📊 statistics

Decoding Neuronal Ensembles from Spatially-Referenced Calcium Traces: A Bayesian Semiparametric Approach

यह शोध पत्र एक पूर्णतः बेयसियन अर्ध-पैरामीट्रिक मॉडल प्रस्तुत करता है जो शोर युक्त कैल्शियम इमेजिंग डेटा से न्यूरोनल स्पाइकिंग गतिविधि का संयुक्त रूप से अनुमान लगाता है और स्थानिक रूप से सुसंगत एन्सेम्बल्स की पहचान करता है, जिससे यह विश्लेषण सक्षम होता है कि हिप्पोकैम्पल न्यूरोनल समन्वय किसी जानवर की अंतरिक्ष में स्थिति के साथ कैसे बदलता है।

मूल लेखक: Laura D'Angelo, Francesco Denti, Antonio Canale, Michele Guindani

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Laura D'Angelo, Francesco Denti, Antonio Canale, Michele Guindani

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

कल्पना कीजिए कि आप एक विशाल, अराजक कॉन्सर्ट हॉल को समझने की कोशिश कर रहे हैं जहाँ हजारों संगीतकार (न्यूरॉन्स) एक साथ बजा रहे हैं। आप व्यक्तिगत सुरों को स्पष्ट रूप से नहीं सुन सकते क्योंकि कमरे में शोर है, और ध्वनि तरंगें दीवारों से टकराकर संगीत को धुंधला कर देती हैं। इसके अलावा, आप संगीतकारों को देख नहीं सकते; आप केवल छत पर एक हल्की, टिमटिमाती रोशनी देखते हैं जो तब तेज हो जाती है जब कोई संगीतकार एक सुर बजाता है। यह वास्तव में वही है जिसका सामना वैज्ञानिक कैल्शियम इमेजिंग (calcium imaging) का उपयोग करके मस्तिष्क का अध्ययन करते समय करते हैं।

यह शोध पत्र उस टिमटिमाती रोशनी को डिकोड करने का एक नया, स्मार्ट तरीका पेश करता है ताकि यह समझा जा सके कि संगीतकार खुद को बैंड्स (समूहों/ensembles) में कैसे व्यवस्थित कर रहे हैं और वे क्या बजा रहे हैं।

यहाँ सरल उपमाओं (analogies) का उपयोग करके शोध पत्र का विवरण दिया गया है:

1. समस्या: "धुंधली रोशनी" और "दो-चरणीय गलती"

स्थिति:
जब एक न्यूरॉन फायर होता है (एक सुर बजाता है), तो वह कैल्शियम छोड़ता है, जो चमकता है। कैमरे इस चमक को कैप्चर करते हैं। लेकिन यह चमक धीमी और धुंधली होती है। यह एक मोटे कंबल के माध्यम से ड्रम की थाप सुनने जैसा है; आप जानते हैं कि कुछ हुआ है, लेकिन आप यह सटीक रूप से नहीं बता सकते कि ड्रम कब बजा या कितनी जोर से बजा। साथ ही, सिग्नल शोर (static/noise) से भरा होता है।

पुराना तरीका (दो-चरणीय गलती):
पहले, वैज्ञानिक एक "दो-चरणीय" दृष्टिकोण का उपयोग करते थे:

चरण 1: वे धुंधली रोशनी को साफ करने की कोशिश करते थे ताकि यह अनुमान लगाया जा सके कि न्यूरॉन्स ने वास्तव में कब फायर किया।
चरण 2: वे उन अनुमानों को लेते थे और न्यूरॉन्स को टीमों में समूहबद्ध करने की कोशिश करते थे।

यह क्यों विफल रहा: यह पहले एक धुंधली फोटो को ठीक करने और फिर फोटो में मौजूद लोगों को समूहों में बांटने की कोशिश करने जैसा है। यदि आप चरण 1 में गलती करते हैं (प्रकाश की एक चमक को ड्रम की थाप समझ लेना), तो वह त्रुटि चरण 2 को खराब कर देती है। यह भी इस तथ्य को अनदेखा करता है कि जो संगीतकार एक-दूसरे के पास बैठे हैं, उनके एक ही बैंड में होने की संभावना अधिक होती है।

2. समाधान: "ऑल-इन-वन डिटेक्टिव" (सब कुछ एक साथ समझने वाला जासूस)

लेखकों ने एक बेयसियन सेमीपैरामेट्रिक मॉडल (Bayesian Semiparametric Model) बनाया है। आइए इसे सरल भाषा में अनुवाद करें:

बेयसियन (Bayesian): यह मॉडल एक ऐसे जासूस की तरह है जो केवल अनुमान नहीं लगाता; यह लगातार अपने आत्मविश्वास को अपडेट करता रहता है। यह कहता है, "मुझे लगता है कि यह एक ड्रम की थाप है, लेकिन मैं इसके बारे में केवल 80% आश्वस्त हूँ, इसलिए मैं इस अनिश्चितता को ध्यान में रखूँगा।"
सेमीपैरामेट्रिक (Semiparametric): यह कठोर नियमों (कैल्शियम कैसे काम करता है इसके भौतिक विज्ञान) और लचीले सीखने (डेटा को यह सिखाने कि पैटर्न कैसे दिखते हैं) के मिश्रण का उपयोग करता है।
जादुई ट्रिक: चरण 1 और चरण 2 को अलग-अलग करने के बजाय, यह मॉडल उन्हें एक साथ करता है। यह शोर को साफ करता है जबकि यह भी पता लगाता है कि कौन से न्यूरॉन्स एक साथ खेल रहे हैं।

3. यह कैसे काम करता है: "पड़ोस" और "भूत"

यह मॉडल अराजकता को समझने के लिए दो चतुर तरीकों का उपयोग करता है:

A. संगीत का "भूत" (Latent Gaussian Process)
चूंकि रोशनी धुंधली है, मॉडल संगीत के एक "भूतिया" संस्करण की कल्पना करता है—एक आदर्श, अदृश्य टाइमलाइन कि न्यूरॉन्स को कब फायर करना चाहिए। यह शोर वाली रोशनी के पीछे इस भूतिया टाइमलाइन को खोजने की कोशिश करता है। यदि भूतिया टाइमलाइन सुचारू और लयबद्ध दिखती है, तो मॉडल जानता है कि यह एक वास्तविक सिग्नल है, न कि केवल रैंडम स्टैटिक।

B. "पड़ोस" का नियम (Spatial Clustering)
एक वास्तविक ऑर्केस्ट्रा में, वायलिन सेक्शन एक साथ बैठता है, और ड्रम्स एक साथ होते हैं। मस्तिष्क में न्यूरॉन्स भी भौतिक स्थानों में होते हैं।

पुराना तरीका: इसने न्यूरॉन्स के स्थान की अनदेखी की।
नया तरीका: मॉडल जानता है कि यदि न्यूरॉन A और न्यूरॉन B मस्तिष्क में बिल्कुल बगल में बैठे हैं, तो उनके एक ही "बैंड" में होने की बहुत अधिक संभावना है। यह उन्हें समूहों में सटीक रूप से वर्गीकृत करने के लिए उनके भौतिक निर्देशांकों (coordinates) का उपयोग करता है।

C. "वॉल्यूम नॉब" (Spike-and-Slab)
कभी-कभी रोशनी केवल एक गड़बड़ी (glitch) के कारण टिमटिमाती है, न कि इसलिए कि एक न्यूरॉन फायर हुआ है। मॉडल के पास एक "वॉल्यूम नॉब" है जो मामूली, महत्वहीन टिमटिमाहट को शून्य तक कम कर सकता है, जिससे प्रभावी रूप से शोर को फिल्टर किया जा सके ताकि केवल वास्तविक "सुर" ही शेष रहें।

4. प्रयोग: भूलभुलैया में चूहा

इसका परीक्षण करने के लिए, शोधकर्ताओं ने एक गोलाकार अरीना में दौड़ते हुए चूहे के डेटा का अध्ययन किया।

लक्ष्य: यह देखना कि क्या न्यूरॉन्स के समूह एक साथ चमकते हैं जब चूहा कमरे के केंद्र में होता है बनाम दीवारों के पास होता है।
खोज:
- उन्होंने पाया कि न्यूरॉन्स वास्तव में "बैंड्स" (समूहों) का निर्माण करते हैं जो एक साथ फायर होते हैं।
- ये बैंड अक्सर मस्तिष्क में शारीरिक रूप से करीब (एनाटॉमिकली क्लोज) होते हैं।
- ट्विस्ट: इन बैंड्स की जटिलता इस बात पर निर्भर करती है कि चूहा कहाँ है। जब चूहा खुले केंद्र में होता है, तो मस्तिष्क का संगठन थोड़ा अधिक अराजक और अनिश्चित होता है। जब चूहा दीवारों (सीमाओं) के पास होता है, तो मस्तिष्क का संगठन बहुत स्थिर और स्पष्ट हो जाता है।

5. यह क्यों महत्वपूर्ण है

सोचिए कि मस्तिष्क लाखों लोगों वाला एक शहर है।

पुराना तरीका: आप यह गिनने की कोशिश करते हैं कि कितने लोग चल रहे हैं, फिर अनुमान लगाते हैं कि कौन किसके साथ चल रहा है, लेकिन गिनती में आपकी गलतियाँ होती रहती हैं।
नया तरीका: आप एक स्मार्ट सिस्टम का उपयोग करते हैं जो लोगों को गिनता भी है और साथ ही यह भी पता लगाता है कि उनके सामाजिक समूह कौन से हैं, यह जानते हुए कि जो लोग एक-दूसरे के बगल में खड़े हैं, वे संभवतः मित्र हैं।

परिणाम: यह नया दृष्टिकोण वैज्ञानिकों को यह समझने में बहुत स्पष्ट तस्वीर देता है कि मस्तिष्क स्मृति और स्थान को कैसे एनकोड करता है। यह हमें यह समझने में मदद करता है कि मस्तिष्क दुनिया का "मानचित्र" कैसे बनाता है, जो सीखने, याददाश्त और अल्जाइमर जैसे रोगों को समझने के लिए अत्यंत महत्वपूर्ण है।

सारांश

यह शोध पत्र एक सुपर-स्मार्ट फिल्टर बनाने के बारे में है जो शोर वाले मस्तिष्क संकेतों को साफ करता है और न्यूरॉन्स को कार्यात्मक टीमों में एक साथ समूहबद्ध करता है, इस तथ्य का उपयोग करते हुए कि "पड़ोसी अक्सर साथ रहते हैं।" यह साबित करता है कि इन चरणों को अलग-अलग करने के बजाय एक साथ करने से, हमें मस्तिष्क के सोचने के तरीके का कहीं अधिक सटीक और विश्वसनीय मानचित्र प्राप्त होता है।

यहाँ "Decoding Neuronal Ensembles from Spatially-Referenced Calcium Traces: A Bayesian Semiparametric Approach" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

न्यूरोसाइंस का लक्ष्य यह समझना है कि न्यूरॉन्स सूचना को एनकोड करने के लिए अपनी गतिविधि को कैसे समन्वित करते हैं, विशेष रूप से स्थानिक स्मृति (spatial memory) और नेविगेशन के संदर्भ में। कैल्शियम इमेजिंग (Calcium imaging) मुक्त रूप से घूमने वाले जानवरों में फायरिंग के दौरान इंट्रासेल्युलर कैल्शियम इनफ्लक्स के कारण होने वाले फ्लोरेसेंस परिवर्तनों को मापकर सैकड़ों न्यूरॉन्स की एक साथ रिकॉर्डिंग करने की अनुमति देती है। हालाँकि, इस डेटा का विश्लेषण करना महत्वपूर्ण सांख्यिकीय चुनौतियाँ प्रस्तुत करता है:

अप्रत्यक्ष और शोर युक्त अवलोकन (Indirect and Noisy Observations): फ्लोरेसेंस ट्रेसेस वास्तविक न्यूरोनल स्पाइक्स (एक्शन पोटेंशियल) के शोर युक्त प्रॉक्सी होते हैं।
टेम्पोरल ब्लरिंग (Temporal Blurring): कैल्शियम इंडिकेटर्स में धीमी क्षय गति (decay kinetics) होती है, जिससे तीव्र क्रमिक स्पाइक्स आपस में मिल जाते हैं, जिससे व्यक्तिगत घटनाओं की पहचान करना कठिन हो जाता है।
वर्तमान विधियों की सीमाएँ: मानक विश्लेषण पाइपलाइन "दो-चरणीय" (two-stage) होती हैं: पहले ट्रेसेस को डीकनवॉल्व करके स्पाइक ट्रेनों का अनुमान लगाना, फिर जेनेरिक क्लस्टरिंग एल्गोरिदम लागू करना। यह दृष्टिकोण स्पाइक इन्फरेंस में निहित अनिश्चितता की अनदेखी करता है और न्यूरॉन्स के स्थानिक संगठन (जैसे, शारीरिक निकटता) या फायरिंग की संभावabilistic प्रकृति को शामिल करने में विफल रहता है। फलस्वरूप, यह कार्यात्मक रूप से सुसंगत एन्सेम्बल्स (ensembles) को पहचानने में संघर्ष करता है जो एसिंक्रोनस रूप से फायर हो सकते हैं या जिनका आयाम (amplitude) भिन्न हो सकता है।

2. कार्यप्रणाली (Methodology)

लेखक एक पूर्णतः बेयसियन अर्ध-पैरामीट्रिक मॉडल (fully Bayesian semiparametric model) प्रस्तावित करते हैं जो स्पाइक डीकनवल्शन और न्यूरोनल एन्सेबल क्लस्टरिंग को एक एकल संभाव्यता ढांचे (probabilistic framework) में एकीकृत करता है। यह मॉडल चार घटकों से बना है:

A. कैल्शियम कंसंट्रेशन मॉडल (डीकनवल्शन)

Vogelstein et al. (2010) के बायोफिजिकल मॉडल पर आधारित, समय $t$ पर न्यूरॉन $i$ के लिए देखे गए फ्लोरेसेंस $y_{i,t}$ को इस प्रकार मॉडल किया जाता है:
$y_{i,t} = b_i + c_{i,t} + \epsilon_{i,t}$
$c_{i,t} = \gamma c_{i,t-1} + s_{i,t} \cdot a_{i,t} + \eta_{i,t}$
जहाँ:

$c_{i,t}$ अव्यक्त कैल्शियम सांद्रता (latent calcium concentration) है।
$s_{i,t} \in \{0, 1\}$ बाइनरी स्पाइक इंडिकेटर है।
$a_{i,t}$ स्पाइक आयाम (amplitude) है।
$\gamma$ क्षय दर (decay rate) को नियंत्रित करता है।
शोर पद (noise terms) $\epsilon$ और $\eta$ गॉसियन (Gaussian) हैं।

B. लेटेंट स्पाइक प्रोबेबिलिटी और क्लस्टरिंग

कच्चे स्पाइक्स को क्लस्टर करने के बजाय, मॉडल लेटेंट स्पाइक प्रोबेबिलिटी ट्राजेक्टरीज को क्लस्टर करता है।

लेटेंट प्रोसेस: प्रत्येक न्यूरॉन के लिए, एक लेटेंट प्रोसेस $\tilde{s}_i$ प्रोबिट लिंक (probit link) के माध्यम से फायरिंग की संभावना निर्धारित करता है: $s_{i,t} | \tilde{s}_{i,t} \sim \text{Bernoulli}(\Phi(\tilde{s}_{i,t}))$ ।
स्थानिक-निर्भर मिश्रण (Spatially-Dependent Mixture): लेटेंट प्रोसेस एक मिश्रण वितरण $G_{\ell_i}$ से प्राप्त होते हैं जो न्यूरॉन के भौतिक स्थान $\ell_i$ पर निर्भर करता है।
लोकेशन-डिपेंडेंट स्टिक-ब्रेकिंग: लेखक एक प्रोबिट स्टिक-ब्रेकिंग प्रोसेस (PSBP) (Rodríguez & Dunson, 2011) का उपयोग करते हैं। मिश्रण भार (mixing weights) $\pi_k(\ell_i)$ इस तरह से निर्मित किए जाते हैं कि समान स्थानिक निर्देशांकों वाले न्यूरॉन्स के एक ही क्लस्टर से संबंधित होने की संभावना अत्यधिक सह-संबंधित होती है। यह शारीरिक रूप से पास के न्यूरॉन्स को एक साथ समूहबद्ध करने के लिए प्रोत्साहित करता है।
टेम्पोरल डिपेंडेंस: मिश्रण के एटम्स (प्रतिनिधि क्लस्टर ट्राजेक्टरीज) एक गॉसियन प्रोसेस (GP) से प्राप्त होते हैं, जो फायरिंग पैटर्न में टेम्पोरल निर्भरता को कैप्चर करते हैं।

C. स्पाइक आयाम मॉडल

स्पाइक के आकार की परिवर्तनशीलता को संभालने और शोर को फ़िल्टर करने के लिए, एक आउटर स्पाइक-एंड-स्लैब डिरिचलेट प्रोसेस (DP) प्रायर का उपयोग किया जाता है:

यदि $s_{i,t}=0$ , तो आयाम $a_{i,t} = 0$ ।
यदि $s_{i,t}=1$ , तो $a_{i,t}$ एक शिफ्टेड-गामा बेस मेजर के साथ DP से प्राप्त एक डिस्क्रीट वितरण का अनुसरण करता है। यह मॉडल को आयामों के वितरण को सीखने और मामूली घटनाओं को स्वचालित रूप से फ़िल्टर करने की अनुमति देता है।

D. इन्फरेंस (Inference)

पोस्टीरियर इन्फरेंस एक गिब्स सैंपलर (Gibbs sampler) का उपयोग करके मार्कोव चेन मोंटे कार्लो (MCMC) के माध्यम से किया जाता है।

लेटेंट बरनौली वेरिएबल्स के लिए डेटा ऑग्मेंटेशन रणनीतियों (Albert & Chib, 1993) का उपयोग किया जाता है।
कम्प्यूटेशनल जटिलता को कम करने के लिए गॉसियन प्रोसेस के लिए एक वेचिया एप्रोक्सिमेशन (Vecchia approximation) का उपयोग किया जाता है।
नॉन-कंजुगेट स्पाइक आयाम प्रायर को संभालने के लिए मेट्रोपोलिस स्टेप्स के साथ एक ब्लॉकड गिब्स सैंपलर का उपयोग किया जाता है।

3. प्रमुख योगदान (Key Contributions)

एकीकृत ढांचा (Unified Framework): स्पाइक डीकनवल्शन और स्थानिक रूप से सूचित क्लस्टरिंग को संयुक्त रूप से करने वाला पहला मॉडल, जो क्रमिक प्रसंस्करण से होने वाली त्रुटि प्रसार (error propagation) को समाप्त करता है।
स्थानिक रूप से-सूचित प्रायर (Spatially-Informed Priors): एक स्थान-निर्भर स्टिक-ब्रेकिंग प्रायर का परिचय जो क्लस्टर निर्माण को निर्देशित करने के लिए शारीरिक निर्देशांकों का स्पष्ट रूप से लाभ उठाता है, जो जैविक वास्तविकता को दर्शाता है जहाँ पास के न्यूरॉन्स अक्सर समान कार्यात्मक भूमिकाएँ साझा करते हैं।
अनिश्चितता का परिमाणीकरण (Uncertainty Quantification): एक पूर्णतः बेयसियन दृष्टिकोण के रूप में, मॉडल स्पाइक डिटेक्शन, क्लस्टर असाइनमेंट और आयाम अनुमानों के लिए पोस्टीरियर वितरण प्रदान करता है, जिससे कठोर अनिश्चितता परिमाणीकरण (जैसे, को-क्लस्टरिंग संभावनाएँ) संभव होता है।
स्पाइक-एंड-स्लैब आयाम मॉडलिंग: निश्चित थ्रेसहोल्ड के बजाय सीखे गए आयाम वितरणों के आधार पर वास्तविक स्पाइक्स को शोर से अलग करने के लिए एक लचीला तंत्र।

4. परिणाम (Results)

वास्तविक डेटा अनुप्रयोग (हिप्पोकैम्पल CA1)

मॉडल का उपयोग एक गोलाकार अरीना (circular arena) में नेविगेट करने वाले चूहे (Chen et al., 2023) के कैल्शियम इमेजिंग डेटा पर किया गया।

एन्सेबल पहचान: मॉडल ने 10 एक्टिवेशन क्लस्टर की पहचान की। एक क्लस्टर में गैर-सक्रिय न्यूरॉन्स थे, जबकि शेष 229 न्यूरॉन्स को कार्यात्मक रूप से सुसंगत एन्सेम्बल्स में समूहीकृत किया गया।
स्थानिक सुसंगतता (Spatial Coherence): सह-सक्रिय न्यूरॉन्स शारीरिक रूप से समीप पाए गए, जो हिप्पोकैम्पस में अनियमित लंबे पैच बनाते हैं, जो स्थानिक प्रायर की पुष्टि करते हैं।
स्पाइक डिटेक्शन: मॉडल ने सफलतापूर्वक सिंक्रोनाइज्ड फायरिंग पैटर्न की पहचान की, भले ही स्पाइक आयामों में काफी भिन्नता हो या फायरिंग आंशिक रूप से शोर द्वारा बाधित हो।
स्थानिक गतिशीलता (Spatial Dynamics):
- जो न्यूरॉन्स समय अंतराल के दौरान अक्सर एक ही क्लस्टर में सह-निर्धारित (co-assigned) होते थे, उन्होंने अरीना के ओवरलैपिंग स्थानिक क्षेत्रों में उच्च फायरिंग दर दिखाई।
- जटिलता और अनिश्चितता: अनुमानित संरचना (क्लस्टरों की संख्या) और अनिश्चितता चूहे की स्थिति के साथ बदलती रही। अरीना के खुले केंद्र में क्लस्टरिंग अधिक खंडित और अनिश्चित थी, जबकि सीमाओं के पास यह अधिक स्थिर थी।

सिमुलेशन अध्ययन

मॉडल की तुलना एक अत्याधुनिक दो-चरणीय पाइपलाइन (डीकनवल्शन के लिए L0 ऑप्टिमाइजेशन और उसके बाद कंसेंसस K-means) से की गई।

सटीकता: प्रस्तावित बेयियन मॉडल ने स्पाइक डिटेक्शन में कम फाल्स नेगेटिव रेट और कम ग्लोबल मिसक्लासिफिकेशन एरर हासिल किया।
क्लस्टरिंग प्रदर्शन: एकीकृत ढांचे ने दो-चरणीय पद्धति की तुलना में वास्तविक न्यूरोनल पार्टिशन्स को पुनः प्राप्त करने में काफी उच्च एडजस्टेड रैंड इंडेक्स (ARI) स्कोर दिए।
मजबूती (Robustness): मॉडल ने स्पाइक आयाम थ्रेसहोल्ड के हाइपरपैरामीटर विकल्पों के प्रति मजबूती प्रदर्शित की।

5. महत्व (Significance)

यह कार्य न्यूरल पॉपुलेशन डायनेमिक्स को डिकोड करने के लिए एक मजबूत सांख्यिकीय उपकरण प्रदान करता है। स्थानिक जानकारी को सीधे क्लस्टरिंग तंत्र में एकीकृत करके, मॉडल यह प्रकट करता है कि न्यूरोनल एन्सेबल्स कार्यात्मक और शारीरिक दोनों रूप से कैसे संरचित हैं।

न्यूरोसाइंस प्रभाव: यह स्थानिक स्मृति निर्माण के बारे में नई अंतर्दृष्टि प्रदान करता है, यह प्रदर्शित करते हुए कि एन्सेबल स्थिरता और जटिलता वातावरण के भीतर जानवर की स्थिति (जैसे, बाउंड्री इफेक्ट्स) द्वारा मॉड्युलेट होती है।
पद्धतिगत प्रभाव: यह ह्यूरिस्टिक, दो-चरणीय पाइपलाइनों से हटकर एकीकृत, अनिश्चितता-जागरूक बेयसियन इन्फरेंस की ओर बढ़कर कैल्शियम इमेजिंग विश्लेषण के लिए एक नया मानक स्थापित करता है।
भविष्य की दिशाएँ: यह ढांचा न्यूरल प्लास्टिसिटी, रोग मॉडल और मल्टी-रीजन इंटरैक्शन के अध्ययन के लिए मार्ग खोलता है, हालांकि भविष्य के कार्यों को वेरिएशनल इन्फरेंस या लो-रैंक एप्रोक्सिमेशन के माध्यम से बड़े डेटासेट के लिए कम्प्यूटेशनल स्केलेबिलिटी को संबोधित करना होगा।