📊 statistics

A Bayesian Functional Concurrent Zero-Inflated Dirichlet-Multinomial Regression Model with Application to Infant Microbiome

यह शोध पत्र अनुदैर्ध्य (longitudinal), संरचनात्मक (compositional) और शून्य-स्फीत (zero-inflated) माइक्रोबायोम डेटा के मॉडलिंग में चुनौतियों को संबोधित करने के लिए एक नवीन बेयसियन फंक्शनल कंकरेंट ज़ीरो-इन्फ्लेटेड डिरिचलेट-मल्टीनोमियल रिग्रेशन मॉडल प्रस्तावित करता है, जो सिमुलेशन और एक अनुप्रयोग के माध्यम से अपनी प्रभावशीलता प्रदर्शित करता है जो यह प्रकट करता है कि शिशु $\alpha$ -विविधता (diversity) गर्भकालीन आयु और स्तनपान के उपभोग से सकारात्मक रूप से जुड़ी हुई है।

मूल लेखक: Brody Erlandson, Ander Wilson, Matthew D. Koslovsky

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Brody Erlandson, Ander Wilson, Matthew D. Koslovsky

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

एक शिशु के पेट (gut) की कल्पना एक हलचल भरे, अराजक शहर के रूप में करें। इस शहर के भीतर अरबों नन्हे निवासी रहते हैं जिन्हें सूक्ष्मजीव (microbes - बैक्टीरिया, वायरस, कवक) कहा जाता है। जीवन के पहले कुछ वर्षों में, यह शहर निर्माण के दौर में होता है। जनसंख्या तेजी से बदल रही है, नए मोहल्ले बनाए जा रहे हैं और पुराने ढहाए जा रहे हैं।

वैज्ञानिक यह समझना चाहते हैं कि यह शहर क्यों बदलता है। वे जानते हैं कि चीजें जैसे कि शिशु गर्भ में कितने समय तक रहा (gestational age) और शिशु कितना स्तनपान (breast milk) करता है, "मेयर" या "योजनाकारों" की तरह काम करती हैं जो यह प्रभावित करती हैं कि कौन से सूक्ष्मजीव फलेंगे-फूलेंगे और कौन से समाप्त हो जाएंगे।

हालाँकि, इस शहर का अध्ययन करना तीन मुख्य कारणों से अविश्वसनीय रूप से कठिन है:

"जीरो" (शून्य) की समस्या: कभी-कभी, एक विशिष्ट सूक्ष्मजीव नमूने में पूरी तरह से गायब होता है। क्या यह इसलिए है क्योंकि वह वास्तव में चला गया है (structural zero), या वैज्ञानिक ने उसे देखते समय बस मिस कर दिया (at-risk zero)? अंतर बताना मुश्किल है।
"पाई" (Pie) की समस्या: डेटा संयोजन संबंधी (compositional) है। सोचिए कि पेट के सूक्ष्मजीव एक एकल पाई (pie) के स्लाइस हैं। यदि "बैक्टीरिया A" का स्लाइस बड़ा होता है, तो "बैक्टीरिया B" का स्लाइस छोटा होना ही चाहिए, भले ही बैक्टीरिया B में वास्तव में कोई बदलाव न हुआ हो। आप केवल एक स्लाइस को अलग से नहीं देख सकते; आपको पूरी पाई को देखना होगा।
"गतिशील लक्ष्य" (Moving Target) की समस्या: शहर के नियम हर दिन बदलते हैं। एक कारक जो आज एक सूक्ष्मजीव की मदद करता है, वह कल उसे नुकसान पहुँचा सकता है। पुराने मॉडल मान लेते थे कि नियम स्थिर (static) होते हैं (जैसे कि एक ट्रैफिक लाइट जो कभी अपना रंग नहीं बदलती), लेकिन वास्तव में, प्रभाव कार्यात्मक (functional) होते हैं—वे एक नदी की तरह समय के साथ बहते और बदलते हैं।

समाधान: एक नया "समय-यात्रा करने वाला" कैमरा

इस शोध पत्र के लेखकों, ब्रॉडी एरलैंडसन, एंडर विल्सन और मैथ्यू कोस्लोव्स्की ने FunC-ZIDM नामक एक नया सांख्यिकीय उपकरण बनाया है।

इस मॉडल को एक हाई-टेक, समय-यात्रा करने वाले कैमरे के रूप में सोचें जो किसी भी क्षण पेट के माइक्रोबायोम शहर की तस्वीर ले सकता है, जबकि साथ ही साथ:

"जीरो" को छाँटता है: इसमें एक विशेष फ़िल्टर है जो यह पता लगाता है कि एक गायब सूक्ष्मजीव वास्तव में चला गया है या केवल छिप गया है।
"पाई" का सम्मान करता है: यह समझता है कि सूक्ष्मजीव आपस में जुड़े हुए हैं। यदि एक बढ़ता है, तो यह जानता है कि इसका दूसरों पर क्या प्रभाव पड़ेगा।
"प्रवाह" को ट्रैक करता है: यह पूछने के बजाय कि "क्या स्तनपान बैक्टीरिया A की मदद करता है?", यह पूछता है कि "स्तनपान का बैक्टीरिया A पर प्रभाव दिन 1 से दिन 50 तक कैसे बदलता है?"

उन्होंने इसका परीक्षण कैसे किया (सिमुलेशन)

वास्तविक शिशुओं पर उपयोग करने से पहले, उन्होंने कंप्यूटर में एक आभासी शहर बनाया। उन्होंने 50 अलग-अलग प्रकार के सूक्ष्मजीव बनाए और सिम्युलेट किया कि वे विभिन्न "मेयरों" (सहचर/covariates) के प्रति समय के साथ कैसे प्रतिक्रिया देंगे। वे "सत्य" उत्तर जानते थे क्योंकि उन्होंने स्वयं कोड लिखा था।

उन्होंने अपने नए कैमरे (FunC-ZIDM) की तुलना पुराने, सरल कैमरों से की।

पुराने कैमरे: अक्सर "जीरो" से भ्रमित हो जाते थे और बदलते नियमों को मिस कर देते थे। वे कह देते थे कि एक सूक्ष्मजीव स्थिर है जबकि वास्तव में वह बहुत अधिक उतार-चढ़ाव भरा था।
नया कैमरा: परिवर्तनों को पूरी तरह से पकड़ लेता था। यहाँ तक कि जब डेटा अव्यवस्थित था और गायब मानों (missing values) से भरा था, तब भी इसने सटीक रूप से भविष्यवाणी की कि सूक्ष्मजीव शहर कैसे विकसित हुआ। इसने साबित कर दिया कि यह 1,000 अलग-अलग प्रकार के निवासियों वाले शहर (high-dimensional data) को बिना क्रैश हुए संभाल सकता है।

उन्हें क्या पता चला (वास्तविक शिशु डेटा)

उन्होंने इस नए कैमरे को उनके जीवन के पहले 80 दिनों के दौरान 58 समयपूर्व जन्मे (premature) शिशुओं के वास्तविक डेटा पर लागू किया। यहाँ उन्होंने क्या खोजा:

"समयपूर्व" दंड (Premature Penalty): बहुत जल्दी जन्मे (समयपूर्व) बच्चों में विविधता कम थी (कम $\alpha$ -diversity)। उनके सूक्ष्मजीव मोहल्ले कम विविध और अधिक अराजक थे।
"स्तनपान" का बढ़ावा (Breast Milk Boost): बच्चों ने जितना अधिक स्तनपान किया, उनका सूक्ष्मजीव शहर उतना ही अधिक विविध और स्वस्थ होता गया। यह केवल एक बार मिलने वाला बढ़ावा नहीं था; मॉडल ने दिखाया कि यह सकारात्मक प्रभाव समय के साथ बढ़ता और बदलता गया।
विशिष्ट मोहल्ले:
- Clostridia: ये सूक्ष्मजीव (बैक्टीरिया का एक प्रकार) उन बच्चों में बढ़ने की प्रवृत्ति रखते थे जो पूर्ण अवधि (full term) में जन्मे थे।
- Gammaproteobacteria: ये समयपूर्व जन्मे शिशुओं में अधिक आम थे, लेकिन जैसे-जैसे बच्चे बड़े हुए और पूर्ण अवधि के करीब आए, उनकी संख्या में गिरावट आई।
- Bacilli: इनकी संख्या पहले 20 दिनों में तेजी से गिरी और फिर स्थिर हो गई।

यह क्यों महत्वपूर्ण है

अतीत में, वैज्ञानिक पूरे अध्ययन की अवधि का एक "औसत" ले सकते थे और कह सकते थे, "स्तनपान अच्छा है।" लेकिन यह यह कहने जैसा है कि "मौसम औसत है" बिना यह समझे कि सुबह धूप खिली है और रात में तूफान आ रहा है।

यह नया मॉडल दिखाता है कि समय (timing) मायने रखता है। यह डॉक्टरों और माता-पिता को बताता है कि कब कुछ हस्तक्षेप (जैसे स्तनपान बढ़ाना) सबसे प्रभावी हो सकते हैं। यह अन्य वैज्ञानिकों को अपने स्वयं के डेटा का अध्ययन करने के लिए इस "समय-यात्रा करने वाले कैमरे" का उपयोग करने के लिए एक मुफ्त सॉफ्टवेयर टूल (एक R पैकेज और एक Shiny ऐप) भी प्रदान करता है।

संक्षेप में: लेखकों ने एक बच्चे के पेट के भीतर बदलती दुनिया का अध्ययन करने का एक स्मार्ट और अधिक लचीला तरीका बनाया है, जो हमें अपने बच्चों के लिए एक स्वस्थ सूक्ष्मजीव शहर बनाने में मदद करता है।

यहाँ शोध पत्र "A Bayesian Functional Concurrent Zero-Inflated Dirichlet-Multinomial Regression Model with Application to Infant Microbiome" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विशेष रूप से शिशु विकास के संदर्भ में, अनुदैर्ध्य (longitudinal) माइक्रोबायोम डेटा को मॉडल करने की महत्वपूर्ण विश्लेषणात्मक चुनौतियों को संबोधित करता है। मुख्य चुनौतियाँ निम्नलिखित हैं:

रचनात्मकता (Compositionality): माइक्रोबायोम अनुक्रमण (sequencing) सापेक्ष प्रचुरता (relative abundances) प्रदान करता है (जहाँ गणना एक निश्चित कुल योग के बराबर होती है), जिसके लिए ऐसे मॉडलों की आवश्यकता होती है जो 'सिम्प्लेक्स बाधा' (simplex constraint) का सम्मान करें। इसे अनदेखा करने से भ्रामक संबंध उत्पन्न हो सकते हैं।
शून्य-स्फीति (Zero-Inflation): डेटा में अत्यधिक शून्य मौजूद होते हैं जो दो स्रोतों से उत्पन्न होते हैं: संरचनात्मक शून्य (वह सूक्ष्मजीव वास्तव में अनुपस्थित है) और जोखिम वाले शून्य (सूक्ष्मजीव मौजूद है लेकिन पता नहीं चला)।
अति-प्रकीर्णन और उच्च आयामीता (Overdispersion and High Dimensionality): डेटा उच्च विचरण (variance) प्रदर्शित करता है और अक्सर इसमें सैकड़ों टैक्स (taxa) शामिल होते हैं।
अनुदैर्ध्य गतिशीलता (Longitudinal Dynamics): मौजूदा मॉडल अक्सर समय के साथ स्थिर प्रभावों को मानते हैं या बार-बार किए गए मापों (repeated measures) को संभालने में विफल रहते हैं। वे सूक्ष्मजीव संरचना पर सह-चरों (covariates) के समय-परिवर्तनीय (functional) प्रभावों को कैप्चर नहीं कर सकते हैं।
वर्तमान विधियों की सीमाएँ: मानक सामान्यीकृत रैखिक मॉडल (GLMs) अक्सर रचनात्मकता (compositionality) की अनदेखी करते हैं। डिरिचलेट-मल्टीनोमियल (DM) मॉडल रचनात्मकता को संभालते हैं लेकिन उनमें शून्य-स्फीति हैंडलिंग या बार-बार किए गए मापों की क्षमता का अभाव होता है। मौजूदा ज़ीरो-इन्फ्लेटेड DM मॉडल अनुदैर्ध्य बार-बार किए गए मापों या कार्यात्मक सह-चर प्रभावों को ध्यान में नहीं रखते हैं।

2. कार्यप्रणाली: FunC-ZIDM मॉडल (Methodology: The FunC-ZIDM Model)

लेखक एक फंक्शनल कॉन्करेंट ज़ीरो-इन्फ्लेटेड डिरिचलेट-मल्टीनोमियल (FunC-ZIDM) प्रतिगमन मॉडल प्रस्तावित करते हैं। यह एक बेयसियन पदानुक्रमित मॉडल (Bayesian hierarchical model) है जिसे उपरोक्त सभी चुनौतियों को एक साथ संभालने के लिए डिज़ाइन किया गया है।

A. सांख्यिकीय ढांचा (Statistical Framework)

लाइकलीहुड (Likelihood): व्यक्ति $i$ के लिए समय $t$ पर देखे गए काउंट्स $z_i(t)$ , कुल काउंट्स $\dot{z}_i(t)$ और सापेक्ष प्रचुरता वेक्टर $\psi_i(t)$ के साथ एक मल्टीनोमियल वितरण का पालन करते हैं।
ज़ीरो-इन्फ्लेशन तंत्र: सापेक्ष प्रचुरता $\psi_i(t)$ $ψ_{i} (t)$ को ज़ीरो-इन्फ्लेटेड गामा वेरिएबल्स का उपयोग करके एक पुन: पैरामीटराइज्ड डिरिचलेट वितरण का उपयोग करके प्राप्त किया जाता है।
- एक गुप्त बाइनरी इंडिकेटर $\eta_{ij}$ यह निर्धारित करता है कि टैक्सॉन $j$ शून्य होने के "जोखिम" में है या नहीं।
- यदि $\eta_{ij}=0$ , तो यह संरचनात्मक शून्य है। यदि $\eta_{ij}=1$ , तो यह एक गामा वितरण का पालन करता है (जिसके परिणामस्वरूप 'एट-रिस्क जीरो' हो सकता है यदि ड्रा शून्य आता है)।
फंक्शनल रिग्रेशन: गामा वितरण के सांद्रता पैरामीटर $\gamma_{ij}(t)$ $γ_{ij} (t)$ को फंक्शनल गुणांकों के साथ एक लॉग-लीनियर रिग्रेशन के माध्यम से मॉडल किया जाता है:
$\log[\gamma_{ij}(t)] = \beta_{j0}(t) + \sum_{p=1}^P \beta_{jp}(t)x_{ip}(t) + r_{ij}$
- $\beta_{jp}(t)$ : समय के फलन (functions) के रूप में स्मूथ फंक्शन जो टैक्सॉन $j$ पर सह-चर $p$ के प्रभाव को दर्शाते हैं।
- $r_{ij}$ : बार-बार किए गए मापों और विषयों के बीच सहसंबंध को संभालने के लिए व्यक्तिगत और टैक्सॉन-विशिष्ट रैंडम इंटरसेप्ट्स।
बेसिस एक्सपेंशन (Basis Expansion): कार्यात्मक गुणांकों $\beta_{jp}(t)$ को B-spline basis expansions का उपयोग करके मॉडल किया गया है।
नियमितीकरण (Regularization): उच्च आयामीता को संभालने और स्पर्सिटी (sparsity) उत्पन्न करने के लिए (गैर-सक्रिय गुणांकों को शून्य तक सिकोड़ने के लिए), लेखक स्प्लाइन गुणांकों पर एक रेगुलराइज्ड हॉर्सशू प्रायर (Regularized Horseshoe prior) का उपयोग करते हैं। यह ओवरफिटिंग को रोकता है और उच्च-आयामी सेटिंग्स में कमजोर पहचान क्षमता (identifiability) को संभालता है।

B. अनुमान और गणना (Inference and Computation)

पोस्टीरियर सैंपलिंग: अनुमान के लिए मेट्रोपोलिस-हेस्टिंग्स विदिन गिब्स (Metropolis-Hastings within Gibbs) एल्गोरिदम का उपयोग किया जाता है।
दक्षता: हॉर्सशू प्रायर के लिए सहायक पैरामीटरीकरण (Makalic and Schmidt, 2015) का उपयोग किया जाता है, और $\eta_{ij}$ को कुशलतापूर्वक सैंपल करने के लिए $\theta_j$ (एट-रिस्क प्रोबेबिलिटी) को बाहर निकाला जाता है।
आउटपुट: मॉडल निम्नलिखित के लिए पोस्टीरियर वितरण प्रदान करता है:
- समय-परिवर्तनीय सापेक्ष प्रचुरता ( $RA_j$ )।
- सह-चर परिवर्तनों के दिए जाने पर सापेक्ष प्रचुरता में गुणात्मक अंतर।
- $\alpha$ -विविधता ( $\alpha$ -diversity): इसे हिल के विविधता मीट्रिक (विशेष रूप से $l \in [0, 1)$ का उपयोग करके ताकि निरर्थकता से बचा जा सके) का उपयोग करके गणना की जाती है, जिससे समय के साथ विविधता परिवर्तनों का समग्र मूल्यांकन संभव होता है।

3. मुख्य योगदान (Key Contributions)

नवीन मॉडल आर्किटेक्चर: एक एकीकृत बेयसियन ढांचे के भीतर रचनात्मकता, ज़ीरो-इन्फ्लेशन, बार-बार किए गए माप, और फंक्शनल (समय-परिवर्तनीय) सह-चर प्रभावों को एक साथ संभालने वाला पहला मॉडल।
स्केलेबिलिटी: मॉडल को रेगुलराइजेशन के माध्यम से बड़े कंपोजिशनल स्पेस (सैकड़ों टैक्सॉन) तक स्केल करने के लिए डिज़ाइन किया गया है।
सॉफ्टवेयर कार्यान्वयन: लेखक कार्यान्वयन, सिमुलेशन और परिणामों के विज़ुअलाइज़ेशन को सुगम बनाने के लिए FunCZIDM R पैकेज और एक Shiny app प्रदान करते हैं।
सैद्धांतिक कठोरता: रेगुलराइज्ड हॉर्सशू प्रायर का उपयोग गैर-महत्वपूर्ण कार्यात्मक प्रभावों के मजबूत संकुचन (shrinkage) को सुनिश्चित करता है, जो माइक्रोबायोम अध्ययनों में सामान्य "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) को संबोधित करता है।

4. परिणाम (Results)

A. सिमुलेशन अध्ययन (Simulation Study)

प्रदर्शन: FunC-ZIDM मॉडल ने अन्य विकल्पों (मानक DM, रैंडम इफेक्ट्स के बिना ज़ीरो-इन्फ्लेटेड DM, और ज़ीरो-इन्फ्लेशन के बिना फंक्शनल DM) की तुलना में निम्नलिखित मामलों में काफी बेहतर प्रदर्शन किया:
- इंटरवल कवरेज: विश्वसनीय अंतरालों (credible intervals) के लिए नाममात्र ~95% कवरेज प्राप्त किया, जबकि अनमॉडल ज़ीरो-इन्फ्लेशन के कारण प्रतिस्पर्धियों का कवरेज गिरकर 60-87% रह गया।
- सटीकता: सक्रिय गुणांकों के लिए कम औसत रूट मीन स्क्वेयर्ड एरर (ARMSE)।
- मजबूती (Robustness): टैक्सॉन की संख्या बढ़ने पर भी (J=1000 तक परीक्षण किया गया) और ज़ीरो-इन्फ्लेशन के विभिन्न स्तरों के तहत प्रदर्शन स्थिर रहा।
तुलना: ज़ीरो-इन्फ्लेशन को अनदेखा करने से अनुमान शून्य की ओर और स्थिर फलन (constant functions) की ओर पक्षपाती हो जाते हैं। रचनात्मकता (compositionality) को अनदेखा करने से भ्रामक संबंध पैदा होते हैं।

B. अनुप्रयोग: प्रीटर्म इन्फेंट माइक्रोबायोम (Application: Preterm Infant Microbiome)

इस मॉडल को 58 प्रीटर्म शिशुओं (922 नमूने, 16 टैक्सॉन) के डेटा पर गर्भकालीन आयु (gestational age) और ब्रेस्ट मिल्क प्रतिशत के साथ संबंधों की जांच करने के लिए लागू किया गया।

बेसलाइन डायनेमिक्स: प्रमुख टैक्सॉन (Bacilli, Clostridia, Gammaproteobacteria) के लिए विशिष्ट अस्थायी प्रक्षेपवक्र (temporal trajectories) की पहचान की गई। उदाहरण के लिए, Clostridia की प्रचुरता दिन 30 के बाद बढ़ी, जबकि Gammaproteobacteria जल्दी चरम पर पहुँचा और फिर कम हो गया।
गर्भकालीन आयु (Gestational Age):
- उच्च गर्भकालीन आयु का संबंध उच्च Clostridia प्रचुरता और कम Gammaproteobacteria प्रचुरता से था।
- $\alpha$ -विविधता गर्भकालीन आयु के साथ सकारात्मक रूप से जुड़ी थी (अधिक परिपक्व शिशुओं में अधिक विविधता थी)।
ब्रेस्ट मिल्क (Breast Milk):
- उच्च प्रतिशत ब्रेस्ट मिल्क (>50%) $\alpha$ -विविधता के साथ सकारात्मक रूप से जुड़ा था।
- मॉडल ने गैर-स्थिर प्रभावों (non-constant effects) को प्रकट किया: Clostridia और Bacilli पर ब्रेस्ट मिल्क का प्रभाव जीवन के पहले 50 दिनों में काफी भिन्न होता है, जो एक सूक्ष्म पहलू है जिसे स्थिर-प्रभाव वाले मॉडल मिस कर देते हैं।
पिछले अध्ययनों के साथ तुलना: मूल विश्लेषण (La Rosa et al., 2014) के विपरीत, जिसने मिक्स्ड मॉडल का उपयोग किया था, FunC-ZIDM ने समय-परिवर्तनीय अंतर्दृष्टि प्रदान की और रचनात्मकता बाधाओं को ठीक किया, जिससे पता चला कि जब सही ढंग से मॉडल किया गया, तो ब्रेस्ट मिल्क और Gammaproteobacteria के बीच का संबंध महत्वपूर्ण नहीं था, जबकि Clostridia ने एक सकारात्मक संबंध दिखाया।

5. महत्व (Significance)

नैदानिक प्रासंगिकता: यह मॉडल चिकित्सकों को उन विशिष्ट समय खिड़कियों (time windows) की पहचान करने की अनुमति देता है जहाँ आहार संबंधी हस्तक्षेप (जैसे, ब्रेस्ट मिल्क बढ़ाना) विशिष्ट सूक्ष्मजीव टैक्सॉन या विविधता मेट्रिक्स के लिए सबसे प्रभावी होते हैं।
पुनरुत्पादकता (Reproduability): कार्यात्मक प्रभावों को पकड़कर, मॉडल माइक्रोबायोम अनुसंधान में पुनरुत्पादकता के एक प्रमुख स्रोत को संबोधित करता है।
पद्धतिगत प्रगति: यह एक एकीकृत बेयसियन ढांचे के भीतर रचनात्मकता, ज़ीरो-इन्फ्लेशन, ओवरडिस्पर्शन और टेम्पोरल डायनेमिक्स की चार चुनौतियों को कठोरता से संबोधित करके दीर्घकालिक माइक्रोबायोम विश्लेषण के लिए एक नया मानक स्थापित करता है।
लचीलापन: इस ढांचे को अन्य निरंतर सह-चरों (जैसे, यह मॉडल करना कि गर्भकालीन आयु के फलन के रूप में किसी जोखिम का प्रभाव कैसे बदलता है) के लिए विस्तारित किया जा सकता है।

निष्कर्षतः, FunC-ZIDM मॉडल शिशु माइक्रोबायोम के गतिशील विकास को समझने के लिए एक मजबूत, स्केलेबल और व्याख्या योग्य उपकरण प्रदान करता है, जो मौजूदा विधियों की तुलना में बेहतर सांख्यिकीय प्रदर्शन और बाल स्वास्थ्य के लिए कार्रवाई योग्य अंतर्दृष्टि प्रदान करता है।