🧬 biology

Latent-Space Causal Discovery from Indirect Neuroimaging Observations

यह शोध पत्र INCAMA को प्रस्तुत करता है, जो एक भौतिकी-जागरूक (physics-aware) ढांचा है जो विकृत न्यूरोइमेजिंग संकेतों से निर्देशित तंत्रिका कारण संरचनाओं (directed neural causal structures) को पुनर्प्राप्त करने के लिए लेटेंट-स्पेस इन्वर्जन को डिले-अवेयर माम्बा एनकोडर के साथ जोड़ता है, जो सिमुलेशन और वास्तविक दुनिया के fMRI डेटा दोनों में बेसलाइन्स की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Sangyoon Bae, Miruna Oprescu, David Keetae Park, Shinjae Yoo, Jiook Cha

प्रकाशित 2026-05-11✓ Author reviewed ⓘ

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sangyoon Bae, Miruna Oprescu, David Keetae Park, Shinjae Yoo, Jiook Cha

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Latent-Space Causal Discovery from Indirect Neuroimaging Observations" पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी समस्या: "धुंधली खिड़की" (The "Muddy Window")

कल्पना कीजिए कि आप एक भीड़ भरे कमरे में यह पता लगाने की कोशिश कर रहे हैं कि कौन किससे बात कर रहा है, लेकिन आप लोगों को देख नहीं सकते। आप केवल एक मोटी, धुंधली और विकृत (distorted) खिड़की के माध्यम से आने वाली आवाज़ सुन सकते हैं।

लोग: ये आपके मस्तिष्क के न्यूरॉन्स हैं।
बातचीत: यह "कारण प्रभाव" (causal influence) है (एक मस्तिष्क क्षेत्र दूसरे को कुछ करने के लिए निर्देश दे रहा है)।
खिड़की: यह ब्रेन स्कैनर (fMRI या EEG) है।

समस्या यह है कि खिड़की आवाज़ को विकृत कर देती है।

fMRI (धीमी, धुंधली खिड़की): स्कैनर न्यूरॉन्स को सीधे नहीं सुनता। यह रक्त प्रवाह की प्रतिक्रिया (blood flow response) सुनता है, जो एक धीमी गूँज (echo) की तरह है जो समय (timing) को धुंधला कर देती है। यदि व्यक्ति A बोलता है, तो स्कैनर सोच सकता है कि व्यक्ति B पहले बोला था क्योंकि गूँज में देरी होती है।
EEG (मिली-जुली खिड़की): स्कैनर स्कैल्प (scalp) पर होता है, इसलिए माइक्रोफ़ोन तक पहुँचने से पहले अलग-अलग लोगों की आवाज़ आपस में मिल जाती है। यह एक ऐसे गायक समूह (choir) को सुनने जैसा है जहाँ आप यह नहीं बता सकते कि कौन सा गायक कौन है।

इस विरूपण (distortion) के कारण, यदि आप केवल कच्चे डेटा (raw data) को देखते हैं, तो आपको लग सकता है कि दो मस्तिष्क क्षेत्र जुड़े हुए हैं जबकि वे नहीं हैं, या आप एक ऐसे संबंध को मिस कर सकते हैं जो वास्तव में मौजूद है।

समाधान: INCAMA (द "स्मार्ट ट्रांसलेटर")

लेखक INCAMA नामक एक नई विधि प्रस्तावित करते हैं। इसे एक दो-चरणीय अनुवादक (two-step translator) के रूप में समझें जो बातचीत को समझने से पहले सिग्नल को साफ करता है।

चरण 1: "फिजिक्स-अवेयर" क्लीनर (इनवर्जन/Inversion)

कनेक्शन खोजने से पहले, INCAMA पहले खिड़की के विरूपण को "उल्टा" (undo) करने की कोशिश करता है।

fMRI के लिए: यह एक विशेष डी-ब्लरिंग टूल की तरह काम करता है। यह जानता है कि रक्त प्रवाह मस्तिष्क के संकेतों को कैसे धीमा करता है (HRF) और उस धुंधलेपन को गणितीय रूप से उलट देता है ताकि यह अनुमान लगाया जा सके कि मूल न्यूरल "स्पार्क" कैसा दिखता था।
EEG के लिए: यह एक साउंड मिक्सर की तरह काम करता है जो जानता है कि खोपड़ी (skull) संकेतों को कैसे मिलाती है। यह मिश्रित गायक समूह को वापस व्यक्तिगत गायकों में अलग करने की कोशिश करता है।

महत्वपूर्ण बिंदु: पेपर का दावा है कि यह चरण "फिजिक्स-अवेयर" (भौतिकी-जागरूक) है। यह केवल अनुमान नहीं लगाता; यह भौतिकी के ज्ञात नियमों (रक्त कैसे बहता है, बिजली खोपड़ी के माध्यम से कैसे यात्रा करती है) का उपयोग करके सफाई प्रक्रिया को निर्देशित करता है।

चरण 2: "डिटेक्टिव" (लेटेंट कॉज़ल डिस्कवरी)

एक बार जब सिग्नल साफ हो जाता है (उनके "लेटेंट" या छिपी हुई अवस्था में बहाल हो जाता है), तो INCAMA का दूसरा भाग एक जासूस (detective) की तरह काम करता है।

सुराग: जासूस बदलावों (changes) की तलाश करता है। पेपर का तर्क है कि यदि बातचीत के नियम समय के साथ थोड़ा बदलते हैं (non-stationarity)—जैसे कि यदि वॉल्यूम एक विशिष्ट पैटर्न में ऊपर या नीचे जाता है—तो आप यह पता लगा सकते हैं कि बातचीत का नेतृत्व कौन कर रहा है।
उपकरण: यह Mamba (एक प्रकार का "सिलेक्टिव स्टेट स्पेस मॉडल") नामक एक आधुनिक AI आर्किटेक्चर का उपयोग करता है। Mamba को एक अत्यंत कुशल लाइब्रेरियन के रूप में कल्पना करें जो एक बहुत लंबी किताब (मस्तिष्क के घंटों का डेटा) पढ़ सकता है और बिना अभिभूत हुए सबसे महत्वपूर्ण विवरणों को याद रख सकता है। यह उन पैटर्न की तलाश करता है जहाँ एक मस्तिष्क क्षेत्र की गतिविधि दूसरे की भविष्यवाणी करती है, विशेष रूप से देरी (delays) को देखते हुए (जैसे, क्षेत्र A बदलता है, और 2 सेकंड बाद, क्षेत्र B बदलता है)।

सिद्धांत: यह क्यों काम करता है (द "सेफ्टी नेट")

लेखकों ने केवल एक उपकरण नहीं बनाया; उन्होंने यह समझाने के लिए एक गणितीय प्रमाण भी लिखा कि यह कब काम करता है।

गारंटी: उन्होंने सिद्ध किया कि यदि आप सिग्नल को पर्याप्त रूप से साफ कर सकते हैं (चरण 1), और यदि मस्तिष्क की गतिविधि इस तरह से बदलती है कि सुराग मिल सकें (चरण 2), तो आप गणितीय रूप से वास्तविक कनेक्शन खोज सकते हैं।
त्रुटि सीमा (Error Bound): उन्होंने यह भी सिद्ध किया कि यदि आपका सफाई चरण पूर्ण नहीं है (जो कि कभी नहीं होता), तो अंतिम उत्तर पूरी तरह से गलत नहीं होगा। अंतिम उत्तर में त्रुटि सीधे इस बात से जुड़ी है कि सफाई कितनी खराब थी। यह एक "ग्रेसफुल डिग्रेडेशन" (graceful degradation) है—यदि खिड़की थोड़ी धुंधली है, तो उत्तर थोड़ा धुंधला होगा, लेकिन वह पूरी तरह से ध्वस्त नहीं होगा।

प्रयोग: क्या यह काम कर गया?

लेखकों ने इसे दो तरीकों से परखा:

"वर्चुअल ब्रेन" (सिमुलेशन):
- उन्होंने कंप्यूटर पर एक नकली मस्तिष्क बनाया जहाँ उन्हें सटीक सत्य (किसने किससे बात की) पता था।
- उन्होंने सिमुलेशन को "धुंधली खिड़की" (यथार्थवादी fMRI और EEG विरूपण जोड़कर) के माध्यम से चलाया।
- परिणाम: INCAMA ने मौजूदा तरीकों की तुलना में 2 से 3 गुना बेहतर कनेक्शन खोजे। यह मस्तिष्क के वास्तविक मानचित्र को समझने में बहुत अधिक सटीक था।
"रियल वर्ल्ड" चेक (HCP डेटा):
- उन्होंने ह्यूमन कनेक्टोम प्रोजेक्ट (HCP) से वास्तविक डेटा लिया (लोग एक मोटर कार्य कर रहे थे, जैसे हाथ हिलाना)।
- उन्होंने इस वास्तविक डेटा पर मॉडल को फिर से प्रशिक्षित (retrain) नहीं किया (Zero-shot)। उन्होंने बस नकली मस्तिष्क पर प्रशिक्षित मॉडल का उपयोग किया।
- परिणाम: मॉडल ने ऐसे कनेक्शन खोजे जो जैविक रूप से समझ में आने वाले थे। उदाहरण के लिए, इसने सही ढंग से पहचाना कि दृश्य प्रांतस्था (visual cortex - देखना) मोटर प्रांतस्था (motor cortex - हिलना) से जुड़ती है जब कोई हाथ हिलाने वाला कार्य कर रहा होता है। इसने रैंडम शोर नहीं पाया; इसने मस्तिष्क के उन "हाईवे" को खोजा जिन्हें वैज्ञानिक पहले से ही जानते हैं।

दावों का सारांश

उन्होंने क्या बनाया: एक प्रणाली जो पहले भौतिकी का उपयोग करके विकृत मस्तिष्क स्कैन डेटा को साफ करती है, फिर मस्तिष्क क्षेत्रों के बीच प्रभाव की दिशा खोजने के लिए AI का उपयोग करती है।
उन्होंने क्या सिद्ध किया: गणितीय रूप से, यह काम करता है यदि सफाई अच्छी है और मस्तिष्क की गतिविधि समय के साथ बदलती है।
उन्होंने क्या दिखाया: यह सिम्युलेटेड डेटा पर वर्तमान तरीकों से बेहतर काम करता है और बिना पुन: प्रशिक्षित हुए वास्तविक मानव डेटा में जैविक रूप से सार्थक पैटर्न पाता है।

वे क्या दावा नहीं करते हैं:

वे यह दावा नहीं करते हैं कि यह व्यक्तिगत रोगियों के निदान के लिए तैयार है।
वे यह दावा नहीं करते हैं कि उन्होंने मानव मस्तिष्क के "पूर्ण सत्य" को खोज लिया है (क्योंकि वास्तविक मानव ग्राउंड ट्रुथ जानना असंभव है)।
वे यह दावा नहीं करते हैं कि यह सबकोर्टिकल (गहरे मस्तिष्क के) संरचनाओं के लिए काम करता है, केवल बाहरी कॉर्टेक्स (मस्तिष्क की ऊपरी परत) के लिए।

संक्षेप में, INCAMA मस्तिष्क स्कैन की "धुंधली खिड़की" के माध्यम से देखने का एक नया तरीका है, जो भौतिकी का उपयोग करके छवि को साफ करता है, और फिर यह मानचित्र बनाने के लिए स्मार्ट AI का उपयोग करता है कि मस्तिष्क में कौन किससे बात कर रहा है।

तकनीकी सारांश: अप्रत्यक्ष न्यूरोइमेजिंग अवलोकनों से लेटेंट-स्पेस कॉज़ल डिस्कवरी (Latent-Space Causal Discovery)

समस्या विवरण (Problem Statement)

EEG और fMRI जैसे न्यूरोइमेजिंग मोडैलिटीज सीधे तंत्रिका संबंधी कारण चर (neural causal variables) का अवलोकन नहीं करते हैं। इसके बजाय, वे अप्रत्यक्ष संकेतों को कैप्चर करते हैं जो मोडैलिटी-विशिष्ट फॉरवर्ड ऑपरेटर्स द्वारा विकृत होते हैं: EEG सिग्नल वॉल्यूम कंडक्शन (लीडफील्ड) के माध्यम से स्थानिक रूप से मिश्रित होते हैं, जबकि fMRI सिग्नल हेमोडायनामिक रिस्पॉन्स फंक्शन (HRF) द्वारा टेम्पोरल रूप से धुंधले (blurred) हो जाते हैं। फलस्वरूप, सेंसर या वोक्सेल स्पेस में देखे गए सांख्यिकीय संबंध आवश्यक रूप से अंतर्निहित लेटेंट न्यूरल कॉज़ल प्रभाव को प्रतिबिंबित नहीं करते हैं। मौजूदा विधियाँ एक ट्रेड-ऑफ का सामना करती हैं: डायनेमिक कॉज़ल मॉडलिंग (DCM) बायोफिजिकल यथार्थवाद को शामिल करता है लेकिन इसमें स्केलेबिलिटी की कमी है, जबकि ऑब्जर्वेशन-स्पेस विधियाँ (जैसे, ग्रेंजर कॉज़ैलिटी, VAR) अच्छी तरह से स्केल करती हैं लेकिन मिक्सिंग और हेमोडायनामिक फ़िल्टरिंग के प्रति संवेदनशील रहती हैं, जिससे अक्सर वास्तविक निर्देशित संरचना (directed structure) को रिकवर करने में विफलता होती है।

मुख्य चुनौती जिसका समाधान किया गया है वह यह है: किन धारणाओं के तहत भौतिकी-विकृत अप्रत्यक्ष अवलोकनों से एक विलंब युक्त निर्देशित ग्राफ (delayed directed graph) की पहचान की जा सकती है, और इसे बड़े पैमाने पर कैसे प्राप्त किया जा सकता है?

कार्यप्रणाली: INCAMA

लेखक INCAMA (INdirect CAusal MAmba) प्रस्तावित करते हैं, जो एक एंड-टू-एंड फ्रेमवर्क है जो फिजिक्स-अवेयर इन्वर्जन (physics-aware inversion) को लेटेंट-स्पेस कॉज़ल डिस्कवरी के साथ जोड़ता है। यह आर्किटेक्चर एक दो-चरणीय पाइपलाइन का अनुसरण करता है:

चरण 1: फिजिक्स-अवेयर इन्वर्जन (Physics-Aware Inversion)
मॉडल लेटेंट न्यूरल ट्राजेक्टरीज $\hat{z}_{1:T}$ को अवलोकनों $x_{1:T}$ से रिकवर करने के लिए एक रेगुलराइज्ड इनवर्स मैपिंग $g_\theta$ सीखता है। महत्वपूर्ण रूप से, यह चरण ज्ञात फॉरवर्ड फिजिक्स $H_\psi$ द्वारा बाधित है:
- EEG के लिए: मॉडल लीडफील्ड मिक्सिंग ( $x_t \approx L_\psi z_t$ ) को इनवर्ट करना सीखता है, जो प्रभावी रूप से अनमिक्सड सोर्स लोकलाइजेशन (DeepSIF से प्रेरित) करता है।
- fMRI के लिए: मॉडल लेटेंट न्यूरल गतिविधि और रीजन-स्पेसिफिक HRF पैरामीटर्स को संयुक्त रूप से अनुमानित करता है ताकि BOLD सिग्नल को डीकनवॉल्व किया जा सके ( $x_t \approx H_\psi * z_t$ ), जिससे हेमोडायनामिक कन्फाउंड्स कम हो जाते हैं।
  इनवर्जन को यह सुनिश्चित करने के लिए प्रशिक्षित किया जाता है कि पुनर्निर्मित ट्राजेक्टरीज भौतिक रूप से सार्थक न्यूरल सिग्नल हों, न कि जेनेरिक एम्बेडिंग्स।
चरण 2: लेटेंट-स्पेस कॉज़ल डिस्कवरी (Latent-Space Causal Discovery)
एक बार जब लेटेंट ट्राजेक्टरीज रिकवर हो जाती हैं, तो मॉडल डिले-अवेयर कॉज़ल डिस्कवरी करने के लिए एक Mamba (सिलेक्टिव स्टेट स्पेस मॉडल) बैकबोन का उपयोग करता है।
- तंत्र (Mechanism): यह कॉज़ल दिशा की पहचान करने के लिए 'नॉनस्टेशनैरिटी' (समय-परिवर्तनीय कपलिंग स्ट्रेंथ) का उपयोग करता है, जो इंडिपेंडेंट कॉज़ल मैकेनिज्म (ICM) के सिद्धांत पर आधारित है।
- आर्किटेक्चर: एक साझा Mamba एनकोडर ROI टाइम सीरीज़ को प्रोसेस करता है। निर्देशित इंटरैक्शन को ट्रांसमिशन डिले को कैप्चर करने के लिए मल्टी-लैग लीनियरलाइज्ड कर्नेल (शॉर्ट, मिड, लॉन्ग डिले) के माध्यम से मॉडल किया जाता है।
- स्पर्सिफिकेशन (Sparsification): एक टॉप- $k$ सिलेक्शन मैकेनिज्म जैविक स्पर्सिटी (biological sparsity) को लागू करता है, जो अंतिम निर्देशित ग्राफ $\hat{G}$ बनाने के लिए सबसे मजबूत किनारों (edges) को बनाए रखता है।

पूरी पाइपलाइन को बायोफिजिकल सिमुलेशन (The Virtual Brain, TVB) पर एंड-टू-एंड प्रशिक्षित किया जाता है, जिससे कॉज़ल ऑब्जेक्टिव को इन्वर्जन स्टेज को ऐसे रिप्रेजेंटेशन्स बनाने के लिए आकार मिलता है जो ग्राफ आइडेंटिफिएबिलिटी के लिए इष्टतम हों।

सैद्धांतिक योगदान (Theoretical Contributions)

यह पेपर उन शर्तों को औपचारिक रूप देता है जिनके तहत अप्रत्यक्ष अवलोकनों से कॉज़ल डिस्कवरी संभव है:

कंडीशनल आइडेंटिफिएबिलिटी (Conditional Identifiability): लेखक सिद्ध करते हैं कि यदि लेटेंट ट्राजेक्टरीज को अप्रत्यक्ष अवलोकनों से लगातार रिकवर किया जा सकता है (धारणा 4.4) और लेटेंट डायनेमिक्स नॉनस्टेशनरी मैकेनिज्म शिफ्ट प्रदर्शित करते हैं (धारणा 4.3), तो ऑब्जर्वेशन डिस्ट्रीब्यूशन $P(x_{1:T})$ से डिलेड ग्राफ $G$ की पहचान की जा सकती है। यह लेटेंट-स्पेस आइडेंटिफिएबिलिटी (Huang et al., 2019) का अप्रत्यक्ष अवलोकन सेटिंग में न्यूनीकरण है।
एरर प्रोपेगेशन बाउंड (Error Propagation Bound): एक प्रमुख सैद्धांतिक परिणाम (प्रपोजिशन 4.7) स्थापित करता है कि ग्राफ रिकवरी में त्रुटि, इन्वर्जन एरर द्वारा सीमित होती है। विशेष रूप से, यदि इन्वर्जन प्रक्रिया सुसंगत (consistent) है, तो एंड-टू-एंड एस्टिमेटर भी सुसंगत है। यह एक सैद्धांतिक गारंटी प्रदान करता है कि लेटेंट स्टेट्स को पुनर्निर्मित करने में सीमित त्रुटियां, अनुमानित कॉज़ल ग्राफ में सीमित त्रुटियों की ओर ले जाती हैं।

प्रयोगात्मक परिणाम (Experimental Results)

मूल्यांकन ज्ञात ग्राउंड ट्रुथ के साथ नियंत्रित सिमुलेशन और वास्तविक मानव डेटा पर ज़ीरो-शॉट ट्रांसफर का उपयोग करता है।

सिम्युलेटेड डेटा (TVB):
- EEG: INCAMA निर्देशित संरचना को रिकवर करने में बेसलाइन्स (MNE/sLORETA + Granger/VAR, DeepSIF + TCN/GNN) को काफी पीछे छोड़ देता है। यह ~0.16–0.21 के बेसलाइन F1 स्कोर की तुलना में 0.643 का F1 स्कोर प्राप्त करता है, जो यह दर्शाता है कि वॉल्यूम कंडक्शन को दूर करने के लिए जॉइंट फिजिक्स-अवेयर इन्वर्जन महत्वपूर्ण है।
- fMRI: INCAMA 0.610 का F1 स्कोर प्राप्त करता है, जो rDCM (0.258) और डीकनवोल्यूशन-आधारित लीनियर मेथड्स से काफी अधिक है। यह बेहतर कम्प्यूटेशनल दक्षता भी प्रदर्शित करता है, जो rDCM के ~100 GFLOPs की तुलना में ~5 GFLOPs पर संचालित होता है।
- मजबूती (Robustness): मॉडल फिजिक्स मिसस्पेसिफिकेशन (जैसे, ±20% HRF स्केलिंग या लीडफील्ड नॉइज़) के तहत भी अच्छा प्रदर्शन करता है, जिससे पुष्टि होती है कि यह सिम्युलेटर फिजिक्स को रटने के बजाय ट्रांसफ़रेबल कॉज़ल स्ट्रक्चर सीखता है।
वास्तविक डेटा (HCP मोटर टास्क):
- ह्यूमन कनेक्टोम प्रोजेक्ट (HCP) के 1,079 विषयों पर ज़ीरो-शॉट लागू करते हुए, INCAMA कैनोनिकल विज़ुओ-मोटर पाथवे (जैसे, V1→V2, PM→M1) में केंद्रित स्पर्स निर्देशित अनुमान उत्पन्न करता है।
- हालांकि विशाल सर्च स्पेस और अनमॉडल किए गए सबकोर्टिकल ड्राइवर्स के कारण पूर्ण सटीकता (0.022) कम है, मॉडल कैनोनिकल किनारों के लिए उच्च रिकॉल (0.610) प्राप्त करता है, जो ऑब्जर्वेशन-स्पेस बेसलाइन्स (FIR + Granger: F1 ~0.005) से काफी बेहतर है। यह सुझाव देता है कि सीखा गया स्कोर टास्क-रेलेवेंट एनाटॉमिकल कंसिस्टेंसी को कैप्चर करता है।

महत्व और दावे (Significance and Claims)

यह पेपर INCAMA को पूरे मस्तिष्क की निर्देशित कनेक्टिविटी अनुमान के लिए एक स्केलेबल मार्ग के रूप में स्थापित करता है, जो माप के विरूपण (measurement distortion) को शोर (noise) मानने के बजाय उसे स्पष्ट रूप से मॉडल करता है।

मुख्य दावा: यह कार्य प्रदर्शित करता है कि नॉनस्टेशनैरिटी गंभीर अप्रत्यक्ष अवलोकन विरूपणों की उपस्थिति में भी कॉज़ल दिशा के लिए एक आइडेंटिफाइंग सिग्नल के रूप में कार्य कर सकती है, बशर्ते कि इन्वर्जन फिजिक्स-अवेयर हो।
सीमाएं: लेखक स्पष्ट रूप से कहते हैं कि रिकवर किया गया ग्राफ प्रभावी कॉर्टिकल कनेक्टिविटी (effective cortical connectivity) का प्रतिनिधित्व करता है जो सबकोर्टिकल प्रभावों पर आधारित है (क्योंकि सबकोर्टिकल संरचनाओं को 68-ROI एटलस से बाहर रखा गया है)। वास्तविक डेटा पर सत्यापन अप्रत्यक्ष (एनाटॉमिकल/टास्क-नेटवर्क कंसिस्टेंसी पर आधारित) है क्योंकि मनुष्यों में ग्राउंड-ट्रुथ कॉज़ल कनेक्टिविटी उपलब्ध नहीं है।
प्रभाव: यह फ्रेमवर्क बायोफिजिकल यथार्थवाद और स्केलेबिलिटी के बीच के अंतर को पाटता है, जो एक ऐसा तरीका प्रदान करता है जो आइडेंटिफिएबिलिटी शर्तों में सैद्धांतिक रूप से आधारित और EEG तथा fMRI के विशिष्ट विरूपणों के प्रति अनुभवजन्य रूप से मजबूत है।