Ielts mock Test 023 January Reading Practice Test how to use you have ways to access the test

Questions 11-13
Summary
Complete the following summary of the paragraphs of Reading Passage, using NO
 NO
MORE THAN THREE WORDS 
MORE THAN THREE WORDS from the Reading Passage for each answer.
Write your answers in boxes 11-13
11-13 on your answer sheet.
Tobey has noticed that the Coskata process can achieve huge success because it utilizes 
11
as the bioreactor on whose exterior surface the bacteria take the syngas going
through the coated 12
To produce the ethanol into the water outside which
researchers will later 13
by certain techniques. The figures show a pretty high
percentage of energy can be transferred into fuel which is actually very difficult to achieve.
page 5
Access https://ieltsonlinetests.com for more practices

---

READING PASSAGE 2
You should spend about 20 minutes on Questions 14-26
Questions 14-26, which are based on Reading Passage
2.
Life code: unlocked!
A
On an airport shuttle bus to the Kavli Institute for Theoretical Physics in Santa Barbara, Calif.,
Chris Wiggins took a colleague’s advice and opened a Microsoft Excel spreadsheet. It had
nothing to do with the talk on biopolymer physics he was invited to give. Rather the columns
and rows of numbers that stared back at him referred to the genetic activity of budding yeast.
Specifically, the numbers represented the amount of messenger RNA (MRNA) expressed by all
6,200 genes of the yeast over the course of its reproductive cycle. “It was the first time I ever
saw anything like this,” Wiggins recalls of that spring day in 2002. “How to make sense of all
this data?”
B
Instead of shirking from this question, the 36-year-old applied mathematician and physicist at
Columbia University embraced it-and now six years later he thinks he has an answer. By
foraying into fields outside his own, Wiggins has drudged up tools from a branch of artificial
intelligence called machine learning to model the collective protein-making activity of genes
from real-world biological data. Engineers originally designed these tools in the late 1950s to
predict output from input. Wiggins and his colleagues have now brought machine learning to
the natural sciences and tweaked it so that it can also tell a story-one not only about input and
output but also about what happens inside a model of gene regulation, the black box in
between.
C
The impetus for this work began in the late 1990s, when high-throughput techniques
generated more mRNA expression profiles and DNA sequences than ever before, “opening up
a completely different way of thinking about biological phenomena,” Wiggins says. Key among
these techniques were DNA microarrays, chips that provide a panoramic view of the activity of
genes and their expression levels in any cell type, simultaneously and under myriad conditions.
As noisy and incomplete as the data were, biologists could now query which genes turn on or
off in different cells and determine the collection of proteins that give rise to a cell’s
characteristic features, healthy or diseased.
D
Yet predicting such gene activity requires uncovering the fundamental rules that govern it.
page 6
Access https://ieltsonlinetests.com for more practices

---

“Over time, these rules have been locked in by cells,” says theoretical physicist Harmen
Bussemaker, now an associate professor of biology at Columbia. “Evolution has kept the good
stuff.” To find these rules, scientists needed statistics to infer the interaction between genes
and the proteins that regulate them and to then mathematically describe this network’s
underlying structure-the dynamic pattern of gene and protein activity over time. But physicists
who did not work with particles (or planets, for that matter) viewed statistics as nothing short
of an anathema. “If your experiment requires statistics,” British physicist Ernest Rutherford
once said, “you ought to have done a better experiment.”
E
But in working with microarrays, “the experiment has been done without you,” Wiggins
explains. “And biology doesn’t hand you a model to make sense of the data.” Even more
challenging, the building blocks that makeup DNA, RNA, and proteins are assembled in myriad
ways; moreover, subtly different rules of interaction govern their activity, making it difficult, if
not impossible, to reduce their patterns of interaction to fundamental laws. Some genes and
proteins are not even known. “You are trying to find something compelling about the natural
world in a context where you don’t know very much,” says William Bialek, a biophysicist at
Princeton University. “You’re forced to be agnostic.” Wiggins believes that many machine-
learning algorithms perform well under precisely these conditions. When working with so many
unknown variables, “machine learning lets the data decide what’s worth looking at,” he says.
F
At the Kavli Institute, Wiggins began building a model of a gene regulatory network in a yeast-
the set of rules by which genes selectively orchestrate how vigorously DNA is transcribed into
mRNA. As he worked with different algorithms, he started to attend discussions on gene
regulation led by Christina Leslie, who ran the computational biology group at Columbia at the
time. Leslie suggested using a specific machine-learning tool called a classifier. Say the
algorithm must discriminate between pictures that have bicycles in them and pictures that do
not. A classifier sifts through labeled examples and measures everything it can about them,
gradually learning the decision rules that govern the grouping. From these rules, the algorithm
generates a model that can determine whether or not new pictures have bikes in them. In gene
regulatory networks, the learning task becomes the problem of predicting whether genes
increase or decrease their protein-making activity.
G
The algorithm that Wiggins and Leslie began building in the fall of 2002 was trained on the
DNA sequences and mRNA levels of regulators expressed during a range of conditions in
yeast-when the yeast was cold, hot, starved, and so on. Specifically, this algorithm-MEDUSA
(for motif element discrimination using sequence agglomeration) -scans every possible pairing
between a set of DNA promoter sequences, called motifs, and regulators. Then, much like a
child might match a list of words with their definitions by drawing a line between the two,
page 7
Access https://ieltsonlinetests.com for more practices

---

MEDUSA finds the pairing that best improves the fit between the model and the data it tries to
emulate. (Wiggins refers to these pairings as edges.) Each time MEDUSA finds a pairing, it
updates the model by adding a new rule to guide its search for the next pairing. It then
determines the strength of each pairing by how well the rule improves the existing model. The
hierarchy of numbers enables Wiggins and his colleagues to determine which pairings are
more important than others and how they can collectively influence the activity of each of the
yeast’s 6,200 genes. By adding one pairing at a time, MEDUSA can predict which genes
ratchet up their RNA production or clamp that production down, as well as reveal the collective
mechanisms that orchestrate an organism’s transcriptional logic.