📊 statistics

Estimating Gaussian graphical models of multi-study data with Multi-Study Factor Analysis

यह शोध पत्र MSFA-X प्रस्तुत करता है, जो एक नवीन ढांचा है जो मल्टी-स्टडी डेटा में साझा और अध्ययन-विशिष्ट गौसियन ग्राफिकल मॉडल का अनुमान लगाने के लिए मल्टी-स्टडी फैक्टर एनालिसिस का विस्तार करता है, जो मौजूदा बेंचमार्क की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है और जेस्टेशनल डायबिटीज में नेटवर्क-स्तरीय चयापचय अंतरों को सफलतापूर्वक पहचानता है।

मूल लेखक: Katherine H. Shutta, Denise M. Scholtens, William L. Lowe, Raji Balasubramanian, Roberta De Vito

प्रकाशित 2026-01-22

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Katherine H. Shutta, Denise M. Scholtens, William L. Lowe, Raji Balasubramanian, Roberta De Vito

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: एक अस्त-व्यस्त डांस फ्लोर को सुलझाना

कल्पना कीजिए कि एक विशाल डांस फ्लोर है जहाँ सैकड़ों नर्तक (मेटाबोलाइट्स) संगीत पर थिरक रहे हैं। एक स्वस्थ गर्भावस्था में, ये नर्तक एक समन्वित, लयबद्ध तरीके से चलते हैं। जेस्टेशनल डायबिटीज (GDM) वाली गर्भावस्था में, संगीत बदल जाता है और नर्तक अलग तरह से नाचने लगते हैं। कुछ लोग वही लय बनाए रखते हैं, जबकि अन्य पूरी तरह से एक नए, अराजक नृत्य में बदल जाते हैं।

समस्या यह है कि वहाँ बहुत सारे नर्तक हैं, और वे सभी एक-दूसरे का हाथ पकड़े हुए हैं या एक-दूसरे से टकरा रहे हैं। यह बताना कठिन है कि वास्तव में नृत्य का नेतृत्व कौन कर रहा है और कौन केवल पीछे चल रहा है। इसके अलावा, वैज्ञानिक अक्सर "स्वस्थ" नर्तकों और "डायबिटिक" नर्तकों को अलग-अलग कमरों में देखते हैं, जिससे यह देखना मुश्किल हो जाता है कि दोनों समूहों के बीच वास्तव में क्या बदला है।

यह पेपर MSFA-X नामक एक नया टूल पेश करता है। MSFA-X को एक सुपर-स्मार्ट कैमरे और शोर को कम करने वाले हेडफ़ोन (नॉइज़-कैंसलिंग हेडफ़ोन) के संयोजन के रूप में समझें। यह शोधकर्ताओं को निम्नलिखित कार्य करने की अनुमति देता है:

नर्तकों को समूह में बांटना: यह समझता है कि नर्तक अक्सर केवल व्यक्तियों के रूप में नहीं, बल्कि टीमों (लेटेंट फैक्टर्स) के रूप में चलते हैं।
सिग्नल को शोर से अलग करना: यह पता लगाता है कि कौन से नृत्य के मूव्स सभी के लिए सामान्य हैं (साझा पैटर्न) और कौन से मूव्स GDM समूह के लिए विशिष्ट हैं (विशिष्ट पैटर्न)।
प्रत्यक्ष संबंधों का मानचित्र बनाना: यह एक नक्शा बनाता है जो दिखाता है कि कौन सीधे तौर पर किसे प्रभावित कर रहा है, और अप्रत्यक्ष कनेक्शनों के "भीड़ के शोर" को अनदेखा करता है।

पुराने तरीकों के साथ समस्या

इस पेपर से पहले, वैज्ञानिक इन मेटाबॉलिक नेटवर्क का विश्लेषण करने के लिए दो मुख्य तरीकों का उपयोग करते थे, जिनमें दोनों की खामियां थीं:

"ग्रुप फोटो" दृष्टिकोण (स्टैंडर्ड फैक्टर एनालिसिस): यह तरीका नर्तकों को टीमों में तो बांटता है लेकिन यह नहीं बताता कि टीमें आपस में कैसे क्रिया करती हैं। यह यह जानने जैसा है कि वहां दो डांस ट्रूप्स हैं, लेकिन आप यह नहीं देख पा रहे हैं कि वे फ्लोर पर एक-दूसरे के साथ कैसे इंटरैक्ट करते हैं।
"नेटवर्क मैप" दृष्टिकोण (ग्राफिकल लासो): यह एक नक्शा बनाता है कि कौन किससे जुड़ा है। हालाँकि, जब इसे कई समूहों (स्वस्थ बनाम GDM) पर लागू किया जाता है, तो यह अक्सर भ्रमित हो जाता है। यह दोनों समूहों में जो समान है उसे उस चीज़ से अलग करने में संघर्ष करता है जो एक समूह के लिए विशिष्ट है। यह दो समान गानों को अलग-अलग सुनकर उनके बीच के अंतर खोजने जैसा है; आप सूक्ष्म बदलावों को मिस कर सकते हैं क्योंकि आप उनकी सीधे तुलना नहीं कर रहे हैं।

समाधान: MSFA-X (एक "स्प्लिट-स्क्रीन" कैमरा)

लेखकों ने इसे हल करने के लिए MSFA-X बनाया है। यह कैसे काम करता है, इसके लिए एक उपमा (एनालॉजी) देखें:

कल्पना कीजिए कि आपके पास एक ही डांस फ्लोर के दो वीडियो फीड हैं: एक स्वस्थ समूह से और दूसरा GDM समूह से।

साझा फीड (The Shared Feed): MSFA-X पहले "साझा कारकों" (Shared Factors) की पहचान करता है। ये वे नृत्य के मूव्स हैं जो दोनों समूहों में होते हैं। उदाहरण के लिए, शायद "अमीनो एसिड टीम" और "एसाइलकार्निटाइन टीम" हमेशा एक साथ नाचते हैं, चाहे स्वास्थ्य की स्थिति कुछ भी हो।
विशिष्ट फीड (The Unique Feed): फिर, यह देखता है कि क्या अलग है। यह "अध्ययन-विशिष्ट कारकों" (Study-Specific Factors) की पहचान करता है। ये वे मूव्स हैं जो केवल GDM समूह में होते हैं (या केवल स्वस्थ समूह में होते हैं)।
प्रत्यक्ष मानचित्र (The Direct Map): अंत में, यह एक मानचित्र (गाऊसी ग्राफिकल मॉडल) बनाता है जो प्रत्यक्ष कनेक्शन दिखाता है। यह "अप्रत्यक्ष" कनेक्शनों को फ़िल्टर कर देता है।
- उपमा: यदि डांसर A, डांसर B को धक्का देता है, और डांसर B, डांसर C को धक्का देता है, तो एक साधारण मैप कह सकता है कि A और C जुड़े हुए हैं। MSFA-X समझ जाता है कि A ने C को नहीं छुआ; A ने केवल B को छुआ था। यह केवल A-B और B-C के बीच रेखा खींचता है, जिससे एक स्पष्ट, कम अव्यवस्थित मानचित्र बनता है।

उन्होंने HAPO अध्ययन में क्या पाया

लेखकों ने इस टूल का परीक्षण HAPO अध्ययन (गर्भवती महिलाओं का एक बड़ा अध्ययन) के वास्तविक डेटा पर किया। उन्होंने महिलाओं द्वारा मीठा पेय पीने से पहले और बाद में 60 अलग-अलग मेटाबोलाइट्स (रक्त में मौजूद रसायन) का अध्ययन किया।

उन्होंने MSFA-X का उपयोग करके यहाँ मुख्य खोजें कीं:

स्वस्थ नृत्य (कोई GDM नहीं): स्वस्थ महिलाओं में, ग्लूटामाइन/ग्लूटामेट (Glutamine/Glutamate) नामक रसायन एक "हब" या एक केंद्रीय कंडक्टर के रूप में कार्य करता है। यह अमीनो एसिड (प्रोटीन के निर्माण खंड) और एसाइलकार्निटाइन्स (फैटी एसिड सहायक) दोनों के साथ मजबूती से जुड़ा होता है। यह पूरे नेटवर्क को आपस में बात करने में मदद करता है।
GDM नृत्य (GDM के साथ): GDM वाली महिलाओं में, यह "कंडक्टर" (Glutamine/Glutamate) बाकी नेटवर्क से बात करना बंद कर देता है। यह कनेक्शन टूट जाता है।
नए नेता: GDM समूह में, डैंसर्स का एक अलग सेट नेतृत्व संभाल लेता है। तीन विशिष्ट रसायन—हिस्टिडाइन, फेनिलएलनिन और टाइरोसिन (सभी एरोमैटिक अमीनो एसिड)—नए हब बन जाते हैं। वे एक तंग, मजबूत समूह बनाते हैं जो विशेष रूप से GDM स्थिति के लिए अद्वितीय है।
बच्चे से संबंध: लेखकों ने जांचा कि क्या ये "नृत्य पैटर्न" बच्चों के लिए मायने रखते हैं। उन्होंने पाया कि GDM समूह में देखे गए विशिष्ट पैटर्न (विशेष रूप से नए नेता: हिस्टिडाइन, फेनिलएलनिन और टाइरोसिन) नवजात एडिपोसिटी (जन्म के समय बच्चे में शरीर की वसा की मात्रा) से जुड़े थे। यह सुझाव देता है कि माँ के शरीर में इन रसायनों के बीच की विशिष्ट अंतःक्रिया यह प्रभावित कर सकती है कि बच्चा कितनी वसा जमा करता है।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

पेपर का दावा है कि MSFA-X जटिल जैविक डेटा को देखने का एक शक्तिशाली नया तरीका है क्योंकि:

यह केवल एक समय में एक रसायन को नहीं देखता; यह देखता है कि रसायनों के समूह एक साथ कैसे काम करते हैं।
यह स्पष्ट रूप से अलग करता है कि क्या "सामान्य" (साझा) है और क्या "रोग-विशिष्ट" (विशिष्ट) है।
यह एक साफ, अधिक सटीक मानचित्र प्रदान करता है कि कौन सीधे तौर पर किसे प्रभावित कर रहा है, जो वैज्ञानिकों को बीमारी के वास्तविक तंत्र को समझने में मदद करता है।

लेखक इस बात पर जोर देते हैं कि हालांकि उन्होंने इसका उपयोग मधुमेह के लिए किया है, लेकिन यह टूल सामान्य है और इसे किसी भी ऐसी स्थिति के लिए उपयोग किया जा सकता है जहाँ आपके पास कई समूहों का डेटा हो और आप साझा और विशिष्ट पैटर्न खोजना चाहते हों। उन्होंने यह भी उल्लेख किया कि यह टूल अन्य वैज्ञानिकों के उपयोग के लिए मुफ्त सॉफ्टवेयर के रूप में उपलब्ध है।

संक्षेप में: यह पेपर एक नया गणितीय "लेंस" प्रस्तुत करता है जो वैज्ञानिकों को मेटाबॉलिक रोगों की छिपी हुई संरचना को देखने में मदद करता है, यह प्रकट करता है कि जेस्टेशनल डायबिटीज में, रसायनों के ऑर्केस्ट्रा का "कंडक्टर" बदल जाता है, जिससे एक अलग लय पैदा होती है जो बच्चे के स्वास्थ्य को प्रभावित करती है।

तकनीकी सारांश: मल्टी-स्टडी फैक्टर-आधारित गॉसियन ग्राफिकल मॉडल और जेस्टेशनल डायबिटीज मेलिटस के मेटाबोलोमिक्स में इसके अनुप्रयोग

समस्या विवरण
जेस्टेशनल डायबिटीज मेलिटस (GDM) एक चयापचय संबंधी विकार (metabolic disorder) है जो प्रतिकूल मातृ और नवजात परिणामों से जुड़ा है। जबकि मेटाबोलोमिक प्रोफाइलिंग ने विशिष्ट मेटाबोलाइट्स को GDM स्थिति से सफलतापूर्वक जोड़ा है, उभरते साक्ष्य बताते हैं कि GDM केवल अलग-थलग मेटाबोलाइट डिसफंक्शन द्वारा नहीं, बल्कि मेटाबोलाइट्स के समूहों द्वारा जो समन्वित परिवर्तनों या हस्ताक्षरों (signatures) के रूप में बनते हैं, उससे पहचाना जाता है। मौजूदा सांख्यिकीय दृष्टिकोणों को एक सीमा का सामना करना पड़ता है: मानक फैक्टर विश्लेषण (FA) विलुप्त चर (latent variables/factors) की पहचान करता है जो समन्वित विशेषताओं का प्रतिनिधित्व करते हैं, लेकिन उनके बीच की सशर्त निर्भरताओं (conditional dependencies/network structures) को मॉडल नहीं करता है। इसके विपरीत, नेटवर्क मॉडल, जैसे कि गॉसियन ग्राफिकल मॉडल (GGMs), सशर्त निर्भरताओं को प्रभावी ढंगता से दर्शाते हैं, लेकिन आमतौर पर कई अध्ययनों या समूहों में साझा संकेतों (shared signals) को स्थिति-विशिष्ट संकेतों (condition-specific signals) से अलग नहीं कर पाते हैं। वर्तमान विभेदक नेटवर्क विश्लेषण विधियाँ प्रत्येक स्थिति के लिए अलग-अलग नेटवर्क का अनुमान लगाती हैं या सीधे अंतर का अनुमान लगाती हैं, जो इन निर्भरताओं के आधार पर साझा और अध्ययन-विशिष्ट योगदानों को स्पष्ट रूप से अलग करने में विफल रहती हैं। यह अंतराल एक ऐसे एकीकृत दृष्टिकोण की आवश्यकता को दर्शाता है जो विलुप्त चर प्रतिनिधित्वों के आधार पर साझा और भिन्न नेटवर्क पैटर्न की पहचान करने में सक्षम हो।

कार्यप्रणाली: MSFA-X
लेखक MSFA-X (एक्सटेंडेड मल्टी-स्टडी फैक्टर एनालिसिस) पेश करते हैं, जो एक नवीन ढांचा है जो मल्टी-स्टडी फैक्टर एनालिसिस (MSFA) को नेटवर्क मॉडलिंग के साथ जोड़कर विलुप्त चर-आधारित GGMs का निर्माण करता है।

मॉडल सूत्रीकरण (Model Formulation): MSFA-X मानक MSFA का विस्तार करता है, जो साझा कारकों ( $f_{is}$ ), अध्ययन-विशिष्ट कारकों ( $l_{is}$ ), और विघटित शोर घटकों (decomposed noise components) के योग के रूप में प्रेक्षित डेटा $x_{is}$ (अध्ययन $s$ में विषय $i$ के लिए) को मॉडल करता है। मानक MSFA के विपरीत, जहाँ अवशिष्ट सहप्रसरण (residual covariance) $\Psi_s$ एक एकल विकर्ण मैट्रिक्स (diagonal matrix) है, MSFA-X अवशिष्ट शोर को एक साझा घटक ( $\Gamma$ ) और एक अध्ययन-विशिष्ट घटक ( $H_s$ ) में विभाजित करता है। अध्ययन $s$ के लिए सहप्रसरण मैट्रिक्स को इस प्रकार विघटित किया गया है:
$\Sigma_s = \Phi\Phi^\top + \Lambda_s\Lambda_s^\top + \Gamma + H_s$
जहाँ $\Phi$ साझा लोडिंग्स को दर्शाता है, $\Lambda_s$ अध्ययन-विशिष्ट लोडिंग्स को दर्शाता है, और $\Gamma$ तथा $H_s$ फुल-रैंक विक럴 मैट्रिसेस (full-rank diagonal matrices) हैं।
प्रिसिजन मैट्रिक्स अनुमान (Precision Matrix Estimation): यह विघटन सुनिश्चित करता है कि साझा सहप्रसरण घटक ( $\Phi\Phi^\top + \Gamma$ ) और अध्ययन-विशिष्ट सहप्रसरण घटक ( $\Lambda_s\Lambda_s^\top + H_s$ ) व्युत्क्रमणीय (invertible) हैं। यह आंशिक सहसंबंधों (partial correlations) के आधार पर GGMs के किनारों (edges) को परिभाषित करने के लिए प्रिसिजन मैट्रिसेस ( $\Theta = \Sigma^{-1}$ ) के प्रत्यक्ष अनुमान की अनुमति देता है। यह दृष्टिकोण उन ट्यूनिंग मापदंडों (tuning parameters) की आवश्यकता को समाप्त करता है जो सिंगुलर मैट्रिसेस पर लागू होने वाले पेनलाइज्ड लाइकलीहुड मेथड्स जैसे कि ग्राफिकल लासो (glasso) के लिए आवश्यक होते हैं।
अनुमान और पहचान योग्यता (Estimation and Identifiability): मॉडल मापदंडों का अनुमान एक्सपेक्टेशन-कंडीशनल मैक्सिमाइजेशन (ECM) एल्गोरिदम का उपयोग करके लगाया जाता है। लेखक निम्नलिखित पहचान योग्यता (identifiability) संबंधी मुद्दों का समाधान करते हैं:
1. रोटेशन अनिश्चितता (Rotation Indeterminacy): इसे लोडिंग मैट्रिसेस पर ब्लॉक लोअर-ट्राइएंगुलर बाधाओं के माध्यम से हल किया गया है।
2. लेबल स्विचिंग (Label Switching): इसे भी उन्हीं बाधाओं द्वारा संबोधित किया गया है।
3. घटकों का पृथक्करण (Separation of Components): संयुक्त लोडिंग मैट्रिक्स पर रैंक बाधाओं द्वारा सुनिश्चित किया गया है।
4. शोर विघटन (Noise Decomposition): $\Gamma$ और $H_s$ का पृथक्करण सांख्यिकीय रूप से पहचान योग्य नहीं है (केवल उनका योग ही पहचान योग्य है)। लेखक $\Gamma$ को गैर-पहचान योग्यता क्षेत्र के केंद्र पर अनुमानित करने की एक व्यावहारिक रणनीति प्रस्तावित करते हैं ( $\hat{\gamma}_p = 0.5 \times \min_s \hat{\psi}_{ps}$ ), और तर्क देते हैं कि हालांकि व्यक्तिगत शोर अनुमान सुसंगत (consistent) नहीं हैं, फिर भी परिणामी प्रिसिजन मैट्रिक्स व्यावहारिक रूप से सार्थक रहते हैं।
महत्व परीक्षण (Significance Testing): एज सिग्निफिकेंस (edge significance) का मूल्यांकन एक एम्पिरिकल नल अप्रोच (empirical null approach) का उपयोग करके किया जाता है। नल डेटा को बिना किसी सशर्त जुड़ाव की धारणा के तहत उत्पन्न किया जाता है, और देखे गए एज वेट्स के वितरण के आधार पर देखे गए एज वेट्स के लिए एम्पिरिकल p-वैल्यू की गणना की जाती है।

मुख्य परिणाम

सिमुलेशन अध्ययन: दस सेटिंग्स (नमूना आकार, अध्ययनों की संख्या, कारकों और शोर स्तरों में भिन्नता) में व्यापक सिमुलेशन ने प्रदर्शित किया कि MSFA-X दोनों साझा और अध्ययन-विशिष्ट नेटवर्क संरचनाओं को रिकवर करने में मानक ग्राफिकल लासो बेंचमार्क की तुलना में काफी बेहतर प्रदर्शन करता है। विधि ने अनुमानित और वास्तविक एडजेसेंसी मैट्रिसेस के बीच उच्च मॉडिफाइड-RV गुणांक (अक्सर >0.99) प्राप्त किए, जबकि glasso-आधारित दृष्टिकोणों ने काफी कम गुणांक दिए, विशेष रूप से अध्ययन-विशिष्ट नेटवर्क के लिए।
HAPO अध्ययन अनुप्रयोग: हाइपरग्लेसेमिया एंड एडवर्स प्रेग्नेंसी आउटकम्स (HAPO) अध्ययन के मेटाबोलोमिक डेटा (3,463 प्रतिभागी: 576 GDM के साथ, 2,887 बिना GDM के) पर लागू करते हुए, MSFA-X ने निम्नलिखित की पहचान की:
- साझा नेटवर्क: दो विशिष्ट सब-नेटवर्क: एक जो अमीनो एसिड (AAs) को लॉन्ग-चेन एसाइलकार्निटाइन्स (long-chain acylcarnitines) के साथ जोड़ता है, और दूसरा जो शॉर्ट- और मीडियम-चेन एसाइलकार्निटाइन्स को जोड़ता है।
- स्थिति-विशिष्ट अंतर: बिना GDM वाली महिलाओं में, ग्लूटामाइन/ग्लूटामेट अमीनो एसिड (AAs) को शॉर्ट- और मीडियम-चेन एसाइलकार्निटाइन्स से जोड़ने वाले एक केंद्रीय हब के रूप में कार्य करता है। GDM वाली महिलाओं में, यह हब फंक्शन खो जाता है; ग्लूटामाइन/ग्लूटामेट शेष नेटवर्क से असंबद्ध हो जाता है। इसके विपरीत, एरोमैटिक अमीनो एसिड (हिस्टिडाइन, फेनिलएलनिन, टायरोसिन) विशेष रूप से GDM नेटवर्क में मजबूत हब बन जाते हैं।
- जैविक सत्यापन (Biological Validation): MSFA-X से प्राप्त विलुप्त कारक (latent factors) नवजात एडिपोसिटी (स्किनफोल्ड्स का योग) से जुड़े थे। GDM-विशिष्ट कारक (एरोमैटिक AAs पर लोडिंग) और साझा कारक, सह-चरों (covariates) के समायोजन के बाद भी, GDM वाली महिलाओं में नवजात एडिपोसिटी के साथ महत्वपूर्ण रूप से जुड़े थे। यह जुड़ाव बिना GDM वाली महिलाओं में नहीं देखा गया, जो यह सुझाव देता है कि MSFA-X द्वारा कैप्चर किया गया मेटाबॉलिक डिसरेगुलेशन, GDM वाली माताओं की संतान के लिए विशिष्ट जोखिम प्रदान करता है।

महत्व और दावे
यह पत्र दावा करता है कि MSFA-X साझा और अध्ययन-विशिष्ट संकेतों को स्पष्ट रूप से डीकन्वोल्यूट (deconvolute) करने के लिए एक विशिष्ट और व्याख्या योग्य परिप्रेक्ष्य प्रदान करता है, जो मौजूदा विभेदक नेटवर्क विश्लेषण विधियों में एक क्षमता की कमी है। लेखक का तर्क है कि विधि सफलतापूर्वक विलुप्त चरों द्वारा प्रेरित ग्राफिकल संरचनाओं को रिकवर करती है और साधारण बेंचमार्क से बेहतर प्रदर्शन करती है।

GDM के अनुप्रयोग से पता चलता है कि GDM का मेटाबॉलिक परिवेश एक व्यवस्थित व्यवधान (systemic disruption) है जहाँ प्रमुख नेटवर्क नोड्स (जैसे ग्लूटामाइन/ग्लूटामेट) अलग हो जाते हैं, और नए हब (एरोमैटिक AAs) उभरते हैं। लेखक निष्कर्ष निकालते हैं कि ये विलुप्त कारक मेटाबोलोमिक प्रोफाइल में जैविक रूप से सार्थक भिन्नता को कैप्चर करते हैं जो नवजात एडिपोसिटी से संबंधित है, जिससे यह समझने में मदद मिलती है कि मातृ GDM कैसे नवजात परिणामों को प्रभावित करता है। इस पद्धति को मल्टी-कंडीशन सेटिंग्स में विलुप्त चर संरचनाओं वाले किसी भी मल्टीवेरिएट नॉर्मल डेटा के लिए एक सामान्य उपकरण के रूप में प्रस्तुत किया गया है, जो केवल मेटाबोलोमिक्स तक सीमित नहीं है। MSFA-X को लागू करने वाला R पैकेज अनुसंधान समुदाय के लिए उपलब्ध कराया गया है।

एक बड़ी तस्वीर: एक अस्त-व्यस्त डांस फ्लोर को सुलझाना

पुराने तरीकों के साथ समस्या

समाधान: MSFA-X (एक "स्प्लिट-स्क्रीन" कैमरा)

उन्होंने HAPO अध्ययन में क्या पाया

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

इसी तरह के और पेपर