းတာနိုင်သည်။ ဂလူးကို့စ်စုပ်ယူမှုနှုန်း ∑mg/min ဖြင့် သိရှိပါက၊ ပေးထားသောအချိန်အပိုင်းအခြားတစ်ခုအတွင်း စုပ်ယူသော စုစုပေါင်းဂလူးကို့စ်ကို အောက်ပါ အင်တီဂရယ်ဖြင့် တွက်ချက်နိုင်သည်-
\[
G=\int_{t_1}^{t_2} g(t)\,dt
\]
ဤသဘောတရားသည် ဂေဟဗေဒအတွက်လည်း အကျုံးဝင်ပါသည်၊ ဥပမာအားဖြင့် ရာသီတစ်ခုအတွင်း ထုတ်လုပ်သော စုစုပေါင်းဇီဝလောင်စာပမာဏကို အချိန်အလိုက် ဇီဝလောင်စာကြီးထွားမှုနှုန်းအပေါ် အခြေခံ၍ တွက်ချက်ခြင်း ဖြစ်သည်။

၃။ ရောဂါပျံ့နှံ့မှုကို မော်ဒယ်လ်လုပ်ခြင်း- ကူးစက်ရောဂါဗေဒတွင် ကယ်လ်ကူလာ

ဇီဝဗေဒအတွက် ကဲကုလ၏ အကြီးမားဆုံး ပံ့ပိုးကူညီမှုများထဲမှ တစ်ခုကို ရောဂါဗေဒတွင် အထူးသဖြင့် SIR (Susceptible–Infected–Recovered) မော်ဒယ်မှတစ်ဆင့် တွေ့မြင်နိုင်သည်။ ဤမော်ဒယ်သည် လူဦးရေကို အုပ်စုသုံးစုခွဲခြားသည်- susceptible (S)၊ infected (I) နှင့် recovered/deceased (R)။ အချိန်နှင့်အမျှ အုပ်စုတစ်ခုစီ၏ ပြောင်းလဲမှုအား differential equation ဖြင့် ဖော်ပြသည်-
\[
\frac{dS}{dt}=-\beta SI,\quad
\frac{dI}{dt}=\beta SI-\gamma I,\quad
\frac{dR}{dt}=\gamma I
\]
ကန့်သတ်ချက် \(\beta\) သည် ထိရောက်သော ထိတွေ့မှုနှုန်းကို ဖော်ပြထားပြီး၊ \(\gamma\) သည် ပြန်လည်ကောင်းမွန်လာမှုနှုန်းဖြစ်သည်။ ဤမော်ဒယ်ကို အသုံးပြု၍ သုတေသီများသည် ကူးစက်မှုအမြင့်ဆုံးအချိန်၊ ရောဂါဖြစ်ပွားမှုကြာချိန်ကို ခန့်မှန်းနိုင်ပြီး ကာကွယ်ဆေးထိုးခြင်း သို့မဟုတ် ထိတွေ့မှုကန့်သတ်ချက်များကဲ့သို့သော ကြားဝင်ဆောင်ရွက်မှုများ၏ သက်ရောက်မှုကို အကဲဖြတ်နိုင်သည်။

ကဲကုလပ်စ်သည် အရေးကြီးသောမေးခွန်းများကို ဖြေဆိုရန် ကူညီပေးသည်- မည်သည့်အချိန်တွင် ကူးစက်မှုများသည် အမြန်ဆုံးတိုးပွားလာသနည်း။ ရောဂါဖြစ်ပွားမှုတစ်ခု လျော့ပါးသွားစေရန် လူဦးရေ၏ ရာခိုင်နှုန်းမည်မျှကို ကာကွယ်ဆေးထိုးရန် လိုအပ်သနည်း။ ပြောင်းလဲမှုနှုန်းထားများကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အခြေခံမျိုးပွားမှုနံပါတ် (R0) ကဲ့သို့သော သဘောတရားများသည် ရောဂါတစ်ခုသည် ကျယ်ကျယ်ပြန့်ပြန့်ပျံ့နှံ့နိုင်ခြေရှိခြင်း သို့မဟုတ် ပျောက်ကွယ်သွားနိုင်ခြေရှိခြင်း၏ အညွှန်းကိန်းများအဖြစ် ပေါ်ပေါက်လာသည်။

၄။ ဇီဝဓာတုဗေဒဆိုင်ရာ တုံ့ပြန်မှုများနှင့် အင်ဇိုင်းများ- မော်လီကျူးဇီဝဗေဒတွင် ဒိုင်းနမစ်များ

ဇီဝဓာတုဗေဒတွင် ဓာတ်ပြုမှုများစွာသည် ပြောင်းလဲနေသော အခြေအနေတွင် ဖြစ်ပေါ်လေ့ရှိသည်။ ဒြပ်ပေါင်းများ၊ ထုတ်ကုန်များနှင့် အင်ဇိုင်းများ၏ ပါဝင်မှုများသည် အချိန်နှင့်အမျှ ပြောင်းလဲသွားသည်။ ကဲကုလပ်စ်သည် သုတေသီများအား ဓာတ်ပြုမှုနှုန်းများကို ပုံစံပြုရန်နှင့် စနစ်များ၏ အပြုအမူကို ခန့်မှန်းရန် ခွင့်ပြုသည်။

အရေးကြီးသော အယူအဆတစ်ခုမှာ အင်ဇိုင်း kinetics ဖြစ်သည်။ Michaelis–Menten မော်ဒယ်ကို မကြာခဏ အက္ခရာသင်္ချာဖြင့် တင်ပြထားသော်လည်း၊ ၎င်း၏အခြေခံတွင် အင်ဇိုင်း-အလွှာ ရှုပ်ထွေးမှု၏ အာရုံစူးစိုက်မှု ပြောင်းလဲမှုနှုန်း ပါဝင်ပြီး ၎င်းကို differential equation ဖြင့် ဖော်ပြထားသည်။ ဤချဉ်းကပ်မှုကို အသုံးပြု၍ သုတေသီများသည် အင်ဇိုင်းထိရောက်မှု၊ inhibitors များ၏ အကျိုးသက်ရောက်မှုများနှင့် ဇီဝဖြစ်စဉ်တုံ့ပြန်မှုများကို နားလည်ရန် ကူညီပေးသည့် \(V_{max}\) နှင့် \(K_m\ ကဲ့သို့သော parameters များကို ခန့်မှန်းနိုင်သည်။

ရှုပ်ထွေးသော ဇီဝဖြစ်စဉ်ကွန်ရက်များတွင်၊ ဇီဝဖြစ်စဉ်စီးဆင်းမှု၊ စနစ်တည်ငြိမ်မှုနှင့် မျိုးရိုးဗီဇပြောင်းလဲမှုများ (ဥပမာ၊ သီးခြားအင်ဇိုင်းများကို ကုဒ်သွင်းသော မျိုးဗီဇများတွင် မျိုးရိုးဗီဇပြောင်းလဲမှုများ) ၏သက်ရောက်မှုကို တုပရန်အတွက် ကဲကုလကို ဒစ်ဖရில்ல்லுညီမျှခြင်းစနစ်များနှင့် တွဲဖက်အသုံးပြုသည်။

၅။ ဆဲလ်များမှ တစ်ရှူးများသို့ ပစ္စည်းများ ပျံ့နှံ့ခြင်းနှင့် သယ်ယူပို့ဆောင်ခြင်း

ဇီဝဗေဒတွင် နောက်ထပ်အရေးကြီးသော လုပ်ငန်းစဉ်တစ်ခုမှာ ပျံ့နှံ့ခြင်းဖြစ်သည် - မော်လီကျူးများ ပြင်းအားများသောနေရာမှ နိမ့်သောနေရာသို့ ရွေ့လျားခြင်းဖြစ်သည်။ ပျံ့နှံ့မှုသည် အဆုတ်တွင် အောက်ဆီဂျင်နှင့် ကာဗွန်ဒိုင်အောက်ဆိုဒ် ဖလှယ်ခြင်း၊ ဆဲလ်များသို့ အာဟာရဓာတ်များ ရွေ့လျားခြင်းနှင့် သန္ဓေသားဖွံ့ဖြိုးမှုအတွင်း ဓာတုအချက်ပြမှုများ (မော်ဖိုဂျင်များ) ပျံ့နှံ့ခြင်းတို့တွင် အခန်းကဏ္ဍမှ ပါဝင်သည်။

ပျံ့နှံ့မှုကို တစ်စိတ်တစ်ပိုင်း ဒစ်ဖရန်ရှယ်ညီမျှခြင်းများဖြင့် မော်ဒယ်လ်လုပ်နိုင်သည်၊ ဥပမာအားဖြင့် ပျံ့နှံ့ညီမျှခြင်း၏ ရိုးရှင်းသောပုံစံဖြင့်-
\[
\frac{\partial C}{\partial t}=D\frac{\partial^2 C}{\partial x^2}
\]
\(C\) သည် အာရုံစူးစိုက်မှုဖြစ်ပြီး \(D\) သည် ပျံ့နှံ့မှုကိန်းဂဏန်းဖြစ်သည်။ ဤမော်ဒယ်သည် အာရုံစူးစိုက်မှု အာကာသနှင့်အချိန်တွင် မည်သို့ပြောင်းလဲသွားသည်ကို ရှင်းပြသည်။ ဖွံ့ဖြိုးမှုဇီဝဗေဒတွင်၊ ပျံ့နှံ့မှုနှင့် ယိုယွင်းပျက်စီးမှုမှတစ်ဆင့် ဖြစ်ပေါ်လာသော morphogen gradients များသည် သန္ဓေသား၏ ခန္ဓာကိုယ်ပုံသဏ္ဍာန်ကို ဆုံးဖြတ်နိုင်သည်။ ၎င်းက သက်ရှိတစ်ခု၏ပုံသဏ္ဍာန်ကိုပင် calculus ပါဝင်သော ညီမျှခြင်းများဖြင့် ဖော်ပြနိုင်ကြောင်း ပြသသည်။

၆။ ဇီဝစက်ပိုင်းဆိုင်ရာ- သက်ရှိများတွင် ရွေ့လျားမှုနှင့် အားများအတွက် တွက်ချက်မှု

သက်ရှိများသည် ရွေ့လျားပြီး ရွေ့လျားမှုဆိုသည်မှာ အချိန်နှင့်အမျှ အနေအထားပြောင်းလဲမှုဖြစ်ပြီး ကဲကုလပ်စ်၏ အနှစ်သာရဖြစ်သည်။ ဇီဝစက်ပိုင်းဆိုင်ရာတွင် derivatives များကို အလျင်နှင့် အရှိန်ကို တွက်ချက်ရန် အသုံးပြုပြီး အင်တီဂရယ်များသည် အလုပ်နှင့် စွမ်းအင်ကို တွက်ချက်နိုင်သည်။

ဥပမာအားဖြင့်၊ တိရစ္ဆာန်များ မည်သို့ပြေးသည်ကို ခွဲခြမ်းစိတ်ဖြာသောအခါ၊ သုတေသီများသည် ခြေလက်အနေအထားကို အချိန်၏ လုပ်ဆောင်ချက်အဖြစ် တိုင်းတာပြီးနောက် ထိုလုပ်ဆောင်ချက်မှ အလျင်နှင့် အရှိန်ကို ရရှိသည်။ ဤဒေတာသည် ကြွက်သားအား၊ စွမ်းအင်ထိရောက်မှု သို့မဟုတ် ဒဏ်ရာအန္တရာယ်ကို ခန့်မှန်းနိုင်စေပါသည်။ လူသားများတွင်၊ ကဲကုလကို လမ်းလျှောက်ခြင်း ခွဲခြမ်းစိတ်ဖြာမှု၊ ခြေတုဒီဇိုင်းနှင့် ergonomics တို့တွင် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုကြသည်။

၇။ တစ်ရှူးကြီးထွားမှုနှင့် ဆဲလ်ဒိုင်းနမစ်

ဆဲလ်ဇီဝဗေဒနှင့် ဆေးပညာတွင်၊ အကျိတ်ကြီးထွားမှု သို့မဟုတ် တစ်ရှူးပြန်လည်ရှင်သန်မှုကိုလည်း ကဲကုလအခြေခံ မော်ဒယ်များကို အသုံးပြု၍ လေ့လာထားသည်။ ဥပမာအားဖြင့်၊ အကျိတ်များသည် အစောပိုင်းအဆင့်များတွင် အလျင်အမြန်ကြီးထွားပြီးနောက် အာဟာရနှင့် သွေးထောက်ပံ့မှု အကန့်အသတ်ရှိသောကြောင့် နှေးကွေးသွားနိုင်သည်။ မတူညီသော မော်ဒယ်များသည် ကြီးထွားမှုနှုန်းကို ခန့်မှန်းရန်နှင့် ဓာတုကုထုံး သို့မဟုတ် ရောင်ခြည်ကုထုံးကဲ့သို့သော ကုထုံးဗျူဟာများကို အကဲဖြတ်ရန် ကူညီပေးသည်။

ထို့အပြင်၊ ကဲကုလစ်ကို ဆဲလ်သံသရာ၊ ဆဲလ်ရွှေ့ပြောင်းမှုနှင့် တစ်ရှူးပုံစံဖွဲ့စည်းမှုကို မော်ဒယ်လ်လုပ်ရာတွင် အသုံးပြုသည်။ တစ်ရှူးအင်ဂျင်နီယာတွင်၊ သင်္ချာမော်ဒယ်လ်သည် လိုချင်သောတစ်ရှူးကို ဖွဲ့စည်းရန် ဆဲလ်ကြီးထွားမှုအတွက် အကောင်းဆုံးအခြေအနေများကို ဆုံးဖြတ်ရန် ကူညီပေးသည်။

၈။ ကဲကုလသင်္ချာသည် ခေတ်သစ်ဇီဝဗေဒအတွက် အဘယ်ကြောင့် အရေးကြီးသနည်း။

ခေတ်သစ်ဇီဝဗေဒသည် ဓာတ်ခွဲခန်းတိုင်းတာမှုများနှင့် ဇီဝကမ္မဗေဒဆိုင်ရာ အာရုံခံကိရိယာများမှသည် ဂျီနိုမ်ဒေတာအထိ အချက်အလက်များအပေါ် များစွာမှီခိုအားထားရသည်။ သို့သော် သီအိုရီဆိုင်ရာ မူဘောင်မပါသော အချက်အလက်များသည် ဖော်ပြချက်များကိုသာ ဖြစ်ပေါ်စေပြီး နက်ရှိုင်းသော နားလည်မှုကို မဖြစ်ပေါ်စေပါ။ ကဲကုလပ်စ်သည် မော်ဒယ်များတည်ဆောက်ရန်၊ အခြေအနေများကို စမ်းသပ်ရန်နှင့် ခန့်မှန်းချက်များပြုလုပ်ရန် နည်းလမ်းတစ်ခုကို ပေးပါသည်။

ကဲကုလပ်စ်သည် ကွန်ပျူတာနယ်ပယ်သို့လည်း တံတားတစ်စင်း ပံ့ပိုးပေးပါသည်။ လက်တွေ့ကျသော ဇီဝဗေဒဆိုင်ရာ မော်ဒယ်များစွာတွင် ရိုးရှင်းသော ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ဖြေရှင်းချက်များ ချို့တဲ့ပြီး ဂဏန်းသင်္ချာနည်းလမ်းများ လိုအပ်သည်။ ကဲကုလပ်စ်ကို နားလည်ခြင်းသည် သိပ္ပံနည်းကျ ပရိုဂရမ်းမင်း၊ သရုပ်သကန်ဖန်တီးမှုနှင့် ကန့်သတ်ချက် ခွဲခြမ်းစိတ်ဖြာမှုကဲ့သို့သော ကိရိယာများကို အသုံးပြုရလွယ်ကူစေသည်။

နိဂုံး

အသက်သည် အခြေခံအားဖြင့် ပြောင်းလဲနေသောစနစ်တစ်ခုဖြစ်သောကြောင့် ဇီဝဗေဒတွင် ကဲကုလပ်၏အသုံးချမှုများသည် ကျယ်ပြန့်ပါသည်- လူဦးရေပြောင်းလဲမှု၊ အရာဝတ္ထုများရွေ့လျားမှု၊ တုံ့ပြန်မှုများဖြစ်ပေါ်မှု၊ ရောဂါများပျံ့နှံ့မှုနှင့် သက်ရှိများရွေ့လျားမှုတို့ကြောင့်ဖြစ်သည်။ ဆင်းသက်လာသောဒြပ်ပေါင်းများသည် ပြောင်းလဲမှုနှုန်းကိုတိုင်းတာရန်ကူညီပေးသည်၊ အင်တီဂရယ်များသည် စုဆောင်းမှုကိုတွက်ချက်သည်၊ နှင့် ဒစ်ဖရန်ရှယ်ညီမျှခြင်းများ (တစ်စိတ်တစ်ပိုင်း ဒစ်ဖရန်ရှယ်ညီမျှခြင်းများအပါအဝင်) သည် ဇီဝဗေဒဆိုင်ရာလုပ်ငန်းစဉ်အမျိုးမျိုးကို ပုံစံထုတ်ရန်အတွက် အခြေခံအုတ်မြစ်ချပေးသည်။ ကဲကုလပ်ဖြင့် ဇီဝဗေဒသည် အသက်ကိုဖော်ပြသည့် သိပ္ပံပညာတစ်ခုဖြစ်ရုံသာမက ယန္တရားများကို ရှင်းပြနိုင်သော၊ ဖြစ်စဉ်များကို ခန့်မှန်းနိုင်သော၊ ထိရောက်သောကြားဝင်ဆောင်ရွက်မှုများကို ဒီဇိုင်းထုတ်နိုင်သော သိပ္ပံပညာတစ်ခုလည်း ဖြစ်လာသည်။ အရေအတွက်ဆိုင်ရာဇီဝဗေဒခေတ်တွင် ကဲကုလပ်သည် ဖြည့်စွက်ချက်တစ်ခုမျှသာမဟုတ်ဘဲ သက်ရှိများ၏ရှုပ်ထွေးမှုကို နားလည်ရန် အဓိကကိရိယာများထဲမှ တစ်ခုဖြစ်သည်။