📊 statistics

Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis

यह शोध पत्र प्रदर्शित करता है कि जबकि कंडीशनल डेटा फिशन (conditional data fission) का लक्ष्य मिश्रण घटकों (mixture components) को विघटित करके scRNA-seq में वैध पोस्ट-क्लस्टरिंग विभेदक विश्लेषण (post-clustering differential analysis) को सक्षम करना है, इसका व्यावहारिक अनुप्रयोग मौलिक रूप से सीमित है क्योंकि सटीक पैरामीटर अनुमान लगाने और टाइप I त्रुटि दरों (Type I error rates) को नियंत्रित करने के लिए इसे अज्ञात क्लस्टरिंग संरचना के पूर्व ज्ञान की आवश्यकता होती है।

मूल लेखक: Benjamin Hivert, Denis Agniel, Rodolphe Thiébaut, Boris P. Hejblum

प्रकाशित 2026-03-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Benjamin Hivert, Denis Agniel, Rodolphe Thiébaut, Boris P. Hejblum

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

यहाँ इस शोध पत्र (paper) का सरल भाषा, उपमाओं (analogies) और रूपकों (metaphors) के साथ विवरण दिया गया है।

मुख्य चित्र: "डबल-डिपिंग" (Double-Dipping) की समस्या

कल्पना कीजिए कि आप एक जासूस हैं जो किसी रहस्य को सुलझाने की कोशिश कर रहे हैं। आपके पास अपराध स्थल से मिले सुरागों (डेटा) का एक ढेर है।

चरण 1: आप सुरागों को देखते हैं ताकि उन्हें "संदिग्धों" (suspects) के समूहों में बाँटा जा सके। आप कहते हैं, "ठीक है, ये तीन सुराग संदिग्ध A से संबंधित लगते हैं, और ये तीन संदिग्ध B से।"
चरण 2: फिर आप उन्हीं समान सुरागों को लेकर पूछते हैं, "क्या संदिग्ध A और संदिग्ध B के बीच वास्तव में कोई अंतर है?"

समस्या यह है कि आपने समूहों को बनाने के लिए उन्हीं सुरागों का उपयोग किया था। यदि चरण 2 में आपको कोई अंतर मिलता है, तो यह केवल इसलिए हो सकता है क्योंकि आपने चरण 1 में समूहों को अलग दिखने के लिए मजबूर किया था। सांख्यिकी (statistics) में इसे "डबल-डिपिंग" कहा जाता है, और इससे गलत सूचनाएं/अलार्म (false alarms) मिलते हैं (यह सोचना कि आपने एक अंतर खोज लिया है जबकि वास्तव में ऐसा नहीं है)।

प्रस्तावित समाधान: "डेटा फिशन" (Data Fission - सुरागों को विभाजित करना)

इसे ठीक करने के लिए, वैज्ञानिकों ने "डेटा फिशन" (या "डेटा थिनिंग") नामक एक चतुर तरकीब प्रस्तावित की।

कल्पना कीजिए कि आपके पास ब्रेड का एक जादुई लोफ (loaf) है (आपका डेटा)। पूरे लोफ का उपयोग संदिग्धों को खोजने और फिर उन्हीं से परीक्षण करने के बजाय, आप जादुई रूप से इसे दो स्वतंत्र हिस्सों में विभाजित करते हैं:

लोफ A: आप इसका उपयोग संदिग्धों को खोजने के लिए करते हैं (Clustering)।
लोफ B: आप यह परीक्षण करने के लिए इसका उपयोग करते हैं कि क्या संदिग्ध वास्तव में अलग हैं (Differential Analysis)।

चूंकि लोफ A और लोफ B स्वतंत्र हैं, इसलिए लोफ A का उपयोग समूहों को खोजने के लिए करने से लोफ B का परीक्षण करते समय कोई "बेईमानी" (cheat) नहीं होती है। यह सुनने में एकदम सही लगता है, है ना?

पेच: "मिश्रण" (Mixture) की समस्या

यह पेपर तर्क देता है कि यह जादुय विभाजन की तरकीब वास्तविक दुनिया में एक विशिष्ट प्रकार के डेटा (जैसे सिंगल-सेल आरएनए सीक्वेंसिंग, जिसका उपयोग व्यक्तिगत कोशिकाओं के अध्ययन के लिए किया जाता है) के लिए काम नहीं करती है।

यहाँ उपमा दी गई है:
कल्पना कीजिए कि आपका "ब्रेड का लोफ" एक समान लोफ नहीं है। यह वास्तव में दो अलग-अलग प्रकार के आटे का एक मिश्रण है जिसे एक साथ पकाया गया है: चॉकलेट और वैनिला।

चॉकलेट आटा एक समूह की कोशिकाओं का प्रतिनिधित्व करता है।
वैनिला आटा दूसरे समूह का प्रतिनिधित्व करता है।

"डेटा फिशन" की तरकीब उस लोफ के लिए बनाई गई थी जो 100% वैनिला या 100% चॉकलेट हो। इसे मिश्रित लोफ को संभालने का तरीका नहीं पता है।

यह तरकीब क्यों विफल होती है

जब आप मिश्रित लोफ (चॉकलेट + वैनिला) को मानक नियमों का उपयोग करके विभाजित करने की कोशिश करते हैं:

"ग्लोबल" विभाजन (Marginal Fission): आप पूरे लोफ को उसके औसत स्वाद के आधार पर विभाजित करने की कोशिश करते हैं।
- परिणाम: आप अंततः दो ऐसे हिस्से पाते हैं जो चॉकलेट और वैनिला का एक अजीब, मिला-जुला मिश्रण हैं।
- परिणामस्वरूप: जब आप पहले हिस्से का उपयोग समूहों को खोजने के लिए करते हैं, तो आपको लग सकता है कि आपने एक "चॉकलेट समूह" और एक "वैनिला समूह" खोज लिया है। लेकिन चूंकि दूसरा हिस्सा अभी भी एक मिला-जुला मिश्रण है, इसलिए आप जिस परीक्षण का उपयोग करते हैं वह दूषित (contaminated) है। आपको गलत अलार्म (false alarms) मिलते हैं क्योंकि दूसरा "मिश्रित" हिस्सा अभी भी गुप्त रूप से पहले हिस्से की संरचना को याद रखता है।
"परफेक्ट" विभाजन (Conditional Fission): इसे सही ढंग से करने के लिए, आपको यह जानना होगा कि कौन सा आटे का टुकड़ा चॉकलेट है और कौन सा वैनिला है, इससे पहले कि आप उन्हें विभाजित करें।
- पेच: यदि आप पहले से ही जानते कि चॉकलेट वाला टुकड़ा कौन सा है और वैनिला वाला कौन सा है, तो आपको जासूसी (clustering) करने की आवश्यकता ही नहीं पड़ती!
- विरोधाभास (Paradox): डेटा को सही ढंग से विभाजित करने के लिए, आपको उत्तर पता होना चाहिए। लेकिन आपको उत्तर खोजने के लिए डेटा को विभाजित करने की आवश्यकता है। यह एक चक्रीय लूप (circular loop) है।

वास्तविक दुनिया के परिणाम

लेखकों ने इसे सिद्ध करने के लिए सिमुलेशन चलाए। उन्होंने यह पाया:

विचलन का जाल (The Variance Trap): डेटा को सही ढंग से विभाजित करने के लिए, आपको डेटा के "फैलाव" (variance) को जानने की आवश्यकता है। एक मिश्रित समूह में, फैलाव चॉकलेट और वैनिला के लिए अलग-अलग होता है। यदि आप पूरे मिश्रित लोफ के आधार पर फैलाव का अनुमान लगाते हैं, तो आपका अनुमान गलत होगा।
परिणाम: क्योंकि आपका अनुमान गलत है, डेटा के दोनों हिस्से वास्तव में स्वतंत्र नहीं हैं। वे अभी भी एक-दूसरे से "बात" कर रहे हैं। इससे सांख्यिकीय परीक्षण (statistical tests) अनियंत्रित हो जाते हैं, जिससे टाइप I त्रुटियां (Type I errors) उत्पन्न होती हैं (यह कहना कि "हमें एक अंतर मिल गया है!" जबकि वास्तव में ऐसा कोई अंतर नहीं है)।

सिंगल-सेल आरएनए सीक्वेंसिंग (scRNA-seq) का उदाहरण

पेपर विशेष रूप से सिंगल-सेल आरएनए सीक्वेंसिंग पर केंद्रित है, जो शरीर की हर कोशिका की फोटो लेने जैसा है ताकि यह देखा जा सके कि वे क्या कर रही हैं।

ये कोशिकाएं स्वाभाविक रूप से समूह बनाती हैं (जैसे प्रतिरक्षा कोशिकाएं बनाम मांसपेशी कोशिकाएं)।
वैज्ञानिक इन समूहों का अध्ययन करने के लिए डेटा फिशन का उपयोग करना चाहते हैं ताकि बेईमानी न हो।
वास्तविकता: जब उन्होंने वास्तविक बोन मैरो (bone marrow) डेटा पर इसे आज़माया, तो यह तरीका पूरी तरह से विफल रहा। इसने समूहों के बीच ऐसे "अंतर" खोजे जो मौजूद ही नहीं थे, केवल इसलिए क्योंकि यह तरीका इस तथ्य को नहीं संभाल सका कि डेटा विभिन्न सेल प्रकारों का एक जटिल मिश्रण है।

निष्कर्ष (The Bottom Line)

डेटा फिशन और डेटा थिनिंग एक जादू के खेल की तरह हैं जो केवल एक एकल, समान पृष्ठभूमि वाले मंच पर काम करते हैं।

वास्तविक दुनिया में, जहाँ डेटा विभिन्न समूहों का एक जटिल मिश्रण (जैसे चॉकलेट-वैनिला का मिश्रण) है:

यदि आप इसे अंधे होकर विभाजित करने की कोशिश करते हैं: तो आपको गलत परिणाम (false positives) मिलते हैं।
यदि आप इसे सही ढंग से विभाजित करने की कोशिश करते हैं: तो आपको पहले से ही समूहों को जानना होगा, जो विश्लेषण के उद्देश्य को ही समाप्त कर देता है।

निष्कर्ष: हालांकि डेटा को विभाजित करने का विचार (ताकि बेईमानी से बचा जा सके) शानदार है, पेपर यह निष्कर्ष निकालता है कि हम वर्तमान में इस विधि का वास्तविक दुनिया के जैविक डेटा के लिए उपयोग नहीं कर सकते क्योंकि हमारे पास वह "गुप्त कुंजी" (सच्चा ग्रुप लेबल) नहीं है जो इस विभाजन को सफल बनाने के लिए आवश्यक है। हमें नए तरीकों की आवश्यकता है जो परीक्षण शुरू करने से पहले उत्तर जानने पर निर्भर न हों।

यहाँ Hivert et al. के शोध पत्र "Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis" का विस्तृत तकनीकी सारांश दिया गया है:

1. समस्या विवरण (Problem Statement)

सिंगल-सेल आरएनए सीक्वेंसिंग (scRNA-seq) और अन्य उच्च-आयामी डेटा विश्लेषणों में, एक सामान्य वर्कफ़्लो में दो-चरणीय पाइपलाइन शामिल होती है:

क्लस्टरिंग (Clustering): अवलोकनों (जैसे कोशिकाओं) को सजातीय उप-जनसंख्याओं (homogeneous sub-populations) में समूहित करना।
डिफरेंशियल विश्लेषण (Differential Analysis): इन अनुमानित क्लस्टरों के बीच अंतर (जैसे जीन अभिव्यक्ति) का परीक्षण करना।

यह वर्कफ़्लो "डबल-डिपिंग" (double-dipping) (क्लस्टरिंग और परीक्षण दोनों के लिए एक ही डेटा का उपयोग करना) से ग्रस्त है, जो टाइप I त्रुटि दर (गलत सकारात्मक/false positives) को बढ़ा देता है क्योंकि क्लस्टरिंग चरण की अनिश्चितता को अनदेखा कर दिया जाता है।

इसे संबोधित करने के लिए, हाल ही में डेटा फिशन (Data Fission) (Leiner et al., 2023) और डेटा थिनिंग (Data Thinning) (Neufeld et al., 2024) जैसे तरीके प्रस्तावित किए गए थे। ये विधियाँ एक एकल अवलोकन $X$ को दो स्वतंत्र भागों, $X^{(1)}$ और $X^{(2)}$ में विभाजित करती हैं। सैद्धांतिक रूप से, $X^{(1)}$ का उपयोग क्लस्टरिंग के लिए किया जाता है, और $X^{(2)}$ का उपयोग डिफरेंशियल टेस्टिंग के लिए किया जाता है, जिससे स्वतंत्रता और वैध निष्कर्ष सुनिश्चित होता है।

मुख्य मुद्दा: ये विधियाँ मजबूत पैरामेट्रिक धारणाओं (जैसे Gaussian या Negative Binomial वितरण) पर निर्भर करती हैं जो सजातीयता (homogeneity) (कोई अंतर्निहित क्लस्टर नहीं) मानती हैं। हालाँकि, वास्तविक दुनिया का डेटा (जैसे scRNA-seq) स्वाभाविक रूप से विषम (heterogeneous) होता है और इसे मिश्रण वितरणों (mixture distributions) द्वारा बेहतर ढंग से मॉडल किया जा सकता है। यह शोध पत्र जांच करता है कि क्या डेटा फिशन/थिनिंग को ऐसे मिश्रण डेटा (mixture data) पर व्यावहारिक रूप से लागू किया जा सकता है।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

लेखक फाइनाइट मिक्सचर मॉडल्स (Finite Mixture Models) के ढांचे के भीतर डेटा फिशन/थिनिंग के अनुप्रयोग का विश्लेषण करते हैं, जहाँ डेटा $X_i$ विशिष्ट मापदंडों ( $\mu_g, \Sigma_g$ ) वाले $G$ गुप्त क्लस्टरों में से एक से उत्पन्न होता है।

A. मार्जिनल बनाम कंडिशनल डीकंपोजिशन (Marginal vs. Conditional Decomposition)

पेपर डीकंपोजिशन के दो दृष्टिकोणों के बीच अंतर करता है:

मार्जनल डेटा फिशन/थिनिंग (Marginal Data Fission/Thinning): पूरे डेटासेट से अनुमानित वैश्विक मापदंडों (जैसे समग्र भिन्नता $\Sigma$ $Σ$ ) का उपयोग करता है, जो गुप्त क्लस्टर सदस्यता ( $Z_i$ $Z_{i}$ ) को अनदेखा करता है।
- मान्यता: डेटा सजातीय है।
- परिणाम: $X^{(1)}$ और $X^{(2)}$ मार्जिनली स्वतंत्र हैं लेकिन वास्तविक क्लस्टर $Z_i$ के दिए होने पर कंडीशनली डिपेंडेंट (conditionally dependent) हैं।
कंडीशनल डेटा फिशन/थिनिंग (Conditional Data Fission/Thinning): वास्तविक क्लस्टर सदस्यता $Z_i$ $Z_{i}$ की स्थिति में घटक-विशिष्ट मापदंडों ( $\Sigma_g$ $Σ_{g}$ ) का उपयोग करके डेटा को विभाजित करता है।
- मान्यता: वास्तविक क्लस्टर संरचना ज्ञात है।
- परिणाम: $Z_i$ के दिए होने पर $X^{(1)}$ और $X^{(2)}$ कंडिशनली स्वतंत्र हैं, और उनके बीच का मार्जनल डिपेंडेंस क्लस्टर संरचना को सुरक्षित रखता है।

B. वेरिएंस एस्टीमेशन बायस (The Variance Estimation Bias)

लेखक व्युत्पन्न करते हैं कि $X^{(1)}$ और $X^{(2)}$ के बीच स्वतंत्रता सख्ती से वास्तविक स्केल मापदंडों (वेरिएंस $\Sigma$ या ओवरडिस्पर्शन $\theta$ ) का उपयोग करने पर निर्भर करती है।

प्रपोजिशन 1: यदि वास्तविक $\Sigma$ के स्थान पर एक पक्षपाती (biased) अनुमान $\hat{\Sigma}$ का उपयोग किया जाता है, तो विभाजित हिस्सों के बीच सहप्रसरण (covariance) गैर-शून्य हो जाता है: $\text{Cov}(X^{(1)}, X^{(2)}) = \Sigma - \hat{\Sigma}$ ।
मिश्रण मॉडलों में, वैश्विक अनुमान $\hat{\Sigma}$ , घटक-विशिष्ट वेरिएंस के भारित औसत और माध्य के वेरिएंस का योग होता है। यह वास्तविक घटक-विशिष्ट वेरिएंस $\Sigma_g$ के सापेक्ष एक बायस (bias) पैदा करता है।
यह बायस $X^{(1)}$ और $X^{(2)}$ के बीच स्पूरियस कोरिलेशन (spurious correlations) उत्पन्न करता है, जिससे क्लस्टरिंग चरण ( $X^{(1)}$ ) की खामियां टेस्टिंग चरण ( $X^{(2)}$ ) में "लीक" हो जाती हैं, जिससे टाइप I एरर बढ़ जाता है।

C. मल्टीवेरिएट सीमाएं (Multivariate Limitations - Negative Binomial)

यह पेपर यह भी रेखांकित करता है कि मानक नेगेटिव बिनोमियल डेटा थिनिंग यूनिवेरिएट (univariate) है (प्रत्येक जीन पर स्वतंत्र रूप से लागू)। यह चरों (जीन) के बीच मल्टीवेरिएट कोरिलेशन (multivariate correlations) को ध्यान में रखने में विफल रहता है। भले ही ओवरडिस्पर्शन पैरामीटर को पूरी तरह से अनुमानित किया गया हो, जीन ( $X_j$ और $X_k$ ) के बीच सहसंबंध $X^{(1)}_j$ और $X^{(2)}_k$ के बीच निर्भरता पैदा करते हैं, जो वैध निष्कर्ष के लिए आवश्यक स्वतंत्रता की धारणा का उल्लंघन करता है।

3. मुख्य योगदान (Key Contributions)

असंगतता का सैद्धांतिक प्रमाण: लेखक सिद्ध करते हैं कि मिश्रण डेटा पर मार्जनल डेटा फिशन/थिनिंग लागू करना पोस्ट-क्लस्टरिंग निष्कर्ष के लिए आवश्यक स्वतंत्रता की धारणा का उल्लंघन करता है। यह विधि प्रभावी रूप से एक "ग्लोबल नल" (global null) मान लेती है जिसमें कोई क्लस्टर नहीं है, जो क्लस्टर वाले डेटा की वास्तविकता के विपरीत है।
टाइप I एरर इन्फ्लेशन का परिमाणीकरण: वे वेरिएंस एस्टीमेशन में बायस और डाउनस्ट्रीम t-टेस्ट की टाइप I एरर दर के बीच संबंध का एक विश्लेषणात्मक विवरण प्रदान करते हैं। वे दिखाते हैं कि स्केल पैरामीटर के अनुमान में छोटा सा बायस भी टाइप I एरर को काफी बढ़ा सकता है।
"चक्रीयता" की समस्या (The "Circularity" Problem): पेपर एक मौलिक तार्किक लूप की पहचान करता है:
- वैध कंडीशनल फिशन करने के लिए, आपको वास्तविक क्लस्टर सदस्यता ( $Z_i$ ) और घटक-विशिष्ट मापदंडों को जानना होगा।
- हालाँकि, विश्लेषण का लक्ष्य इन क्लस्टरों को खोजना है।
- इसलिए, विधि को विश्लेषण शुरू करने से पहले ही उत्तर (क्लस्टर्स) जानने की आवश्यकता होती है, जो इसे वास्तविक खोज (discovery) सेटिंग्स के लिए अव्यावहारिक बनाता है।
scRNA-seq में मल्टीवेरिएट विफलता: वे प्रदर्शित करते हैं कि उच्च-आयामी सेटिंग्स (जैसे scRNA-seq) में यूनिवेरिएट डेटा थिनिंग विफल हो जाता है क्योंकि यह जीन के बीच इंटर-जीन कोरिलेशन को अनदेखा करता है, जिससे भारी टाइप I एरर इन्फ्लेशन होता है।

4. परिणाम (Results)

लेखकों ने सिमुलेशन और वास्तविक डेटा विश्लेषण (Tabula Sapiens डेटासेट) के माध्यम से अपने सिद्धांत को सत्यापित किया:

सिमुलेशन (Gaussian Mixtures):
- मार्जनल फिशन: इसने गंभीर रूप से सांख्यिकीय शक्ति (statistical power) को कम किया और टाइप I एरर दर को बढ़ाया। जब एक वास्तविक क्लस्टर को एल्गोरिदम द्वारा दो कृत्रिम क्लस्टरों में विभाजित किया गया, तो मार्जनल फिशन इसे गलत सकारात्मक (false positive) के रूप में पहचानने में विफल रहा, बल्कि इस विभाजन को वास्तविक अंतर के रूप में माना।
- कंडिशनल फिशन: इसने केवल तभी पूर्ण टाइप I एरर नियंत्रण और उच्च शक्ति प्राप्त की जब वास्तविक क्लस्टर लेबल प्रदान किए गए थे (ओरेकल परिदृश्य)। जब लेबल का अनुमान लगाया गया, तो प्रदर्शन गिर गया।
- ट्यूनिंग पैरामीटर ( $\tau$ ): क्लस्टरिंग सटीकता ( $X^{(1)}$ ) और टेस्टिंग पावर ( $X^{(2)}$ ) के बीच का ट्रेड-ऑफ $\tau$ पर अत्यधिक निर्भर है। मार्जनल फिशन संरचनात्मक विच्छेद के कारण इसे प्रभावी ढंग से संतुलित नहीं कर सकता है।
सिमुलेशन (Negative Binomial Mixtures):
- ग्लोबल ओवरडिस्पर्शन अनुमान का उपयोग करने वाले मार्जनल थिनिंग ने नॉन-यूनिफॉर्म p-वैल्यू और बढ़ी हुई टाइप I एरर दर दिखाई।
- मल्टीवेरिएट कोरिलेशन: सह-संबंधित चरों वाले सेटिंग में, नेगेटिव बिनोमियल थिनिंग (यूनिवेरिएट) ने दिखाया कि जैसे-जैसे कोरिलेशन स्ट्रेंथ ( $\rho$ ) बढ़ती है, टाइप I एरर बढ़ता जाता है, जबकि मल्टीवेरिएट गौसियन फिशन (जो कोवेरिएंस को ध्यान में रखता है) नियंत्रण बनाए रखता है।
वास्तविक डेटा अनुप्रयोग (Tabula Sapiens):
- एक होमोजेनियस बोन मैरो डेटासेट का विश्लेषण किया (जहाँ कोई वास्तविक क्लस्टर अपेक्षित नहीं था)।
- मल्टीवेरिएट क्लस्टरिंग: नेगेटिव बिनोमियल थिनिंग के बाद k-means और विल्कोक्सन टेस्टिंग लागू की गई। परिणाम: टाइप I एरर रेट = 1.0 (100% गलत सकारात्मक)। थिनिंग के बाद भी बचे हुए इंटर-जीन कोरिलेशन के कारण एल्गोरिदम ने स्पूरियस क्लस्टर खोज लिए।
- यूनिवेरिएट क्लस्टरिंग: जब क्लस्टरिंग जीन-दर-जीन की गई (कोरिलेशन को अनदेखा करते हुए), तो टाइप I एरर निर्धारित स्तर (0.05) पर नियंत्रित रहा। इसने पुष्टि की कि विफलता यूनिवेरिएट प्रकृति के कारण थी जो मल्टीवेरिएट डिपेंडेंसी को संभालने में विफल रही।

5. महत्व और निष्कर्ष (Significance and Conclusion)

महत्व:
यह पेपर डेटा फिशन और डेटा थिनिंग के लिए एक महत्वपूर्ण "रियलिटी चेक" प्रदान करता है। हालांकि ये विधियाँ सजातीय डेटा के लिए गणितीय रूप से सुंदर हैं, लेखक सिद्ध करते हैं कि वे विषम जैविक डेटा (जैसे scRNA-seq) के लिए, जिसके लिए उन्हें बनाया गया था, व्यावहारिक रूप से अनुपयोगी हैं।

मुख्य बातें:

मार्जनल दृष्टिकोण अमान्य हैं: क्लस्टर वाले डेटा में फिशन के लिए वैश्विक मापदंडों का उपयोग करने से ऐसी निर्भरताएँ उत्पन्न होती हैं जो सांख्यिकीय परीक्षणों को अमान्य कर देती हैं।
कंडीशनल दृष्टिकोण अव्यावहारिक हैं: एकमात्र वैध दृष्टिकोण (कंडीशनल फिशन) के लिए क्लस्टरों का पूर्व ज्ञान आवश्यक है, जो एक चक्रीय निर्भरता (circular dependency) बनाता है जो खोज (discovery) सेटिंग्स में इसके उपयोग को रोकता है।
मल्टीवेरिएट सीमाएं: यूनिवेरिएट थिनिंग विधियाँ जीनोमिक डेटा में निहित कोरिलेशन संरचनाओं को संभालने में सक्षम नहीं हैं, जिससे विनाशकारी गलत सकारात्मक दरें आती हैं।

निष्कर्ष:
लेखक निष्कर्ष निकालते हैं कि डेटा फिशन और थिनिंग, अपने वर्तमान स्वरूप में, वास्तविक दुनिया के पोस्ट-क्लस्टरिंग विश्लेषण में "डबल-डिपिंग" की समस्या को हल नहीं कर सकते हैं। वे उन वैकल्पिक पद्धतियों की आवश्यकता पर बल देते जो उन क्लस्टरों के पूर्व ज्ञान की आवश्यकता के बिना अज्ञात क्लास संरचनाओं और मल्टीवेरिएट डिपेंडेंसी को संभाल सकें जिन्हें वे खोजने का प्रयास कर रहे हैं। वे यह भी उल्लेख करते हैं कि भविष्य के कार्यों में हेटेरोसेडास्टिक मॉडल या नॉन-पैरामीट्रिक वेरिएंस एस्टीमेशन की खोज की जा सकती है, लेकिन वे नोट करते हैं कि इन्हें भी महत्वपूर्ण व्यावहारिक चुनौतियों का सामना करना पड़ता है।