📊 statistics

Conformal inference for cell type annotation with graph-structured constraints

यह शोध पत्र एक नवीन कॉन्फॉर्मल इन्फरेंस फ्रेमवर्क प्रस्तुत करता है जिसे R पैकेज `scConform` में कार्यान्वित किया गया है, जो सिंगल-सेल ट्रांसक्रिप्टोमिक्स में सेल-टाइप एनोटेशन की व्याख्यात्मकता और सुसंगतता को बढ़ाने के साथ-साथ प्रशिक्षण और परीक्षण डेटा के बीच वितरण बदलावों (डिस्ट्रीब्यूशन शिफ्ट्स) को संबोधित करने के लिए ग्राफ-स्ट्रक्चर्ड सेल ऑन्टोलॉजी और रिस्क कंट्रोल का लाभ उठाता है।

मूल लेखक: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

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 एक सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: सुरक्षा जाल के साथ अनुमान लगाना

कल्पना कीजिए कि आप 15 अलग-अलग लोगों की एक लाइन में से किसी संदिग्ध की पहचान करने की कोशिश कर रहे हैं। एक मानक कंप्यूटर मॉडल एक ऐसे जासूस की तरह काम करता है जो किसी एक व्यक्ति की ओर इशारा करता है और कहता है, "वही है!" लेकिन कभी-कभी, जासूस 100% निश्चित नहीं होता। हो सकता है कि संदिग्ध व्यक्ति A जैसा दिखता हो, लेकिन थोड़ा व्यक्ति B जैसा भी हो।

यदि जासूस केवल व्यक्ति A को चुनता है, तो वह गलत हो सकता है। यदि वह A और B दोनों को चुनता है, तो वह अधिक सुरक्षित है, लेकिन यदि A और B एक-दूसरे के लिए पूरी तरह अजनबी हैं (जैसे एक बेकर और एक पायलट), तो वह सूची बहुत अधिक तर्कसंगली नहीं लगेगी।

यह शोध पत्र कंप्यूटरों के लिए ये अनुमान लगाने का एक नया तरीका पेश करता है। केवल एक व्यक्ति की ओर इशारा करने के बजाय, यह संभावनाओं की एक सूची देता है जो अधिकांश समय वास्तविक उत्तर को शामिल करने की गारंटी देती है। इससे भी बेहतर, यह सुनिश्चित करता है कि सूची में मौजूद लोग एक-दूसरे से संबंधित हों, जैसे कि एक वंशावली (family tree), ताकि सूची तार्किक रूप से सही लगे।

समस्या: कोशिकाओं का "वंश वृक्ष" (Family Tree)

जीव विज्ञान में, वैज्ञानिक कोशिकाओं नामक सूक्ष्म निर्माण खंडों का अध्ययन करते हैं। कई प्रकार की कोशिकाएं होती हैं (जैसे T-cells, B-cells, मांसपेशी कोशिकाएं), और वे एक विशिष्ट पदानुक्रम (hierarchy) में एक-दूसरे से जुड़ी होती हैं, बिल्कुल एक वंशावली की तरह।

वृक्ष (The Tree): सभी "T-cells", "Lymphocytes" की संतान हैं। "CD4+ T-cells" और "CD8+ T-cells" चचेरे भाई-बहन हैं।
समस्या: पुराने कंप्यूटर तरीके यह कह सकते हैं कि एक कोशिका या तो "CD4+ T-cell" है या "मांसपेशी कोशिका (Muscle Cell)" है। ये दोनों वंशावली में एक-दूसरे से बहुत दूर हैं। यदि कंप्यूटर भ्रमित है, तो आपको एक ऐसी सूची देना जिसमें ये दो असंबंधित विकल्प हों, भ्रमित करने वाला और बहुत उपयोगी नहीं है।

समाधान: एक "स्मार्ट सुरक्षा जाल" (Smart Safety Net)

लेखकों ने कन्फॉर्मल इन्फरेंस (Conformal Inference) नामक एक विधि विकसित की है। इसे भविष्यवाणियों के लिए एक "सुरक्षा जाल" के रूप में सोचें।

गारंटी: यह विधि वादा करती है, "यदि आप मेरी अनुमानों की सूची का उपयोग करते हैं, तो मैं गारंटी देता हूँ कि वास्तविक उत्तर 90% समय उस सूची के भीतर होगा।" मूल कंप्यूटर मॉडल कितना भी अच्छा या बुरा क्यों न हो; सुरक्षा जाल इस वादे को निभाने के लिए खुद को समायोजित करता है।
ग्राफ बाधा (The Graph Constraint): यह इस शोध पत्र का विशेष मोड़ है। केवल यादृच्छिक (random) अनुमान पकड़ने के बजाय, यह विधि "वंश वृक्ष" (Family Tree) को देखती है।
- यदि कंप्यूटर बहुत आश्वस्त है, तो यह आपको वृक्ष की एक विशिष्ट पत्ती (leaf) देता है (जैसे, "CD4+ T-cell")।
- यदि कंप्यूटर अनिश्चित है, तो दूर के रिश्तेदारों का मिश्रण देने के बजाय, यह ऊपर की ओर बढ़कर एक साझा पूर्वज (common ancestor) तक जाता है।
- उदाहरण: यदि आप सुनिश्चित नहीं हैं कि संदिग्ध "CD4+ T-cell" है या "CD8+ T-cell", तो यह विधि दोनों को सूचीबद्ध नहीं करती है। इसके बजाय, यह कहती है, "यह निश्चित रूप से एक T-cell है।" यह एक स्पष्ट उत्तर है जो बिना भ्रमित किए दोनों संभावनाओं को कवर करता है।

"अलग कमरों" की समस्या को संभालना (Distribution Shift)

कल्पना कीजिए कि आपने अपने जासूस को न्यूयॉर्क के लोगों की तस्वीरों का उपयोग करके प्रशिक्षित किया है, लेकिन अब आप टोक्यो के लोगों की पहचान करने की कोशिश कर रहे हैं। रोशनी, कपड़े और औसत विशेषताएं अलग हो सकती हैं। इसे "डिस्ट्रीब्यूशन शिफ्ट" कहा जाता है।

समस्या: यदि आपने "मांसपेशी कोशिकाओं" वाले डेटासेट पर कंप्यूटर को प्रशिक्षित किया है और आप इसे "रक्त कोशिकाओं" वाले डेटासेट पर टेस्ट करते हैं, तो सुरक्षा जाल टूट सकता है क्योंकि कंप्यूटर नए मिश्रण से भ्रमित हो जाता है।
समाधान: लेखकों ने एक "रीसैंपलिंग" (resampling) ट्रिक बनाई है। अंतिम सुरक्षा जाल बनाने से पहले, वे कल्पना करते हैं कि उन्होंने प्रशिक्षण तस्वीरों को इस तरह से मिलाया है कि प्रशिक्षण कक्ष में लोगों का मिश्रण ठीक वैसा ही दिखता है जैसा परीक्षण कक्ष में है। यह मदद करता है कि सुरक्षा जाल सही ढंग से काम करे, भले ही डेटा अलग-अलग स्रोतों (जैसे अलग अस्पतालों या रोगियों) से आया हो।

वास्तविक दुनिया के परीक्षण

लेखकों ने इस विचार का दो तरीकों से परीक्षण किया:

माउस गट टेस्ट (The Mouse Gut Test): उन्होंने चूहे की आंतों के डेटा का उपयोग किया। उन्होंने पाया कि उनकी नई विधि ने अधिक तार्किक सूचियाँ बनाईं। जब कंप्यूटर अनिश्चित था, तो इसने संबंधित कोशिकाओं को एक साथ समूहबद्ध किया (जैसे "CD4" और "B-cell" को मिलाने के बजाय "T-cell" कहना)। उन्होंने यह भी दिखाया कि जब कंप्यूटर वास्तव में भ्रमित था (जैसे कि ऐसी कोशिका के प्रकार के साथ जिसे उसने पहले कभी नहीं देखा), तो उनकी विधि ने कहा, "मुझे नहीं पता, यह इनमें से कोई भी हो सकता है," जो कि एक ईमानदार और उपयोगी उत्तर है।
कोविड-19 टेस्ट (The COVID-19 Test): उन्होंने कोविड-19 रोगियों के रक्त कोशिकाओं का अध्ययन किया। उन्होंने एक ऐसी स्थिति का अनुकरण (simulate) किया जहाँ उन्हें पुराने डेटा के आधार पर सेल प्रकारों की भविष्यवाणी करनी थी। उनकी विधि ने पुराने और नए डेटा के बीच सेल काउंट के अंतर को सफलतापूर्वक संभाला, जिससे जैविक वंशावली का सम्मान करने वाली विश्वसनीय अनुमानित सूचियाँ प्रदान की गईं।

निष्कर्ष

यह शोध पत्र वैज्ञानिकों को ऐसी कोशिका भविष्यवाणियां करने के लिए एक उपकरण देता है जो हैं:

ईमानदार: वे स्वीकार करते हैं कि वे अनिश्चित हैं और एक व्यापक, सुरक्षित सूची देते हैं।
तार्किक: उनकी सूचियाँ जैविक वंशावली का सम्मान करती हैं, ताकि उत्तर समझ में आ सकें।
विश्वसनीय: उनके पास एक गणितीय गारंटी है कि सही उत्तर आमतौर पर सूची में होता है।
अनुकूलनीय: वे स्थितियों को संभाल सकते हैं जहाँ नया डेटा पुराने प्रशिक्षण डेटा से भिन्न दिखता है।

लेखकों ने इस उपकरण को scConform नामक एक मुफ्त सॉफ्टवेयर पैकेज के रूप में उपलब्ध कराया है ताकि अन्य वैज्ञानिक अपनी कोशिका भविष्यवाणियों को अधिक विश्वसनीय बनाने के लिए इसका उपयोग कर सकें।

तकनीकी सारांश: ग्राफ-संरचित बाधाओं के साथ सेल प्रकार एनोटेशन के लिए कॉन्फॉर्मल इन्फरेंस (Conformal Inference)

समस्या विवरण
सिंगल-सेल ट्रांसक्रिप्टोमिक्स सेल प्रकार की भविष्यवाणी करने में महत्वपूर्ण चुनौतियों का सामना करता है, विशेष रूप से अनिश्चितता के परिमाणीकरण (uncertainty quantification) के संबंध में। पारंपरिक संदर्भ-आधारित दृष्टिकोण अक्सर पॉइंट प्रेडिक्शन (उच्चतम संभावना वाले एकल लेबल को सौंपना) पर निर्भर करते हैं, जो मॉडल की अंतर्निहित अनिश्चितता को पकड़ने में विफल रहते हैं, विशेष रूप से जब कई सेल प्रकारों की संभावनाएं तुलनीय होती हैं। जबकि कॉन्फॉर्मल प्रेडिक्शन सीमित-नमूना गारंटी (finite-sample guarantees) के साथ वैध प्रेडिक्शन सेट उत्पन्न करने के लिए एक ढांचा प्रदान करता है, सिंगल-सेल जीनोमिक्स में इसका अनुप्रयोग अभी भी कम खोजा गया है। इसके अतिरिक्त, मानक कॉन्फॉर्मल विधियाँ अक्सर ऐसे प्रेडिक्शन सेट उत्पन्न करती हैं जिनमें जैविक पदानुक्रम (biological hierarchy) के भीतर अर्थपूर्ण रूप से दूर या असंबंधित लेबल (जैसे, एक विशिष्ट T-सेल और एक स्ट्रोमल सेल दोनों की भविष्यवाणी करना) शामिल होते हैं, जिससे व्याख्या जटिल हो जाती है। इसके अलावा, वास्तविक दुनिया के अनुप्रयोग अक्सर वितरण संबंधी बदलावों (distributional shifts) से ग्रस्त होते हैं, विशेष रूप से लेबल शिफ्ट (label shift), जहाँ संदर्भ (प्रशिक्षण/कैलिब्रेशन) और परीक्षण डेटासेट के बीच सेल प्रकार की संरचना भिन्न होती है, जो मानक कॉन्फॉर्मल इन्फरेंस के लिए आवश्यक विनिमेयता (exchangeability) धारणा का उल्लंघन करती है।

कार्यप्रणाली
लेखक एक नया ढांचा प्रस्तावित करते हैं जो कॉन्फॉर्मल रिस्क कंट्रोल को सेल ऑन्टोलॉजी (Cell Ontology) की ग्राफ-संरचित बाधाओं के साथ एकीकृत करता है।

ग्राफ-संरचित कॉन्फॉर्मल रिस्क कंट्रोल:
- ऑन्टोलॉजी एकीकरण: यह विधि सेल ऑन्टोलॉजी का उपयोग एक निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) के रूप में करती है, जहाँ लीफ नोड्स (leaf nodes) विशिष्ट सेल प्रकारों का प्रतिनिधित्व करते हैं और आंतरिक नोड्स व्यापक श्रेणियों का प्रतिनिधित्व करते हैं।
- स्कोर निर्माण: एक अनुमानित क्लास $\hat{y}(x)$ के लिए, एल्गोरिदम पूर्वज नोड्स (ancestor nodes) $v$ के लिए स्कोर $g(v, x)$ की गणना करता है, जो $v$ के सभी लीफ वंशजों (leaf descendants) की अनुमानित संभावनाओं का योग है।
- प्रेडिक्शन सेट निर्माण: बिखरे हुए लीफ नोड्स को वापस करने के बजाय, एल्गोरिदम अनुमानित क्लास के सबसे विशिष्ट पूर्वज $v$ की पहचान करता है जिसका संचयी स्कोर थ्रेशोल्ड $\lambda$ से अधिक है। प्रेडिक्शन सेट $C_\lambda(x)$ इस पूर्वज के सभी लीफ वंशजों, और किसी अन्य पूर्वज के लीफ वंशजों को शामिल करता है जिनका स्कोर $\lambda$ से कम है (जो जोखिम नियंत्रण के लिए आवश्यक नेस्टिंग प्रॉपर्टी सुनिश्चित करने के लिए है)।
- लॉस फंक्शन: यह विधि एक मिसकवरेज लॉस फंक्शन (miscoverage loss function) का उपयोग करती है, जो यह सुनिश्चित करती है कि प्रेडिक्शन सेट के बाहर वास्तविक लेबल के होने की संभावना एक उपयोगकर्ता-निर्दिष्ट त्रुटि दर $\alpha$ द्वारा सीमित हो।
वितरण संबंधी बदलाव (लेबल शिफ्ट) को संबोधित करना:
- यह पहचानते हुए कि सेल प्रकार की संरचनाएँ अक्सर संदर्भ (प्रशिक्षण) और परीक्षण डेटासेट के बीच भिन्न होती हैं, लेखक दो-चरणीय दृष्टिकोण प्रस्तावित करते हैं। पहले, वे मानते हैं कि तकनीकी और जैविक कोवेरिएट शिफ्ट को मौजूदा एकीकरण विधियों (जैसे, Harmony, LIGER) के माध्यम से कम किया जा सकता है।
- दूसरा, लेबल शिफ्ट (सेल प्रकार की आवृत्तियों में अंतर) को संबोधित करने के लिए, वे एक रीसैंपलिंग रणनीति (resampling strategy) पेश करते हैं। परीक्षण डेटा को दो उपसमूहों ( $S_1, S_2$ ) में विभाजित किया जाता है। संदर्भ डेटा पर एक मॉडल प्रशिक्षित किया जाता है, और $S_1$ पर संभावनाओं का अनुमान लगाया जाता है। फिर कैलिब्रेशन सेट को इन अनुमानित संभावनाओं के अनुसार पुन: नमूना (resample) किया जाता है ताकि परीक्षण वितरण से मेल खा सके। इस रीसैंपल किए गए सेट का उपयोग $S_2$ के लिए प्रेडिक्शन सेट को कैलिब्रेट करने के लिए किया जाता है। यह प्रक्रिया भूमिकाओं को बदलकर दोहराई जाती है। यह प्रक्रिया लेबल शिफ्ट के तहत वैध कवरेज के लिए आवश्यक महत्व-भारित अपेक्षा (importance-weighted expectation) का अनुमान लगाती है, जिसके लिए परीक्षण वितरण के पूर्व ज्ञान की आवश्यकता नहीं होती है।

प्रमुख योगदान

ग्राफ-प्रतिबंधित प्रेडिक्शन सेट्स: यह पेपर एक कॉन्फॉर्मल एल्गोरिदम पेश करता है जो सेल ऑन्टोलॉजी के पदानुक्रमित संरचना का लाभ उठाता है ताकि अर्थपूर्ण रूप से सुसंगत प्रेडिक्शन सेट उत्पन्न किए जा सकें। विलगित (disjoint) लेबल के बजाय, विधि ऑन्टोलॉजी में विशिष्ट पूर्वजों के अनुरूप सेट आउटपुट करती है, जो अनिश्चितता का सारांश देने वाला एक एकल, व्याख्या योग्य लेबल (या उसके वंशज) प्रदान करती है।
लेबल शिफ्ट सुधार: लेखक एक व्यावहारिक रीसैंपलिंग तकनीक प्रदान करते हैं जो लेबल शिफ्ट को ठीक करती है, जिससे तब भी वैध कवरेज गारंटी बहाल होती है जब संदर्भ और परीक्षण डेटासेट में सेल प्रकार की संरचनाएं भिन्न होती हैं।
कार्यान्वयन: इस विधि को ओपन-सोर्स R पैकेज scConform (Bioconductor के माध्यम से उपलब्ध) में लागू किया गया है, जिससे यह दृष्टिकोण जीनोमिक्स समुदाय के लिए सुलभ हो जाता है।

परिणाम
लेखकों ने दो डेटासेट का उपयोग करके अपने तरीके का मूल्यांकन किया:

Merfish माउस इलियम (Ileum) डेटासेट:
- मानक स्प्लिट कॉन्फॉर्मल इन्फरेंस की तुलना में, ग्राफ-संरचित विधि ने कम इंट्रा-सेट दूरी (intra-set distances) (औसत दूरी 1.148 बनाम 1.616) वाले प्रेडिक्शन सेट बनाए, जो उच्च अर्थपूर्ण सुसंगतता (semantic coherence) को दर्शाता है।
- हालांकि ग्राफ-आधारित सेट औसतन थोड़े बड़े थे, लेकिन उन्होंने अक्सर उच्च विश्वास होने पर एकल-लेबल प्रेडिक्शन दिए।
- महत्वपूर्ण रूप से, उन कोशिकाओं के लिए जो संदर्भ में मौजूद श्रेणियों (जैसे, "Myenteric Plexus") से संबंधित नहीं थीं, ग्राफ-आधारित विधि ने सही ढंग से "अनिर्णीत" (inconclusive) सेट (जिसमें सभी 15 लेबल शामिल थे) बनाए, जबकि मानक कॉन्फॉर्मल इन्फरेंस ने गलत तरीके से विशिष्ट संदर्भ लेबल सौंप दिए, जिससे डेटा की आउट-ऑफ-डिस्ट्रीब्यूशन प्रकृति को पहचानने में विफलता हुई।
COVID-19 रोगी डेटासेट:
- एक वास्तविक नैदानिक सेटिंग में जिसमें असंतुलित सेल प्रकार वितरण है, प्रस्तावित रीसैंपलिंग रणनीति ने अंडर-कवरेज मुद्दों को सफलतापूर्वक ठीक किया।
- रीसैंपलिंग के बिना, एम्पिरिकल कवरेज नाममात्र स्तर से अधिक (ओवर-कवरेज) था। रीसैंपलिंग सुधार (ओरेकल और अनुमानित दोनों) के साथ, कवरेज लक्ष्य 0.9 के करीब पहुँच गया।
- विधि ने सूक्ष्म-स्तरीय (fine-grained) भविष्यवाणियों को जैविक रूप से सार्थक पूर्वजों (जैसे, प्लाज्मा सेल उपप्रकारों को "एंटीबॉडी सीक्रेटिंग सेल" के तहत समूहित करना) में सफलतापूर्वक समेकित किया, जो बेहतर व्याख्यात्मकता प्रदर्शित करता है।

महत्व और दावे
पेपर का दावा है कि सेल डेटा में सेल प्रकार की भविष्यवाणियों की व्याख्यात्मकता को बढ़ाने के लिए ग्राफ-संरचित बाधाओं को कॉन्फॉर्मल इन्फरेंस में शामिल करना महत्वपूर्ण है। जैविक पदानक्रम के साथ प्रेडिक्शन सेटों को संरेखित करके, यह विधि विलगित लेबल की अस्पष्टता से बचती है और मॉडल अनिश्चितता का अधिक सहज सारांश प्रदान करती है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण आधारभूत क्लासिफायर की सटीकता की परवाह किए बिना सीमित-नमूना वैधता गारंटी (finite-sample validity guarantees) प्रदान करता है। उन पदानुक्रमित वर्गीकरण विधियों के विपरीत जो कवरेज गारंटी के बिना पेड़ (tree) में त्रुटियों को आगे बढ़ाती हैं, यह विधि सुनिश्चित करती है कि रिपोर्ट किया गया सेट निर्धारित प्रायिकता ( $1-\alpha$ ) के साथ वास्तविक सेल प्रकार को शामिल करता है। इसके अलावा, प्रस्तावित रीसैंपलिंग रणनीति लेबल शिफ्ट के सामान्य समस्या के लिए एक सिद्धांत-आधारित समाधान प्रदान करती है, जिससे सेल संरचना में अंतर होने पर भी विश्वसनीय अनिश्चितता परिमाणीकरण संभव होता है। यह कार्य कॉन्फॉर्मल इन्फरेंस को एक मजबूत उपकरण के रूप में स्थापित करता है, जिससे शोधकर्ता संभावित रूप से भ्रामक पॉइंट एस्टीमेट्स पर भरोसा करने के बजाय स्पष्ट रूप से मॉडल अनिश्चितता को शामिल कर सकते हैं।