📊 statistics

Univariate-Guided Sparse Regression for Biobank-Scale High-Dimensional Omics Data

यह शोध पत्र UK बायोबैंक-स्तर के जीनोमिक डेटा के लिए यूनिवेरिएट-गाइडेड स्पार्स रिग्रेशन (uniLasso) फ्रेमवर्क के एक स्केलेबल अनुकूलन को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि यह PRS-CS जैसे प्रतिस्पर्धियों की तुलना में बेहतर पॉलीजेनिक रिस्क स्कोर भविष्यवाणी सटीकता प्राप्त करता है और साथ ही काफी अधिक स्पार्स और व्याख्या योग्य मॉडल बनाए रखता है।

मूल लेखक: Joshua Richland, Tuomo Kiiskinen, William Wang, Sophia Lu, Balasubramanian Narasimhan, Trevor Hastie, Manuel Rivas, Robert Tibshirani

प्रकाशित 2026-01-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joshua Richland, Tuomo Kiiskinen, William Wang, Sophia Lu, Balasubramanian Narasimhan, Trevor Hastie, Manuel Rivas, Robert Tibshirani

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 व्यक्ति की लंबाई या हृदय रोग के जोखिम की भविष्यवाणी करने की कोशिश कर रहे हैं, जिसके लिए आनुवंशिक निर्देशों की एक विशाल लाइब्रेरी का उपयोग किया जाता है। यह लाइब्रेरी, जिसे UK बायोबैंक कहा जाता है, में आधे मिलियन लोगों के लिए दस लाख से अधिक आनुवंशिक "स्विच" (जिन्हें SNPs कहा जाता है) मौजूद हैं।

समस्या यह है कि ये स्विच अव्यवस्थित हैं। कई स्विच समूहों में एक साथ चिपके हुए हैं (जैसे कि लाइट स्विच का एक समूह जो एक ही कमरे को नियंत्रित करते हैं)। यदि आप यह पता लगाने की कोशिश करते हैं कि कौन सा विशिष्ट स्विच लाइट को नियंत्रित करता है, तो यह पहचानना कठिन हो जाता है कि वास्तव में कौन सा काम कर रहा है क्योंकि वे सभी एक साथ चालू होते हैं।

यह शोध पत्र इस अव्यवस्था को सुलझाने का एक नया, स्मार्ट तरीका पेश करता है। यहाँ उनके समाधान का विवरण, सरल उपमाओं का उपयोग करते हुए दिया गया है:

1. पुराना तरीका: "भीड़भाड़ वाला कमरा" वाली समस्या

पारंपरिक रूप से, वैज्ञानिक महत्वपूर्ण स्विचों को खोजने के लिए Lasso नामक विधि का उपयोग करते हैं।

उपमा: एक भीड़भाड़ वाले कमरे की कल्पना करें जहाँ हर कोई चिल्ला रहा है। आप उस एक व्यक्ति को खोजना चाहते हैं जिसके पास उत्तर है। Lasso विधि हर किसी की बात सुनती है और उन लोगों का एक छोटा समूह चुनती है जिन पर भरोसा किया जा सके।
दोष: क्योंकि स्विच इतने सह-संबंधित (correlated) हैं (जैसे वह "भीड़भाड़ वाला कमरा"), Lasso अक्सर बहुत अधिक लोगों को चुन लेता है। यह लंबाई की भविष्यवाणी करने के लिए 55,000 स्विच चुन सकता है। हालांकि यह ठीक काम करता है, लेकिन यह समझना कठिन है कि वे विशिष्ट 55,000 स्विच क्यों चुने गए, और यह गणनात्मक रूप से बहुत भारी है।

2. नया तरीका: "uniLasso" (स्मार्ट फिल्टर)

लेखकों ने एक नया तरीका बनाया है जिसे uniLasso कहा जाता है। इसे अपने आनुवंशिक जासूसों के लिए दो-चरणीय भर्ती प्रक्रिया के रूप में समझें।

चरण 1: एकल ऑडिशन (Univariate Check):
सबसे पहले, वे प्रत्येक आनुवंशिक स्विच को एक एकल प्रदर्शन (solo act) करने के लिए कहते हैं। वे देखते हैं कि प्रत्येक स्विच अकेले परिणाम की कितनी अच्छी तरह भविष्यवाणी करता है।
- नियम: यदि एक स्विच एकल प्रदर्शन में कहता है कि "मैं आपको लंबा बनाता हूँ", तो उसे अंतिम टीम में भी कहना चाहिए कि "मैं आपको लंबा बनाता हूँ"। वह बाद में अपना संकेत बदलकर यह नहीं कह सकता कि "मैं आपको छोटा बनाता हूँ"। यह परिणामों को तार्किक और समझने में आसान बनाए रखता है।
चरण 2: टीम चयन (Sparse Regression):
इसके बाद, वे एकल प्रदर्शनों के परिणामों का उपयोग करके अंतिम मॉडल बनाते हैं। वे एक विशेष फिल्टर का उपयोग करते है जो केवल उन्हीं स्विचों को रखता है जिन्होंने चरण 1 में अच्छा प्रदर्शन किया था, जबकि यह सुनिश्चित करता है कि मॉडल "स्पार्स" (यानी बहुत कम स्विच चुनना) रहे।
- परिणाम: लंबाई के लिए 55,000 स्विच चुनने के बजाय, uniLasso केवल लगभग 34,000 स्विच चुनता है। यह पुराने तरीके के लगभग समान सटीकता प्राप्त करता है लेकिन एक बहुत छोटे और स्पष्ट टीम के साथ। यह 55,000 "ठीक-ठाक" खिलाड़ियों के बजाय 34,000 सर्वश्रेष्ठ खिलाड़ियों को खोजने जैसा है।

3. "गुप्त हथियार": बाहरी स्कोर (External Scores)

शोध पत्र ने मॉडल को और भी बेहतर बनाने के लिए एक तरकीब का परीक्षण किया। कभी-कभी, गोपनीयता नियमों के कारण वैज्ञानिक कच्चे डेटा (raw data) को साझा नहीं कर सकते, लेकिन वे "समरी स्टैट्स" (जैसे कि दूसरे समूह के लोगों से प्राप्त रिपोर्ट कार्ड) साझा कर सकते हैं।

उपमा: कल्पना करें कि आप एक टीम रख रहे हैं, और आपके पास अपने शहर के उम्मीदवारों की एक सूची है। लेकिन फिनलैंड में रहने वाला एक दोस्त अपने शहर की "टॉप 100" सूची भेजता है।
विधि: लेखकों ने फिनिश डेटाबेस (FinnGen) से प्राप्त "रिपोर्ट कार्ड" (समरी स्टैट्स) को लिया और उनका उपयोग UK डेटा के लिए अपनी चयन प्रक्रिया को निर्देशित करने के लिए किया।
परिणाम: अपने स्वयं के डेटा को इस बाहरी "रिपोर्ट कार्ड" के साथ मिलाने से, मॉडल और भी सटीक हो गया। यह परीक्षण किए गए सभी लक्षणों (लंबाई, BMI, हृदय रोग और अस्थमा) में सर्वश्रेष्ठ प्रदर्शन करने वाला मॉडल रहा।

4. यह क्यों महत्वपूर्ण है ("स्पार्स" का लाभ)

शोध पत्र इस बात पर जोर देता है कि कम ही अधिक है।

व्याख्यात्मकता (Interpretability): क्योंकि uniLasso कम स्विच चुनता है, वैज्ञानिक वास्तव में उस सूची को देख सकते हैं और कह सकते हैं, "ठीक है, ये विशिष्ट 34,000 स्विच भविष्यवाणी को संचालित कर रहे हैं।" पुराने तरीकों के साथ, सूची इतनी लंबी थी और प्रभाव इतना बिखरा हुआ था कि यह जानना कठिन था कि वास्तव में क्या हो रहा है।
दक्षता (Efficiency): यह विधि इतनी तेज़ है कि यह विशाल UK बायोबैंक डेटा को संभाल सकती है, जिसे पहले प्रोसेस करने के लिए सुपरकंप्यूटर की आवश्यकता होती थी।

परिणामों का सारांश

सटीकता: यह मानक तरीकों (Lasso) के समान अच्छी भविष्यवाणी करता है और एक लोकप्रिय प्रतिस्पर्धी जिसे PRS-CS कहा जाता है, उससे बेहतर प्रदर्शन करता है।
सरलता: यह मानक विधि की तुलना में 40% कम आनुवंशिक स्विचों का उपयोग करता है।
तार्किकता: यह सुनिश्चित करता है कि जो आनुवंशिक स्विच यह चुनता है वे तर्कसंगत हों (वे एकल परीक्षण और अंतिम टीम के बीच अपना अर्थ नहीं बदलते हैं)।

संक्षेप में, लेखकों ने एक "स्मार्ट फिल्टर" बनाया है जो लाखों आनुवंशिक डेटा बिंदुओं के शोर को काटकर उन छोटे, सबसे महत्वपूर्ण स्विचों को खोज निकालता है जो वास्तव में मायने रखते हैं, जिससे पुराने, अव्यवस्थित तरीकों की तुलना में परिणाम अधिक समझने योग्य और उतने ही सटीक हो जाते हैं।

तकनीकी सारांश: बायोबैंक-स्केल उच्च-आयामी ओमिक्स डेटा के लिए यूनिवेरिएट-गाइडेड स्पार्स रिग्रेशन

समस्या विवरण

यह शोध पत्र अत्यंत उच्च-आयामी जीनोमिक डेटा पर स्पार्स रिग्रशन (sparse regression) करने की चुनौती को संबोधित करता है, विशेष रूप से यूके बायोबैंक (UK Biobank) जैसे बायोबैंक-स्केल डेटासेट के संदर्भ में पॉलीजेनिक रिस्क स्कोर (PRS) निर्माण के लिए। इन सेटिंग्स में, प्रेडिक्टर्स (SNPs, $p$ ) की संख्या अवलोकनों (observations, $n$ ) की तुलना में बहुत अधिक होती है, जहाँ अक्सर $p > 1,000,000$ और $n \approx 500,000$ होता है।

मानक रिग्रेशन दृष्टिकोण इस डोमेन में तीन मुख्य कठिनाइयों का सामना करते हैं:

कंप्यूटेशनल अव्यवहारिकता (Computational Infeasibility): लाखों SNPs पर सैकड़ों हज़ारों व्यक्तियों के लिए मल्टीवेरिएट मॉडल फिट करना कम्प्यूटेशनल रूप से निषेधात्मक है, विशेष रूप से हाइपरपैरामीटर ट्यूनिंग के लिए क्रॉस-वैलिडेशन का उपयोग करते समय।
सह-संबद्ध प्रेडिक्टर्स (लिंकेज डिसइक्विलिब्रियम - Linkage Disequilibrium): SNPs उच्च सहसंबंध वाले ब्लॉक्स में मौजूद होते हैं। मानक मल्टीवेरिएट विधियाँ अक्सर यह तय करने में संघर्ष करती हैं कि क्या एक प्रतिनिधि स्पार्स सेट का चयन किया जाए या कई सह-संबद्ध चरों के बीच प्रभावों को वितरित ("स्मियर") किया जाए, जिससे सघन (dense) और व्याख्या करने में कठिन मॉडल बनते हैं।
डेटा गोपनीयता और एकीकरण: बायोमेडिकल अनुसंधान में, गोपनीयता नियमों के कारण कच्चे व्यक्तिगत डेटा (raw individual-level data) पर प्रतिबंध होता है। शोधकर्ता अक्सर पूर्ण डेटासेट के बजाय बाहरी कोहॉर्ट्स (जैसे FinnGen) से प्राप्त समरी स्टैटिस्टिक्स (summary statistics) पर निर्भर रहते हैं, जिससे इस बाहरी जानकारी को एक एकीकृत स्पार्स मल्टीवेरिएट मॉडल में शामिल करना कठिन हो जाता है।

ऐतिहासिक रूप से, PRS निर्माण एक दो-चरणीय पाइपलाइन पर निर्भर रहा है: एक यूनिवेरिएट जीनोम-वाइड एसोसिएशन स्टडी (GWAS) और उसके बाद एक पोस्ट-हॉक श्रिंकेज या चयन विधि (जैसे क्लंपिंग एंड थ्रेशोल्डिंग, LDpred, PRS-CS)। लेखक तर्क देते हैं कि यह दृष्टिकोण उप-इष्टतम (suboptimal) है क्योंकि पहला चरण SNPs को अलग-थलग मानता है, जिससे सह-संबद्ध SNPs के पूरे पड़ोस को उठा लिया जाता है, जबकि दूसरा चरण इस 'डबल-काउंटिंग' को ठीक करने का प्रयास करता है, जिससे अक्सर सघन प्रेडिक्टर्स और कम हुए प्रभाव आकार (flattened effect sizes) प्राप्त होते हैं।

कार्यप्रणाली: Omni-adapted uniLasso

लेखक Univariate-Guided Sparse Regression (uniLasso) का एक स्केलेबल अनुकूलन प्रस्तावित करते हैं, जिसे मूल रूप से Chatterjee et al. [2025] द्वारा पेश किया गया था, और इसे बायोबैंक-स्केल डेटा के लिए तैयार किया गया है। यह विधि एक दो-चरणीय दंडित (penalized) रिग्रेशन प्रक्रिया है जो मल्टीवेरिएट चयन को निर्देशित करने के लिए यूनिवेरिएट गुणांकों का लाभ उठाती है।

एल्गोरिदम

चरण 1: यूनिवेरिएट प्री-कंप्यूटेशन:
प्रत्येक SNP $j$ के लिए, एल्गोरिदम यूनिवेरिएट इंटरसेप्ट्स ( $\hat{\beta}_{0j}$ ) और स्लोप्स ( $\hat{\beta}_j$ ) की गणना करता है। महत्वपूर्ण रूप से, यह Leave-One-Out (LOO) फिटेड वैल्यूज ( $\hat{y}^{-i}_{ij}$ ) को बनाने के लिए फीचर मैट्रिक्स $F$ बनाता है। कच्चे अनुमानों के बजाय LOO वैल्यूज का उपयोग करने से अगला चयन चरण इन-सैंपल शोर (in-sample noise) के बजाय आउट-ऑफ-सैंपल प्रेडिक्टिव सिग्नल पर निर्भर करने के लिए मजबूर होता है।

अनुकूलन (Optimization): इस पैमाने को संभालने के लिए, लेखकों ने इन गणनाओं को वेक्टराइज़ किया और AdieIe पायथन पैकेज का उपयोग करके CPU कोर के माध्यम से समानांतर (parallelize) किया।

चरण 2: गाइडेड स्पार्स रिग्रेशन:
$F$ में LOO भविष्यवाणियों को $y$ की भविष्यवाणी करने के लिए फीचर्स के रूप में उपयोग करते हुए एक नॉन-नेगेटिव लासो (non-negative Lasso) फिट किया जाता है।

साइन कंस्ट्रेंट (Sign Constraint): इस चरण में गुणांक $\theta_j$ को गैर-ऋणात्मक (non-negative) होने के लिए बाध्य किया गया है। अंतिम मल्टीवेरिएट गुणांक $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$ के रूप में प्राप्त किए जाते हैं। यह सुनिश्चित करता है कि अंतिम गुणांक का चिह्न यूनिवेरिएट गुणांक के चिह्न (या शून्य) के समान हो, जिससे साइन रिवर्सल (sign reversals) को रोका जा सके जो व्याख्या को जटिल बनाते हैं।
बाइनरी रिस्पॉन्स को संभालना: बाइनरी परिणामों के लिए, विधि दंडित लॉजिस्टिक रिग्रेशन का उपयोग करती है। चूंकि लॉजिस्टिक लॉस के लिए क्लोज्ड-फॉर्म LOO समाधान मौजूद नहीं हैं, इसलिए लेखक Rad और Maleki [2020] द्वारा प्रस्तावित LOO भविष्यवाणियों के सन्निकटन (approximation) के साथ इटरेटिवली रीवेटेड लीस्ट स्क्वायर्स (IRLS) का उपयोग करते हैं।

स्केलेबिलिटी और स्थिरता संशोधन

uniLasso को UK बायोबैंक के लिए व्यवहार्य बनाने के लिए, लेखकों ने कई महत्वपूर्ण इंजीनियरिंग और सांख्यिकीय संशोधन पेश किए:

डेटा स्प्लिटिंग: $k$ -फोल्ड क्रॉस-वैलिडेशन (जो $p \gg n$ के लिए बहुत महंगा है) के बजाय, उन्होंने $\lambda$ को ट्यून करने के लिए 70/10/20 ट्रेन/वैलिडेशन/टेस्ट स्प्लिट का उपयोग किया।
MAF फ़िल्टरिंग: उन SNPs को हटा दिया गया जिनका माइनर एलील फ्रीक्वेंसी (MAF) < 0.0005 था, ताकि उन दुर्लभ वेरिएंट्स को हटाया जा सके जो कम प्रेडिक्टिव पावर में योगदान देते हैं और अस्थिरता पैदा करते हैं।
वेरिएंस स्टेबिलाइजेशन: कम वेरिएंस वाले SNPs के लिए, $S_{xx}$ की गणना में डेनोमिनेटर को $S_{xx}$ के एम्पिरिकल डिस्ट्रीब्यूशन के पांचवें पर्सेंटाइल को जोड़कर रेगुलराइज किया गया। यह लगभग स्थिर कॉलम में गुणांक विस्फोट (coefficient explosion) को रोकता है।
एक्सटर्नल स्कोर इंटीग्रेशन (uniLasso ES): कच्चे डेटा तक पहुंच के बिना बाहरी डेटा (जैसे FinnGen) को शामिल करने के लिए, लेखकों ने पेनल्टी टर्म को अनुकूलित किया। वे दूसरे चरण के रिग्रेशन के $\ell_1$ पेनल्टी में एडेप्टिव वेट्स ( $|\tilde{\beta}_j|$ ) और साइन कंस्ट्रेंट्स को परिभाषित करने के लिए बाहरी यूनिवेरिएट गुणांकों ( $\tilde{\beta}_j$ ) का उपयोग करते हैं, न कि ट्रेनिंग डेटा से LOO अनुमानों की गणना करते हैं।

मुख्य योगदान

स्केलेबल uniLasso कार्यान्वयन: यह पेपर बायोबैंक-स्केल डेटा ( $p \approx 10^6, n \approx 5 \times 10^5$ ) को संभालने में सक्षम uniLasso का पहला अनुकूलन प्रस्तुत करता है, जो मेमोरी और समय की बाधाओं को पार करता है।
बाहरी डेटा एकीकरण: बाहरी समरी स्टैटिस्टिक्स को एक स्पार्स मल्टीवेरिएट मॉडल में एकीकृत करने के लिए एक नया ढांचा, जो कच्चे डेटा साझाकरण की आवश्यकता के बिना प्रेडिक्टिव सटीकता में सुधार करता है।
बाइनरी रिस्पॉन्स विस्तार: IRLS-आधारित LOO फिट्स और लॉजिस्टिक रिग्रेशन का उपयोग करके बाइनरी फेनोटाइप के लिए एल्गोरिदम का विस्तार।
UK बायोबैंक पर अनुभवजन्य सत्यापन: निरंतर (ऊंचाई, BMI) और बाइनरी (CHD, अस्थमा) फेनोटाइप के लिए मानक Lasso, PRS-CS और अन्य बेसलाइन्स के विरुद्ध व्यापक मूल्यांकन।

परिणाम

लेखकों ने निरंतर (ऊंचाई, BMI) और बाइनरी (CHD, अस्थमा) फेनोटाइप के लिए UK बायोबैंक पर अपने तरीकों का मूल्यांकन किया।

स्पैरसिटी बनाम प्रदर्शन (Sparsity vs. Performance):
- uniLasso ने मानक Lasso (उदाहरण के लिए, ऊंचाई के लिए $R^2$ : 0.707 बनाम 0.713) के बराबर प्रेडिक्टिव प्रदर्शन प्राप्त किया, लेकिन काफी कम वेरिएंट्स चुने।
- विशेष रूप से, uniLasso ने ऊंचाई के लिए Lasso की तुलना में 38% कम SNPs और BMI के लिए 43% कम चुने, जिसमें $R^2$ में नगण्य गिरावट (क्रमशः 0.006 और 0.016) हुई।
- CHD जैसे बाइनरी लक्षणों के लिए, uniLasso केवल 0.001 की टेस्ट एरर वृद्धि के साथ Lasso से 50% अधिक स्पार्स था।
व्याख्यात्मकता (Interpretability):
- एक प्रमुख निष्कर्ष साइन बदलावों (sign changes) का उन्मूलन है। मानक Lasso में, सहसंबंध के कारण गुणांक अक्सर अपने यूनिवेरिएट प्रभावों के सापेक्ष चिह्न बदल देते हैं (जैसे ऊंचाई के लिए 12% गुणांकों ने चिह्न बदले)। uniLasso, अपनी संरचना के अनुसार, यह सुनिश्चित करता है कि सभी गैर-शून्य गुणांक अपने यूनिवेरिएट प्रभाव का चिह्न बनाए रखें, जिससे व्याख्यात्मकता काफी बढ़ जाती है।
एक्सटर्नल स्कोर (uniLasso ES):
- FinnGen से बाहरी स्कोर को एकीकृत करने से (uniLasso ES) सभी चार फेनोटाइप के लिए सर्वश्रेष्ठ प्रेडिक्टिव प्रदर्शन प्राप्त हुआ।
- ऊंचाई के लिए, uniLasso ES ने 0.716 का $R^2$ प्राप्त किया (Lasso के 0.713 के मुकाबले)।
- बाहरी डेटा का उपयोग करने के बावजूद, मॉडल Lasso और PRS-CS की तुलना में काफी अधिक स्पार्स रहे।
PRS-CS के साथ तुलना:
- PRS-CS, एक सघन (dense) बेयसियन विधि, निरंतर लक्षणों पर सभी Lasso-आधारित विधियों से कम प्रदर्शन करती है और केवल CHD पर उनके बराबर पहुँचती है। PRS-CS ने सघन मॉडल (सभी SNPs का उपयोग करना) बनाए, जबकि uniLasso ES उच्च स्पैरसिटी बनाए रखता है।

महत्व और दावे

यह पेपर दावा करता है कि uniLasso बायोबैंक-स्केल जीनोमिक डेटा के लिए प्रेडिक्टिव सटीकता, स्पैरसिटी और व्याख्यात्मकता के बीच एक बेहतर संतुलन प्रदान करता है।

"इन्फिनिटेसिमल" दृष्टिकोण को चुनौती: परिणाम उन सख्त "पैनजेनोमिक" या इन्फिनिटेसिमल मॉडलों (जैसे PRS-CS या LDpred-inf) को एक अनुभवजन्य काउंटरपॉइंट प्रदान करते हैं जो मानते हैं कि प्रत्येक वेरिएंट का गैर-शून्य प्रभाव होता है। लेखक तर्क देते हैं कि व्यावहारिक भविष्यवाणी के लिए, एक "स्पार्स-पॉलीजेनिक" दृष्टिकोण—जहाँ कुछ दसियों हज़ार वेरिएंट्स अधिकांश सिग्नल को कैप्चर करते हैं—पर्याप्त और अधिक मजबूत है।
मैकेनिस्टिक स्पष्टता: वास्तविक कारण वेरिएंट्स (या उनके करीब) पर भार को केंद्रित करके, uniLasso गैर-कारण टैग SNPs के "शोर" योगदान को कम करता है, जिससे व्यक्तिगत जोखिम अनुमानों की मजबूती में सुधार हो सकता है।
व्यावहारिक उपयोगिता: यह विधि दर्शाती है कि पारंपरिक दो-चरणीय GWAS-प्लस-PRS पाइपलाइन की सीमाओं से परे जाकर, व्यक्तिगत-स्तर के बायोबैंक डेटा पर सीधे मल्टीवेरिएट मॉडल फिट करना संभव है। बाहरी समरी स्टैटिस्टिक्स का एकीकरण गोपनीयता-प्रतिबंधित वातावरण में इसकी उपयोगिता को और बढ़ाता है।

लेखक निष्कर्ष निकालते हैं कि जबकि केवल समरी स्टैटिस्टिक्स उपलब्ध होने पर सघन (dense) मॉडलों का मूल्य होता है, uniLasso का स्पार्स मल्टीवेरिएट दृष्टिकोण उन सेटिंग्स के लिए अत्यधिक प्रभावी है जहाँ व्याख्यात्मकता और कम्प्यूटेशनल दक्षता सर्वोतम है।