📊 statistics

Causal Discovery on Dependent Mixed Data with Applications to Gene Regulatory Network Inference

यह शोध पत्र एक डी-कोरिलेशन फ्रेमवर्क प्रस्तावित करता है जो निर्भर मिश्रित डेटा (dependent mixed data) से सटीक कारण खोज (causal discovery) को सक्षम करने के लिए स्ट्रक्चरल इक्वेशन मॉडलिंग को लेटेंट वेरिएबल इम्प्यूटेशन और कोवेरिएंस एस्टीमेशन के साथ एकीकृत करता है, जो मानक विधियों की तुलना में जीन नियामक नेटवर्क अनुमान (gene regulatory network inference) में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Alex Chen, Qing Zhou

प्रकाशित 2026-03-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alex Chen, Qing Zhou

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

मुख्य चित्र: जीवन के उलझे हुए जाल को सुलझाना

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक भीड़ भरे कमरे में किसने किसे प्रभावित किया। आपके पास लोगों (चरों/variables) की एक सूची है और आप एक ऐसा नक्शा बनाना चाहते हैं जो दिखाए कि किसने पहले किससे बात की (कारण संबंध/causal relationships)।

आमतौर पर, जासूस यह मान लेते हैं कि कमरे में मौजूद हर व्यक्ति एक अजनबी है जो स्वतंत्र रूप से आया है। लेकिन वास्तविक जीवन में—जैसे कि एक पारिवारिक मिलन, एक सामाजिक नेटवर्क, या एक जीव विज्ञान प्रयोगशाला में—लोग अक्सर समूहों में आते हैं, अपने दोस्तों से बात करते हैं, और इससे पहले कि जासूस सवाल पूछना शुरू करे, वे एक-दूसरे को प्रभावित करने लगते हैं। यह "किसने किसे प्रभावित किया" का नक्शा सही ढंग से बनाना बहुत कठिन बना देता है।

यह शोध पत्र, एलेक्स चेन और किंग झो द्वारा, एक नया जासूसी उपकरण पेश करता है जिसे विशेष रूप से ऐसे मेसी और भीड़भाड़ वाले कमरों के लिए डिज़ाइन किया गया है जहाँ:

लोग आपस में जुड़े हुए हैं: वे स्वतंत्र अजनबी नहीं हैं; वे एक-दूसरे को प्रभावित करते हैं (आश्रित डेटा/dependent data)।
लोग अलग-अलग भाषाएँ बोलते हैं: कुछ संख्याओं में बोलते हैं (निरंतर डेटा/continuous data, जैसे ऊंचाई या जीन अभिव्यक्ति स्तर), जबकि अन्य श्रेणियों में बोलते हैं (विविक्त डेटा/discrete data, जैसे "ऑन/ऑफ" या "कम/मध्यम/उच्च")।

समस्या: "इको चैंबर" प्रभाव

अधिकांश मानक जासूसी उपकरण (कारण खोज एल्गोरिदम/causal discovery algorithms) आधुनिक डेटा पर लागू होने पर दो तरीकों से विफल हो जाते हैं:

स्वतंत्रता की धारणा (The Independence Assumption): वे मान लेते हैं कि प्रत्येक डेटा बिंदु (कमरे में मौजूद हर व्यक्ति) स्वतंत्र है। लेकिन जीव विज्ञान में, एक ही वंश की कोशिकाएं भाई-बहनों की तरह होती हैं; वे एक-दूसरे के समान गुण साझा करती हैं क्योंकि वे एक ही परिवार के पेड़ से आती हैं, न कि इसलिए कि एक ने दूसरे को प्रभावित किया है। यदि आप इसे अनदेखा करते हैं, तो आप सोच सकते हैं कि दो भाई-बहन एक-दूसरे को प्रभावित कर रहे हैं जब वास्तव में वे केवल अपने माता-पिता की नकल कर रहे होते हैं।
मिश्रित डेटा की समस्या (The Mixed Data Problem): वास्तविक दुनिया का डेटा एक मिश्रण है। एक जीन नेटवर्क में, कुछ जीन "स्विच" (ऑन/ऑफ) होते हैं, जबकि अन्य "डायल" (वॉल्यूम लेवल) होते हैं। मानक उपकरण स्विच और डायल के मिश्रण को संभालने में संघर्ष करते हैं, खासकर जब वे स्विच और डायल एक-दूसरे की गूँज (echo) बन रहे हों।

समाधान: "नॉइज़-कैंसलिंग हेडफ़ोन"

लेखक एक चतुर दो-चरणीय रणनीति प्रस्तावित करते हैं जिसे वे "डी-कोरिलेशन फ्रेमवर्क" (De-correlation Framework) कहते हैं। इसे असली सिग्नल सुनने के लिए नॉइज़-कैंसलिंग हेडफ़ोन पहनने के रूप में समझें।

चरण 1: पर्दे के पीछे का "भूत" (अव्यक्त चर/Latent Variables)

कल्पना कीजिए कि कमरे में मौजूद प्रत्येक व्यक्ति के लिए, एक छिपा हुआ "भूत" (एक अव्यक्त चर) है जो वास्तव में बात कर रहा है।

यदि कोई व्यक्ति एक "स्विच" (विविक्त) है, तो उनका भूत एक निरंतर संख्या है जिसे स्विच बनने के लिए राउंड ऑफ कर दिया गया है।
यदि कोई व्यक्ति एक "डायल" (निरंतर) है, तो उनका भूत स्वयं वह संख्या है।

लेखक इस बात का अनुमान लगाने के लिए एक मॉडल बनाते हैं कि ये "भूत" क्या कर रहे हैं। वे पर्दे के पीछे झाँकने और उन छिपे हुए निरंतर मानों का अनुमान लगाने के लिए एक विशेष गणितीय ट्रिक (एक EM एल्गोरिदम) का उपयोग करते हैं जिन्होंने स्विच और डायल के उस मेसी मिश्रण को बनाया है जिसे हम देखते हैं।

चरण 2: "डी-क्लंपिंग" (वि-सहसंबंध/De-correlation)

एक बार जब उनके पास "भूत" आ जाते हैं, तो वे देखते हैं कि भूत अभी भी एक साथ गुच्छों में हैं क्योंकि लोग आपस में संबंधित हैं।

उपमा: एक ऐसे गायक दल (choir) की कल्पना करें जहाँ हर कोई अपने पड़ोसी के साथ थोड़ा बेसुरा गा रहा है क्योंकि वे एक-दूसरे के बहुत करीब खड़े हैं। ध्वनि धुंधली है।
समाधान: लेखक एक गणितीय "चोलेस्की फैक्टर" (Cholesky factor - इसे एक विशेष फ़िल्टर या नॉइज़-कैंसलिंग एल्गोरिदम के रूप में सोचें) का उपयोग करते हैं ताकि गायक दल के सदस्यों को अलग किया जा सके। वे गणितीय रूप से डेटा को अलग करते हैं ताकि पड़ोसियों के प्रभाव को हटाया जा सके।

अब, "भूत" स्वतंत्र रूप से गा रहे हैं। "गुच्छेबंदी" (clumping) खत्म हो गई है।

चरण 3: अंतिम नक्शा

अब कि डेटा "साफ" है और लोग फिर से स्वतंत्र अजनबियों की तरह व्यवहार कर रहे हैं, लेखक कारण मानचित्र (causal map) बनाने के लिए मानक, उपलब्ध टूल्स का उपयोग कर सकते हैं। क्योंकि समूह के प्रभाव का "शोर" हटा दिया गया है, वे जो नक्शा बनाते हैं वह बहुत अधिक सटीक होता है।

वास्तविक दुनिया का परीक्षण: कोशिकीय शहर (The Cellular City)

अपने तरीके को सिद्ध करने के लिए, उन्होंने इसे सिंगल-सेल आरएनए सीक्वेंसिंग डेटा पर लागू किया।

सेटिंग: 859 कोशिकाओं के एक शहर (ये "लोग" हैं) की कल्पना करें जो यह तय करने की कोशिश कर रहे हैं कि उन्हें शरीर के विभिन्न अंगों (जैसे त्वचा, हृदय या मस्तिष्क) के रूप में कैसे विकसित होना है।
लक्षक: यह पता लगाना कि कौन से जीन (जो "मेयर/महापौर" हैं) अन्य जीनों को क्या करने के लिए निर्देश दे रहे हैं ताकि यह विकास संचालित हो सके।
चुनौती: एक ही परिवार की रेखा वाली कोशिकाएं बहुत समान होती हैं (आश्रित), और जीन डेटा "ऑन/ऑफ" स्विच और "वॉल्यूम" स्तरों का एक मिश्रण है।

परिणाम:
जब उन्होंने अपने "नॉइज़-कैंसलिंग" तरीके का उपयोग किया, तो जीन इंटरैक्शन का परिणामी नक्शा था:

अधिक सटीक: इसने मानक तरीकों की तुलना में भविष्य के सेल व्यवहार की बहुत बेहतर भविष्यवाणी की।
वैज्ञानिक रूप से वैध: उनके द्वारा पाए गए कई संबंध पहले से ही जीव विज्ञानियों द्वारा ज्ञात थे (उदाहरण के लिए, विशिष्ट जीन जो स्टेम सेल्स को नियंत्रित करते हैं)।
मजबूत (Robust): यहाँ तक कि जब उन्होंने डेटा को इधर-उधर बदला (बूटस्ट्रैपिंग), तब भी सबसे महत्वपूर्ण संबंध समान रहे।

यह क्यों मायने रखता है

अतीत में, यदि आप जटिल जैविक प्रणालियों (जैसे कैंसर कैसे विकसित होता है या एक स्टेम सेल कैसे हृदय कोशिका बनता है) में कारण-और-प्रभाव को मैप करने का प्रयास करते थे, तो आपको अक्सर एक धुंधली, गलत तस्वीर मिलती थी क्योंकि आपने इस तथ्य को अनदेखा कर दिया था कि कोशिकाएं संबंधित हैं और डेटा मेसी है।

यह शोध पत्र एक यूनिवर्सल ट्रांसलेटर और एक नॉइज़-कैंसलिंग फ़िल्टर प्रदान करता है। यह वैज्ञानिकों को उनके मेसी, जुड़े हुए, मिश्रित-प्रकार के डेटा को साफ करने और फिर वास्तविक "कारण-और-प्रभाव" संबंधों को खोजने के लिए मानक उपकरणों का उपयोग करने की अनुमति देता है। यह एक अराजक, चिल्लाती हुई भीड़ को एक स्पष्ट, व्यवस्थित बातचीत में बदलने जैसा है ताकि आप अंततः समझ सकें कि चर्चा का नेतृत्व कौन कर रहा है।

यहाँ एलेक्स चेन और किंग झोऊ के शोध पत्र "Causal Discovery on Dependent Mixed Data with Applications to Gene Regulatory Network Inference" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कॉज़ल डिस्कवरी (Causal discovery) का लक्ष्य प्रेक्षित डेटा (observational data) से चरों के बीच कारण संबंधों (causal relationships) का अनुमान लगाना है, जिसे आमतौर पर एक निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) द्वारा दर्शाया जाता है। मौजूदा पद्धतियाँ आधुनिक अनुप्रयोगों में दो महत्वपूर्ण सीमाओं का सामना करती हैं:

i.i.d. धारणा का उल्लंघन: अधिकांश मानक एल्गोरिदम यह मानकर चलते हैं कि अवलोकन (नमूने) स्वतंत्र और समान रूप से वितरित (Independent and Identically Distributed - i.i.d.) हैं। हालाँकि, सोशल नेटवर्क विश्लेषण और जीनोमिक्स (विशेष रूप से सिंगल-सेल आरएनए सीक्वेंसिंग) जैसे क्षेत्रों में, नमूने अक्सर निर्भरता प्रदर्शित करते हैं (जैसे, एक ही वंशावली या बैच प्रभाव से संबंधित कोशिकाएं)।
मिश्रित डेटा प्रकार (Mixed Data Types): वास्तविक दुनिया के डेटासेट में अक्सर निरंतर (continuous) और असतत (discrete) चरों का मिश्रण होता है। नमूनों के बीच निर्भरता को मॉडल करना विशेष रूप से चुनौतीपूर्ण है जब असतत चर शामिल होते हैं, क्योंकि मानक सहसंबंध-आधारित डी-कोरिलेशन तकनीकें असतत डेटा पर सीधे लागू नहीं की जा सकती हैं।

यह शोध पत्र डिपेंडेंट मिक्स्ड डेटा (जिसमें निरंतर और असतत दोनों प्रकार के चर शामिल हैं) से कॉज़ल DAG संरचनाओं को सीखने की चुनौती का समाधान करता है।

2. कार्यप्रणाली (Methodology)

लेखक एक लेटेंट वेरिएबल स्ट्रक्चरल इक्वेशन मॉडल (Latent Variable SEM) पर आधारित एक डी-कोरिलेशन फ्रेमवर्क प्रस्तावित करते हैं। यह कार्यप्रणाली तीन मुख्य चरणों से बनी है:

A. लेटेंट वेरिएबल मॉडल फॉर्मूलेशन (Latent Variable Model Formulation)

लेखक मिश्रित डेटा को संभालने के लिए SEM का सामान्यीकरण करते हैं:

लेटेंट प्रोसेस (Latent Process): प्रत्येक प्रेक्षित चर $X_j$ (चाहे वह निरंतर हो या असतत) एक अंतर्निहित निरंतर लेटेंट चर $Z_j$ से उत्पन्न होता है।
डिस्क्रीटाइजेशन (Discretization): असतत चरों को एक क्वांटाइजेशन मैपिंग $Q(\cdot)$ के माध्यम से मॉडल किया जाता है जहाँ $X_j = Q(Z_j; T_j)$ , जो थ्रेसहोल्ड $T_j$ द्वारा निर्धारित होता है। निरंतर चर सीधे देखे जाते हैं ( $X_j = Z_j$ )।
डिपेंडेंस स्ट्रक्चर (Dependence Structure): लेटेंट चर एक लीनियर SEM का पालन करते हैं:
$Z_j = \sum_{k \in PA_j} \beta_{kj} g(Z_k)$
जहाँ $g(Z_k)$ या तो स्वयं लेटेंट चर है (यदि निरंतर है) या उसका डिस्क्रीटाइज्ड संस्करण (यदि असतत है)।
कोरिलेटेड नॉइज़ (Correlated Noise): एरर टर्म्स $\varepsilon_j$ एक मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन $\mathcal{N}_n(0, \Sigma)$ का पालन करते हैं, जहाँ $\Sigma$ इकाइयों (नमूनों) के बीच निर्भरता को दर्शाता है। यह प्रेक्षित डेटा में निर्भरता उत्पन्न करता है।

B. प्री-एस्टिमेशन चरण (Pre-estimation Phase)

डी-कोरिलेशन से पहले, लेखक मॉडल पैरामीटर्स का अनुमान लगाते हैं:

थ्रेसहोल्ड और कोएफिशिएंट्स: एक कोऑर्डिनेट एसेंट एल्गोरिदम का उपयोग करके, वे थ्रेसहोल्ड ( $T$ ) और रिग्रेशन कोएफिशिएंट्स ( $\beta$ ) का अनुमान लगाते हैं, जिसमें शुरू में स्वतंत्र एरर ( $\Sigma = I$ ) माना जाता है।
कोवेरिएंस एस्टीमेशन (Covariance Estimation): एक पेयरवाइज मैक्सिमम लाइकलीहुड एस्टीमेटर (MLE) का उपयोग करके, वे कोवेरिएंस मैट्रिक्स $\Sigma$ के ऑफ-डायगोनल तत्वों का अनुमान लगाते हैं। यह दृष्टिकोण इकाइयों के बीच सहसंबंध संरचना का अनुमान लगाने के लिए डिस्क्रीट और कंटीन्यूअस पेयर्स को एकीकृत करता है, यह मानते हुए कि $\Sigma$ की संरचना ब्लॉक-डायगोनल है जो प्राकृतिक समूहों (जैसे, सेल क्लस्टर) को दर्शाती है।

C. डी-कोरिलेशन और स्ट्रक्चर लर्निंग (De-correlation and Structure Learning)

मुख्य नवाचार निर्भर डेटा को लगभग स्वतंत्र डेटा में बदलना है:

लेटेंट रिकवरी (EM एल्गोरिदम): असतत चरों के लिए, लेटेंट निरंतर मानों $Z_j$ को एक एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) एल्गोरिदम का उपयोग करके इम्प्यूट (impute) किया जाता है। E-स्टेप प्रेक्षित डिस्क्रीट परिणामों के आधार पर मल्टीवेरेट ट्रंकेटेड गॉसियन डिस्ट्रीब्यूशन से सैंपल लेता है, और M-स्टेप रिग्रेशन कोएफिशिएंट्स को अपडेट करता है।
डी-कोरिलेशन ट्रांसफॉर्मेशन: एक बार लेटेंट डेटा $\hat{Z}$ प्राप्त हो जाने के बाद, इसे प्रिसिजन मैट्रिक्स $\Theta = \Sigma^{-1}$ के चोलेस्की फैक्टर (Cholesky factor) $L$ का उपयोग करके रूपांतरित किया जाता है:
$\tilde{Z} = L^\top \hat{Z}$
यह रूपांतरण सैंपल-लेवल की निर्भरता को हटा देता है, जिससे एक ऐसा डेटासेट प्राप्त होता है जहाँ इकाइयाँ लगभग स्वतंत्र होती हैं।
कॉज़ल डिस्कवरी: डी-कोरिलेटेड निरंतर डेटा पर मानक कॉज़ल डिस्कवरी एल्गोरिदम (जैसे, MMHC, PC, Copula-PC) लागू किए जाते हैं।
एग्रीगेशन (Aggregation): EM सैंपलिंग से होने वाली परिवर्तनशीलता को संभालने के लिए, लेखक अंतिम ग्राफ के लिए दो रणनीतियाँ प्रस्तावित करते हैं:
- कंसेंसस (Consensus): कई डी-कोरिलेटेड डेटासेट्स पर डिस्कवरी एल्गोरिदम चलाना और उन एडजेस (edges) को स्वीकार करना जो अधिकांश रन में दिखाई देते हैं।
- एवरेज (Average): डिस्कवरी एल्गोरिदम चलाने से पहले डी-कोरिलेटेड डेटासेट्स का औसत निकालना।

3. प्रमुख योगदान (Key Contributions)

मिश्रित डेटा के लिए एकीकृत ढांचा: यह शोध पत्र सैंपल डिपेंडेंस के तहत सामान्य निरंतर और मल्टी-लेवल डिस्क्रीट चरों को संभालने के लिए लेटेंट वेरिएबल SEM को विस्तारित करता है, जिससे उन विधियों की सीमाएं दूर होती हैं जो केवल बाइनरी डेटा या शुद्ध रूप से निरंतर डेटा को संभाल सकती थीं।
पेयरवाइज MLE के माध्यम से डी-कोरिलेशन: कोवेरिएंस मैट्रिक्स $\Sigma$ के लिए एक पेयरवाइज लाइकलीहुड एस्टीमेटर का विकास इकाइयों के ज्ञात नेटवर्क की आवश्यकता के बिना निर्भरता संरचनाओं का सटीक अनुमान लगाने की अनुमति देता है।
EM-आधारित इम्प्यूटेशन: क्रॉस-सैंपल कोरिलेशन को ध्यान में रखते हुए डिस्क्रीट ऑब्जर्वेशन्स के लिए लेटेंट निरंतर मानों को इम्प्यूट करने के लिए एक नया EM एल्गोरिदम विकसित किया गया है।
scRNA-seq के लिए अनुप्रयोग: इस पद्धति का उपयोग जीन रेगुलेटरी नेटवर्क (GRNs) को इन्फर करने के लिए सिंगल-सेल आरएनए सीक्वेंसिंग डेटा पर सफलतापूर्वक किया गया है, जो कोशिकाओं की गैर-i.i.d. प्रकृति (वंशावली और बैच प्रभाव) को स्पष्ट रूप से मॉडल करता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

कोवेरिएंस एस्टीमेशन: पेयरवाइज MLE दृष्टिकोण ने कोवेरिएंस मैट्रिक्स $\Sigma$ का सटीक अनुमान लगाया, जिसमें वेरिएबल्स की संख्या बढ़ने के साथ रूट मीन स्क्वायर एरर (RMSE) कम होता गया।
डी-कोरिलेशन की प्रभावशीलता: रूपांतरण के बाद, इकाइयों के बीच सहसंबंध काफी कम हो गया (रॉ डेटा में औसत 0.62 से घटकर डी-कोरिलेटेड डेटा में 0.09 हो गया)।
DAG रिकवरी: विभिन्न DAG लर्निंग एल्गोरिदम (MMHC, PC, Copula-PC) और डेटा सेटिंग्स (रैंडम और रियल बेंचमार्क DAGs) में, प्रस्तावित Consensus और Average दृष्टिकोण Baseline (निर्भर मिश्रित डेटा पर सीधे मानक विधियों को लागू करना) की तुलना में काफी बेहतर रहे।
- कॉज़ल ग्राफ रिकवरी के लिए F1-स्कोर में काफी सुधार हुआ, विशेष रूप से हाई-डायमेंशनल सेटिंग्स ( $p > n$ ) और Copula-PC के उपयोग के दौरान।
- Consensus दृष्टिकोण आम तौर पर सबसे स्थिर एज रिकवरी प्रदान करता है।

वास्तविक डेटा अनुप्रयोग (जीन रेगुलेटरी नेटवर्क)

डेटासेट: मानव भ्रूण स्टेम सेल्स (विभिन्न वंशों में विभेदित होते हुए) के सिंगल-सेल RNA-seq डेटा पर लागू किया गया।
मॉडल फिट: क्रॉस-वैलिडेशन ने दिखाया कि प्रस्तावित विधि (Consensus) ने Baseline और "Consensus-Ident" (जिसने डी-कोरिलेशन को अनदेखा किया) की तुलना में काफी उच्च टेस्ट-डेटा लॉग-लाइकलीहुड प्राप्त किया। यह पुष्टि करता है कि सैंपल डिपेंडेंस को मॉडल करने से प्रेडिक्टिव सटीकता में सुधार होता है।
जैविक वैधता: इन्फर्ड नेटवर्क में मौजूदा साहित्य द्वारा समर्थित उच्च-विश्वास वाले एडजेस (edges) शामिल थे। उदाहरण के लिए:
- प्लुरिपोटेंसी रेगुलेटर्स (POU5F1, NANOG, ZFP42) के बीच इंटरैक्शन।
- फीडबैक लूप (NODAL $\leftrightarrow$ LEFTY1)।
- ज्ञात रेगुलेटरी लिंक्स (PRDM14 $\to$ NANOG)।
स्थिरता: एक बूटस्ट्रैप विश्लेषण ने एज कॉन्फिडेंस को मापा, यह प्रदर्शित करते हुए कि इन्फर्ड नेटवर्क सैंपलिंग विविधताओं के प्रति मजबूत है।

5. महत्व (Significance)

यह कार्य आधुनिक डेटा साइंस की एक व्यापक समस्या का मौलिक समाधान प्रदान करता है: डिपेंडेंट, मिक्स्ड-टाइप डेटा पर कॉज़ल इन्फरेंस।

मेथोडोलॉजिकल प्रभाव: यह दर्शाता है कि कॉज़ल डिस्कवरी एल्गोरिदम को निर्भर डेटा के लिए मौलिक रूप से पुनर्गठित करने की आवश्यकता नहीं है; इसके बजाय, निर्भरता को लेटेंट वेरिएबल मॉडल पर आधारित प्री-प्रोसेसिंग डी-कोरिलेशन स्टेप के माध्यम से "धोया" (wash out) जा सकता है।
जैविक प्रभाव: सिंगल-सेल जीनोमिक्स के संदर्भ में, यह विधि कोशिकाओं को स्वतंत्र नमूने न मानकर, अधिक सटीक जीन रेगुलेटरी नेटवर्क को इन्फर करने का एक तरीका प्रदान करती है। यह सेल डिफरेंशिएशन को चलाने वाले नियामक तंत्रों की पहचान करने में मदद करता है, जो विकास और रोग को समझने के लिए महत्वपूर्ण है।
भविष्य की दिशाएं: लेखक नोट करते हैं कि जबकि वर्तमान ढांचा लीनियरिटी (linearity) मानता है, इसे नॉन-लीनियर SEMs के लिए विस्तारित किया जा सकता है, और वर्तमान में यह ऑब्जर्वेशनल डेटा को संभालता है लेकिन इसे बेहतर आइडेंटिफिएबिलिटी के लिए इंटरवेंशनल डेटा के साथ एकीकृत किया जा सकता है।