மருந்து வடிவமைப்பில் உயிரித் தகவல் தொழில்நுட்பம்

மருந்து வடிவமைப்பில் உயிரித் தகவல் தொழில்நுட்பம்

நவீன உயிர்மருத்துவ ஆராய்ச்சியில், குறிப்பாக மருந்து வடிவமைப்பில், உயிரித்தகவலியல் ஒரு முக்கியத் தூணாக உருவெடுத்துள்ளது. ஒரு காலத்தில் மருந்து கண்டுபிடிப்பு, அதிக நேரம் எடுக்கும் மற்றும் செலவுமிக்க ஆய்வகச் சோதனைகளையே பெரிதும் சார்ந்திருந்தது. ஆனால் தற்போது, ​​உயிரித்தகவலியல், மருந்து வேட்பாளர்களை இன்னும் விரைவாகவும், துல்லியமாகவும், திறமையாகவும் பரிசோதிக்க ஆராய்ச்சியாளர்களை அனுமதிக்கிறது. மரபணுத்தொகுதிகள், படியெடுத்தல் தொகுதிகள், புரதத்தொகுதிகள் மற்றும் புரதக் கட்டமைப்புகள் போன்ற பெரிய அளவிலான உயிரியல் தரவுகளைப் பயன்படுத்துவதன் மூலம், இலக்கைக் கண்டுபிடிப்பதில் இருந்து மேலதிக சோதனைக்குத் தயாராக உள்ள மருந்து வேட்பாளர்களை மேம்படுத்துவது வரையிலான பயணத்தை விரைவுபடுத்த உயிரித்தகவலியல் உதவுகிறது.

மருந்து கண்டுபிடிப்பு சங்கிலியில் உயிரித் தகவல் அறிவியலின் பங்கு

பொதுவாக, மருந்து வடிவமைப்பானது இலக்கு அடையாளம் காணுதல், இலக்கு சரிபார்ப்பு, முன்னணிச் சேர்மத்தைக் கண்டறிதல், முன்னணிச் சேர்மத்தை மேம்படுத்துதல், மற்றும் பாதுகாப்பு மற்றும் செயல்திறன் மதிப்பீடு ஆகிய பல முக்கிய நிலைகளை உள்ளடக்கியுள்ளது. இந்த நிலைகள் அனைத்திலும் உயிரித் தகவல் தொழில்நுட்பம் ஒரு முக்கியப் பங்காற்றுகிறது.

ஆரம்ப கட்டங்களில், பொருத்தமான உயிரியல் இலக்குகளைத் தேர்ந்தெடுக்க உயிரித் தகவல் அறிவியல் உதவுகிறது. இலக்குகள் என்பவை உடலில் உள்ள மூலக்கூறுகள் ஆகும்—பொதுவாக புரதங்கள், நொதிகள், ஏற்பிகள் அல்லது நியூக்ளிக் அமிலங்கள்—இவை ஒரு நோயின் செயல்பாட்டில் முக்கியப் பங்கு வகிக்கின்றன. மரபணு மற்றும் புரதத் தரவுகளைப் பகுப்பாய்வு செய்வதன் மூலம், ஆராய்ச்சியாளர்கள் நோய் நிலைகளில் மாற்றமடையும் மரபணுக்கள் அல்லது புரதங்களைக் கண்டறிந்து, பின்னர் இந்த மாற்றங்கள் உயிரியல் பாதைகளை எவ்வாறு பாதிக்கின்றன என்பதை வரைபடமாக்க முடியும். நல்ல இலக்குகள் பொதுவாக நோயின் செயல்முறையுடன் வலுவான தொடர்பைக் கொண்டிருப்பதோடு, மருந்துக்குட்படுத்தும் தன்மையையும் வெளிப்படுத்துகின்றன; அதாவது, அவற்றை ஒரு மருந்துச் சேர்மத்தால் நெறிப்படுத்த முடியும்.

ஓமிக்ஸ் தரவு அடிப்படையிலான இலக்கு அடையாளம் காணல் மற்றும் சரிபார்ப்பு

பெரிய அளவிலான ஓமிக்ஸ் தரவுகளைச் செயலாக்கும் திறன், உயிரித் தகவல் அறிவியலின் முக்கிய பலங்களில் ஒன்றாகும். புற்றுநோய், நீரிழிவு நோய் அல்லது நரம்பு சிதைவு நோய்கள் போன்ற சிக்கலான நோய்களின் சூழலில், உயிரித் தகவல் அறிவியலால் ஆரோக்கியமான மற்றும் நோயுற்ற திசுக்களுக்கு இடையே மரபணு வெளிப்பாட்டை ஒப்பிட முடியும் (வேறுபாட்டுப் பகுப்பாய்வு). இந்த முடிவுகள், நோயின் போது "அதிகப்படியாகச் செயல்படும்" அல்லது "அதிகப்படியாகச் செயல்படும்" மரபணுக்களை வெளிப்படுத்தக்கூடும், அவை பின்னர் நோயின் முக்கிய இயக்கிகளாக இருக்கலாம் எனச் சந்தேகிக்கப்படுகின்றன.

ஒரு சாத்தியமான இலக்கு அடையாளம் காணப்பட்டவுடன், புரதங்களுக்கு இடையேயான இடைவினை வலைப்பின்னல்களைப் பகுப்பாய்வு செய்வதன் மூலம், உயிரித் தகவல் அறிவியல் அதன் சரிபார்ப்புக் கட்டத்திற்கு உதவுகிறது. ஒரு புரதம் ஒரு ஒழுங்குமுறை வலைப்பின்னலுக்கு மையமாக இருந்தாலோ அல்லது பல முக்கியமான செயல்முறைகளைக் கட்டுப்படுத்தினாலோ, அது ஒரு பொருத்தமான இலக்காக இருப்பதற்கான வாய்ப்பு அதிகம். மேலும், வளர்சிதை மாற்ற மற்றும் சமிக்ஞை வழித்தடங்களின் பகுப்பாய்வானது, அந்த இலக்கை நெறிப்படுத்துவது பரவலான பக்க விளைவுகளை ஏற்படுத்தாது என்பதை உறுதிசெய்ய உதவுகிறது; உதாரணமாக, அந்த இலக்கு ஆரோக்கியமான திசுக்களிலும் முக்கியத்துவம் வாய்ந்ததாக இருப்பதால் இது சாத்தியமாகிறது.

உயிரித் தகவல் அறிவியல், மருத்துவ ஆராய்ச்சிக்குத் தரவு சார்ந்த அணுகுமுறையைச் சாத்தியமாக்குகிறது. நோயாளியின் தரவுகள், மரபணு மாற்றங்கள் மற்றும் சிகிச்சை முடிவுகளை ஒன்றிணைப்பதன் மூலம், இலக்குகள் நோயின் முன்கணிப்பு அல்லது குறிப்பிட்ட மருந்துப் பதில்களுடன் தொடர்புடையதா என்பதை ஆராய்ச்சியாளர்களால் மதிப்பிட முடிகிறது. இது புதிய மருந்து உருவாக்கத்திற்கான அறிவியல் அடிப்படையை வலுப்படுத்துகிறது.

புரத அமைப்பு மற்றும் அமைப்பு சார்ந்த மருந்து வடிவமைப்பின் அடிப்படைகள்

ஒரு இலக்கு தேர்ந்தெடுக்கப்பட்டவுடன், அதன் முப்பரிமாண அமைப்பைப் புரிந்துகொள்வதே அடுத்த கட்டமாகும். ஏனெனில், மருந்து-இலக்கு இடைவினைகள் பெரும்பாலும் புரதத்தின் மேற்பரப்பின் வடிவம் மற்றும் வேதியியல் பண்புகளால் தீர்மானிக்கப்படுகின்றன. இதுவே அமைப்பு அடிப்படையிலான மருந்து வடிவமைப்பு (SBDD) அணுகுமுறையின் சாராம்சம் ஆகும். புரத அமைப்புகளைக் கணிப்பதிலும், மாதிரியாக்குவதிலும், பகுப்பாய்வு செய்வதிலும் உயிரித் தகவல் அறிவியல் ஒரு முக்கியப் பங்காற்றுகிறது.

எக்ஸ்-கதிர் படிகவியல், NMR, அல்லது கிரையோ-EM போன்ற சோதனைகளிலிருந்து ஒரு புரதத்தின் கட்டமைப்பு கிடைத்தால், அந்தத் தரவை நேரடியாகப் பயன்படுத்தலாம். இருப்பினும், அது இன்னும் கிடைக்கவில்லை என்றால், உயிரித் தகவல் அறிவியல், ஒத்த புரதங்களை அடிப்படையாகக் கொண்ட ஹோமாலஜி மாடலிங் போன்ற கட்டமைப்பு மாதிரியாக்க முறைகளையும், மேலும் மேலும் துல்லியமான இயந்திரக் கற்றல் அடிப்படையிலான கட்டமைப்பு முன்கணிப்பையும் வழங்குகிறது. பின்னர் இந்தக் கட்டமைப்பானது, நொதியின் பிணைப்புப் பகுதி அல்லது செயல் தளத்தைக் கண்டறியப் பயன்படுத்தப்படுகிறது; அங்குதான் பரிசோதனைக்குட்பட்ட மருந்து உகந்த முறையில் வினைபுரியும்.

பிணைப்பு தளத்தில் உள்ள அமினோ அமில எச்சங்களின் பாதுகாப்பை மதிப்பிடவும் உயிரித் தகவல் பகுப்பாய்வு உதவுகிறது. பாக்டீரியா அல்லது வைரஸ்கள் போன்ற நோய்க்கிருமி இனங்களில் அந்தத் தளம் மிகவும் பாதுகாக்கப்பட்டிருந்தால், அந்த இலக்கு அதிக நம்பிக்கைக்குரியதாகிறது. ஏனெனில், நோய்க்கிருமியின் அத்தியாவசிய செயல்பாட்டிற்குப் பாதிப்பு ஏற்படுத்தாமல், மருந்திலிருந்து தப்பிக்கும் மாற்றங்களை (சடுதிமாற்றங்களை) ஏற்படுத்துவது மிகவும் கடினமாக இருக்கலாம்.

மெய்நிகர் திரையிடல் மற்றும் மூலக்கூறு நங்கூரமிடல்

மருந்து வடிவமைப்பிற்கு உயிரித் தகவல் அறிவியலின் மிக முக்கியமான பங்களிப்புகளில் ஒன்று மெய்நிகர் திரையிடல் ஆகும். இது, ஒரு இலக்குடன் பிணைவதற்கு மிகவும் சாத்தியமான சேர்மங்களைக் கண்டறிய, மில்லியன் கணக்கான சேர்மங்களைக் கணக்கீட்டு முறையில் திரையிடும் ஒரு செயல்முறையாகும். இந்தச் செயல்முறையில் பொதுவாக மூலக்கூறு இணைப்பு அடங்கும். இது, ஒரு சிறிய மூலக்கூறு (இணைப்பி) ஒரு புரதத்தின் பிணைப்புத் தளத்தில் எவ்வாறு பொருந்துகிறது என்பதைக் கணித்து, அதன் மதிப்பிடப்பட்ட பிணைப்பு நாட்டத்தையும் கணக்கிடுகிறது.

டாக்கிங் முறையானது, ஒரு பெரிய வேதியியல் தொகுப்பிலிருந்து ஒரு சில சேர்மங்களுக்கு ஆய்வகச் சோதனைக்காக முன்னுரிமை அளிக்க ஆராய்ச்சியாளர்களை அனுமதிக்கிறது. இது செலவுகளையும் நேரத்தையும் கணிசமாகச் சேமிக்கிறது. பல்வேறு டாக்கிங் மென்பொருள் நிரல்கள் வெவ்வேறு மதிப்பிடும் அணுகுமுறைகளை வழங்குகின்றன, மேலும் பொருத்தமான அளவுருக்களைத் தேர்ந்தெடுப்பதிலும், முடிவுகளின் தரத்தை மதிப்பிடுவதிலும், தவறான நேர்மறைகளைக் குறைப்பதற்கான பிந்தைய செயலாக்கத்தைச் செய்வதிலும் உயிரித் தகவல் அறிவியல் ஒரு முக்கியப் பங்கு வகிக்கிறது.

நிலையான டாகிங்கிற்கு (static docking) கூடுதலாக, மூலக்கூறு இயக்கவியல் (molecular dynamics - MD) என்ற ஒன்றும் உள்ளது. இது, செல் போன்ற சூழல்களில் (எ.கா., நீர் மற்றும் அயனிகள்) புரத அணுக்கள் மற்றும் லிகண்டுகளின் இயக்கத்தை உருவகப்படுத்துகிறது. நிலையான கட்டமைப்புகளிலிருந்து பெரும்பாலும் புலப்படாத புரதத்தின் நெகிழ்வுத்தன்மை, லிகண்ட் பிணைப்பு நிலைத்தன்மை மற்றும் உருவமைப்பு மாற்றங்களைப் புரிந்துகொள்ள MD உதவுகிறது. இவ்வாறு, மருந்து-இலக்கு இடைவினைகள் குறித்த மிகவும் யதார்த்தமான கணிப்புகளை உயிரித் தகவல் அறிவியல் சாத்தியமாக்குகிறது.

லிகண்ட் அடிப்படையிலான மருந்து வடிவமைப்பு மற்றும் QSAR மாதிரியாக்கம்

இலக்குக் கட்டமைப்பு எப்போதும் கிடைப்பதில்லை அல்லது எளிதில் கணிக்கப்படுவதில்லை. இதுபோன்ற சூழ்நிலைகளில், அறியப்பட்ட உயிரியல் செயல்பாட்டைக் கொண்ட சேர்மங்களிலிருந்து தகவல்களைப் பயன்படுத்தும் லிகண்ட் அடிப்படையிலான மருந்து வடிவமைப்பு (LBDD) பயன்படுத்தப்படுகிறது. இந்த அணுகுமுறையில், குறிப்பாக QSAR (அளவுசார் கட்டமைப்பு-செயல்பாட்டுத் தொடர்பு) மூலம், உயிரித் தகவல் அறிவியலும் வேதியியல் அளவியல் (வேதியியல் தகவல் அறிவியல்) முக்கியப் பங்கு வகிக்கின்றன.

QSAR ஆனது, மூலக்கூறு அளவு, முனைவுத்தன்மை, ஹைட்ரஜன் பிணைப்புத் திறன் மற்றும் மின்னணுப் பண்புகள் போன்ற வேதியியல் அம்சங்களை உயிரியல் செயல்பாட்டுடன் இணைக்கும் மாதிரிகளை உருவாக்குகிறது. இந்த மாதிரிகளைப் பயன்படுத்தி, ஆராய்ச்சியாளர்கள் அதிக ஆற்றல் வாய்ந்த, அதிகத் தேர்ந்தெடுப்புத் திறன் கொண்ட அல்லது பாதுகாப்பான சேர்ம ஒப்புருக்களை வடிவமைக்க முடியும். குறிப்பாக சேர்மச் செயல்பாட்டுத் தரவுகள் அதிகமாக இருக்கும்போது, ​​QSAR கணிப்புகளின் துல்லியத்தை மேம்படுத்துவதற்காக ரேண்டம் ஃபாரஸ்ட்ஸ், சப்போர்ட் வெக்டர் மெஷின்கள் மற்றும் டீப் லேர்னிங் போன்ற இயந்திரக் கற்றல் முறைகள் அதிகளவில் பயன்படுத்தப்படுகின்றன.

ADMET கணிப்புகள்: தொடக்கத்திலிருந்தே செயல்திறன் மற்றும் பாதுகாப்பு

பல மருந்து வேட்பாளர்கள் செயல்திறன் அற்றவர்கள் என்பதனால் தோல்வியடைவதில்லை, மாறாக ADMET (உள்ளீர்ப்பு, பரவல், வளர்சிதை மாற்றம், வெளியேற்றம் மற்றும் நச்சுத்தன்மை) சிக்கல்களாலேயே தோல்வியடைகின்றனர். உயிரித் தகவல் தொழில்நுட்பமானது, ADMET-ஐ முன்கூட்டியே கணிக்க உதவுகிறது, இதன்மூலம் அதிக அபாயமுள்ள வேட்பாளர்களை விரைவாக நீக்க முடிகிறது.

உதாரணமாக, ஒரு சேர்மம் குடலில் சரியாக உறிஞ்சப்படாமல் இருக்குமா, பிளாஸ்மா புரதங்களுடன் அதிக அளவில் பிணைக்கப்படுமா, அல்லது விரைவாக வளர்சிதை மாற்றம் அடைந்து அதன் செயல்திறனைக் குறைக்குமா என்பதை முன்கணிப்பு மாதிரிகளால் கணிக்க முடியும். கல்லீரல் நச்சுத்தன்மை அல்லது இதயத் துடிப்பு ஒழுங்கின்மைக்கு வழிவகுக்கும் இதய அயனி வழித்தடங்களை (எ.கா., hERG) சீர்குலைக்கும் அபாயம் போன்ற சாத்தியமான நச்சுத்தன்மைகளையும் உயிரித் தகவல் தொழில்நுட்பத்தால் கணிக்க முடியும். இந்த முன்கூட்டிய கணிப்பின் மூலம், மருந்து வடிவமைப்பு மேலும் இலக்கு சார்ந்ததாகிறது: ஆராய்ச்சியாளர்கள் இலக்குடன் வலுவாகப் பிணைவதற்கான சாத்தியக்கூறுகளைப் பின்தொடர்வது மட்டுமல்லாமல், போதுமான பாதுகாப்பு மற்றும் மருந்தியல் இயக்கவியல் விவரத்தையும் கருத்தில் கொள்கிறார்கள்.

தொற்று நோய்கள் மற்றும் எதிர்ப்புத்தன்மைக்கான மருந்து வடிவமைப்பு

தொற்று நோய்களில், மனிதர்களிடம் இல்லாத குறிப்பிட்ட நோய்க்கிருமி இலக்குகளை அடையாளம் காண்பதற்கும் , அதன் மூலம் பக்க விளைவுகளின் அபாயத்தைக் குறைப்பதற்கும் உயிரித் தகவல் அறிவியல் மிகவும் முக்கியமானது. நோய்க்கிருமிகளின் மரபணுத்தொகுப்புகளைப் பகுப்பாய்வு செய்வது, அவற்றின் தடுப்பின் மூலம் நோய்க்கிருமியைக் கொல்லக்கூடிய அத்தியாவசிய மரபணுக்களை அடையாளம் காண உதவுகிறது. மேலும், நுண்ணுயிர் எதிர்ப்பி அல்லது வைரஸ் எதிர்ப்புத் திறனுக்கு வழிவகுக்கும் சடுதி மாற்றங்களைக் கண்காணிக்கவும் உயிரித் தகவல் அறிவியல் உதவுகிறது .

பல்வேறு பிராந்தியங்களிலும் காலங்களிலும் நோய்க்கிருமிகளில் உள்ள மரபணு மாறுபாடுகளை வரைபடமாக்குவதன் மூலம், ஆராய்ச்சியாளர்கள் மிகவும் பாதுகாக்கப்பட்ட புரதப் பகுதிகளை இலக்காகக் கொண்ட மருந்துகளை வடிவமைக்கலாம் அல்லது எதிர்ப்புத்திறன் ஏற்படுவதற்கான வாய்ப்பைக் குறைக்கும் சிகிச்சைக் கலவைகளை உருவாக்கலாம். வேகமாக உருமாறும் வைரஸ்களில், மரபணு மாற்றங்களை எதிர்க்கும் திறன் கொண்ட மருந்து வடிவமைப்பு உத்திகளுக்கு, மூலக்கூறு பரிணாமம் பற்றிய தகவல்கள் விலைமதிப்பற்றவை.

மருத்துவ உயிரித் தகவலியலில் செயற்கை நுண்ணறிவின் ஒருங்கிணைப்பு

செயற்கை நுண்ணறிவு மற்றும் இயந்திரக் கற்றலில் ஏற்பட்டுள்ள முன்னேற்றங்கள், உயிரித் தகவல் அறிவியலின் பங்கை வலுப்படுத்துகின்றன. செயற்கை நுண்ணறிவு மாதிரிகள், புரத அமைப்புகளைக் கணிக்கவும், புதிய மூலக்கூறு வடிவமைப்புகளை (டி நோவோ வடிவமைப்பு) முன்மொழியவும், மேலும் உயர் பிணைப்பு வலிமை, குறைந்த நச்சுத்தன்மை மற்றும் பொருத்தமான இயற்பியல்-வேதியியல் பண்புகள் போன்ற பல நோக்கங்களின் அடிப்படையில் சேர்மங்களை மேம்படுத்தவும் முடியும் . நோய்கள் முழுவதும் மரபணு வெளிப்பாடு அல்லது உயிரியல் வலைப்பின்னல்களில் உள்ள ஒற்றுமைகளைப் பகுப்பாய்வு செய்வதன் மூலம், ஏற்கனவே உள்ள மருந்துகளுக்குப் புதிய பயன்பாடுகளைக் கண்டறியும் "மருந்து மறுபயன்பாட்டிற்கும்" செயற்கை நுண்ணறிவு பயன்படுத்தப்படுகிறது.

இருப்பினும், செயற்கை நுண்ணறிவுப் பயன்பாடுகளுக்கு இன்னும் சோதனை ரீதியான சரிபார்ப்பு தேவைப்படுகிறது. சிறந்த உயிரித் தகவல் அறிவியல் என்பது நுட்பமான மாதிரிகளைப் பற்றியது மட்டுமல்ல, தரவின் தரம், வழிமுறைகளின் வெளிப்படைத்தன்மை மற்றும் சரியான உயிரியல் விளக்கம் ஆகியவற்றையும் உள்ளடக்கியது.

சவால்களும் எதிர்கால திசைகளும்

அதன் சாத்தியக்கூறுகள் இருந்தபோதிலும், மருந்து வடிவமைப்பில் உயிரித் தகவல் தொழில்நுட்பம் குறிப்பிடத்தக்க சவால்களை எதிர்கொள்கிறது. உயிரியல் தரவுகள் பெரும்பாலும் பன்முகத்தன்மை கொண்டவையாகவும், இரைச்சல் நிறைந்தவையாகவும், சோதனைத் தளங்களில் உள்ள வேறுபாடுகளால் பாதிக்கப்படுபவையாகவும் இருக்கின்றன. மேலும், பயிற்சித் தரவுகள் பிரதிநிதித்துவமாக இல்லாவிட்டால், கணக்கீட்டு மாதிரிகள் ஒருதலைப்பட்சமாக அமையக்கூடும். மற்றொரு சவால் மனித உயிரியலின் சிக்கலான தன்மையாகும்: பல நோய்கள் பல்வேறு வழிமுறைகளை உள்ளடக்கியுள்ளன, எனவே ஒரே ஒரு இலக்கு மட்டும் எப்போதும் போதுமானதாக இருப்பதில்லை.

எதிர்காலத்தில், மல்டி-ஓமிக்ஸ், நிஜ-உலக மருத்துவத் தரவுகள், மற்றும் ஆர்கனாய்டுகள், ஒற்றை-செல் பகுப்பாய்வு போன்ற மனித நிலைமைகளை மிகவும் நெருக்கமாக ஒத்திருக்கும் உயிரியல் மாதிரிகளின் ஒருங்கிணைப்பு, மருந்து வடிவமைப்பை வளப்படுத்தும். மேலும், உயிரித் தகவல் தொழில்நுட்பமானது ஆய்வகத் தன்னியக்கத்துடன் (ரோபோடிக் ஆய்வகங்கள்) அதிகளவில் இணைக்கப்பட்டு, வடிவமைப்பு-சோதனை-பகுப்பாய்வு சுழற்சியை மிகவும் வேகமானதாக மாற்றும்.

முடிவுரை

மருந்துகள் வடிவமைக்கப்படும் முறையை உயிரித் தகவல் அறிவியல் மாற்றியமைத்துள்ளது: முயன்று-பிழை திருத்தும் அணுகுமுறையிலிருந்து, தரவு சார்ந்த அணுகுமுறை மற்றும் கணக்கீட்டு முன்கணிப்புக்கு அது மாறியுள்ளது. இலக்கு அடையாளம் காணுதல் மற்றும் புரதக் கட்டமைப்பு மாதிரியாக்கம், மெய்நிகர் திரையிடல், QSAR, ADMET முன்கணிப்பு வரை, உயிரித் தகவல் அறிவியல் மருந்து கண்டுபிடிப்பு மற்றும் மேம்பாட்டை விரைவுபடுத்துவதோடு செலவுகளையும் குறைக்கிறது. செயற்கை நுண்ணறிவு மற்றும் பெரிய அளவிலான ஓமிக்ஸ் தரவுகளின் உதவியுடன், மருந்து வடிவமைப்பின் எதிர்காலம், மிகவும் பயனுள்ள, பாதுகாப்பான மற்றும் தனிப்பயனாக்கப்பட்ட சிகிச்சைகளை நோக்கி மேலும் மேலும் நகர்கிறது—வரலாற்று ரீதியாக சிகிச்சையளிக்கக் கடினமாக இருந்த நோய்களைக் கையாள்வதற்கான பெரும் நம்பிக்கையை இது அளிக்கிறது.