💻 computer science

Sampling-Aware 3D Spatial Analysis in Multiplexed Imaging

यह शोध पत्र इस बात की जांच करता है कि सैंपलिंग ज्योमेट्री (sampling geometry) मल्टीप्लेक्स इमेजिंग में स्थानिक सांख्यिकी (spatial statistics) की स्थिरता को कैसे प्रभावित करती है और एक ज्योमेट्री-अवेयर रिकंस्ट्रक्शन मॉड्यूल पेश करता है जो क्रमिक खंडों (serial sections) से विश्वसनीय स्पार्स 3D विश्लेषण सक्षम बनाता है, जिससे इस पर व्यावहारिक मार्गदर्शन मिलता है कि कब 2D सैंपलिंग पर्याप्त है बनाम कब 3D रिकंस्ट्रक्शन आवश्यक है।

मूल लेखक: Ido Harlev, Tamar Oukhanov, Raz Ben-Uri, Leeat Keren, Shai Bagon

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ido Harlev, Tamar Oukhanov, Raz Ben-Uri, Leeat Keren, Shai Bagon

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, त्रि-आयामी (3D) शहर को समझने की कोशिश कर रहे हैं, लेकिन आपके पास केवल कुछ ही तस्वीरें लेने के लिए पर्याप्त पैसा है। आपके पास दो मुख्य विकल्प हैं:

वाइड शॉट (The Wide Shot): एक ही सड़क की एक विशाल, उच्च-रिज़ॉल्यूशन वाली फोटो (2D) लें। आप उस सड़क पर सब कुछ देख पाएंगे, लेकिन आपको यह पता नहीं चलेगा कि ऊपर या नीचे के फर्शों पर क्या हो रहा है।
स्लाइस शॉट (The Slice Shot): अलग-अलग सड़कों की कई छोटी तस्वीरें लें, लेकिन उनके बीच बड़े अंतराल छोड़ दें (Sparse 3D)। आप कुल मिलाकर शहर को कम देख पाएंगे, लेकिन आपको यह संकेत मिलेगा कि इमारतें लंबवत (vertically) कैसे जुड़ती हैं।

यह शोध पत्र, "सैंपलिंग-अवेयर 3D स्पेशियल एनालिसिस" (Sampling-Aware 3D Spatial Analysis), मूल रूप से वैज्ञानिकों के लिए एक मार्गदर्शिका है कि सूक्ष्मदर्शी (microscope) के नीचे ऊतकों (जैसे मानव शरीर) का अध्ययन करते समय इन दोनों विकल्पों में से किसे चुनना है। लेखक इज़राइल के वीज़मैन इंस्टीट्यूट ऑफ साइंस से हैं।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "डेप्थ कोलैप्स" (The "Depth Collapse")

अधिकांश वैज्ञानिक वर्तमान में वाइड शॉट (2D स्लाइस) लेते हैं। वे ऊतक के एक एकल स्लाइस को देखते हैं और कोशिकाओं की गिनती करते हैं।

क्या अच्छा काम करता है: यदि आप केवल यह जानना चाहते हैं कि पूरे शरीर में किस प्रकार की कितनी कोशिकाएं मौजूद हैं (जैसे, "क्या T-सेल्स की संख्या B-सेल्स से अधिक है?"), तो 2D स्लाइस ठीक है। यह शहर में लाल कारों की कुल संख्या गिनने जैसा है; यह एक अच्छा औसत है।
कहाँ बुरी तरह विफल होता है: यदि आप जानना चाहते हैं कि कोशिकाएं कैसे परस्पर क्रिया करती हैं (जैसे, "क्या T-सेल्स, B-सेल्स को गले लगा रहे हैं?"), तो 2D स्लाइस भ्रामक है।
- उपमा: कल्पना कीजिए कि दो लोग एक इमारत की पहली और दूसरी मंजिल पर खड़े हैं। पहली मंजिल की 2D फोटो में, वे दूर खड़े अजनबियों की तरह दिखते हैं। लेकिन 3D में, वे वास्तव में एक-दूसरे के बिल्कुल बगल में हैं, बस अलग-अलग स्तरों पर। जब आप दुनिया को 2D में समतल कर देते हैं, तो आप "गले मिलना" (hugs) और "पड़ोस" (neighborhoods) को खो देते हैं। इसे डेप्थ कोलैप्स कहा जाता है।

2. सिमुलेशन: सिद्धांत का परीक्षण

शोधकर्ताओं ने एक आभासी "खिलौना शहर" (कंप्यूटर सिमुलेशन) बनाया जहाँ वे जानते थे कि इमारतें (कोशिकाएं) कैसे व्यवस्थित थीं। उन्होंने अपनी दो फोटोग्राफी रणनीतियों का परीक्षण किया:

परिणाम: दोनों रणनीतियाँ कुल जनसंख्या (Global Abundance) को गिनने में बहुत अच्छी थीं।
परिणाम: 2D रणनीति संबंधों को मापने में बहुत खराब थी। इसने पड़ोसियों को अजनबी और अजनबियों को पड़ोसी बना दिया, जो पूरी तरह से संयोग था। 3D रणनीति (अंतरालों के बावजूद) संबंधों को सटीक रखती है।

3. समाधान: "पजल कनेक्टर" (The "Puzzle Connector")

चूंकि पूरे अंग की पूर्ण 3D फोटो लेना बहुत महंगा और धीमा है, इसलिए लेखकों ने एक रिकंस्ट्रक्शन मॉड्यूल बनाया है। इसे एक स्मार्ट पहेली सुलझाने वाले (puzzle solver) के रूप में समझें।

यह कैसे काम करता है:
1. आप अपने बिखरे हुए 2D स्लाइस (पहेली के टुकड़े) लेते हैं।
2. सॉफ़्टवेयर स्लाइस A में एक कोशिका को देखता है और पूछता है: "क्या स्लाइस B में कोई मिलान करने वाली कोशिका है?"
3. यह तय करने के लिए दो नियमों का उपयोग करता है:
  - पहचान (Identity): क्या यह एक ही प्रकार की कोशिका है? (एक T-सेल, B-सेल नहीं हो सकता)।
  - निकटता (Proximity): क्या यह एक ही कोशिका होने के लिए पर्याप्त करीब है? (यदि स्लाइस बहुत दूर हैं, तो वे एक ही कोशिका नहीं हो सकते)।
4. यह बिंदुओं को जोड़ता है, जिससे एक 3D कंकाल (skeleton) बनता है। यह हर एक पिक्सेल को नहीं भरता, बल्कि यह "बिंदुओं" (कोशिकाओं) को जोड़ता है ताकि आप 3D आकार देख सकें।

4. ट्रेड-ऑफ: स्लाइस के बीच कितनी दूरी होनी चाहिए?

लेखकों ने इन स्लाइस लेने के लिए "गोल्डिलॉक्स" ज़ोन (सही संतुलन) का पता लगाया।

बहुत करीब (Dense): आपको सटीक डेटा मिलता है, लेकिन यह बहुत महंगा है और इसमें बहुत समय लगता है।
बहुत दूर (Sparse): आप बहुत अधिक कोशिकाएं खो देते हैं, और पहेली के टुकड़े आपस में नहीं जुड़ पाते।
बिल्कुल सही (Moderate): उन्होंने पाया कि स्लाइस को लगभग 4 माइक्रोमीटर की दूरी पर रखना सबसे अच्छा है। आप बहुत कम कोशिकाओं को खोते हैं, लेकिन आप बहुत सारा समय और पैसा बचाते हैं। 3D पुनर्निर्माण (reconstruction) में "त्रुटि" एक एकल कोशिका के आकार से भी छोटी है, इसलिए यह विज्ञान के लिए पर्याप्त सटीक है।

5. यह क्यों मायने रखता है: "टूटी हुई नलियों" को ठीक करना

सबसे नाटकीय उदाहरण जो वे देते हैं वह है एक डक्ट (duct) (शरीर में तरल पदार्थ ले जाने वाली नली) को देखना।

2D में: यदि आप एक नली को काटते हैं, तो आप एक वृत्त देखते हैं। यदि आप थोड़ा ऊपर फिर से काटते हैं, तो आप एक और वृत्त देखते हैं। 2D में, ये दो अलग-अलग, तैरते हुए द्वीपों की तरह दिखते हैं। आप यह नहीं बता सकते कि वे एक ही ट्यूब का हिस्सा हैं।
3D (पुनर्निर्मित) में: सॉफ़्टवेयर उन वृत्तों को जोड़ता है, जिससे पता चलता है कि वे वास्तव में एक ही लंबी, निरंतर पाइप हैं। यह वैज्ञानिकों को यह मापने की अनुमति देता है कि "पाइप के अनुदिश चलते समय रासायनिक संकेत कैसे बदलता है?"—जो 2D स्लाइस के साथ असंभव है।

निचोड़ (The Bottom Line - Cheat Sheet)

यह शोध पत्र वैज्ञानिकों को एक सरल निर्णय मार्गदर्शिका देता है (पेपर में तालिका 1):

लक्ष्य: "वहाँ कितनी कोशिकाएं हैं?" $\rightarrow$ 2D स्लाइस का उपयोग करें। यह सस्ता है, बहुत बड़े क्षेत्र को कवर करता है, और संख्याएँ विश्वसनीय हैं।
लक्ष्य: "कोशिकाएं एक-दूसरे से कैसे बात करती हैं?" या "इन संरचनाओं का स्वरूप क्या है?" $\rightarrow$ Sparse 3D स्लाइस + रिकंस्ट्रक्शन का उपयोग करें। आपको गहराई की आवश्यकता है ताकि वास्तविक संबंधों को देखा जा सके, भले ही आपको बिंदुओं को जोड़ने के लिए थोड़ी गणित का उपयोग करना पड़े।

संक्षेप में: शहर के लेआउट को समझने के लिए आपको पूरा 3D शहर फोटोग्राफ करने की आवश्यकता नहीं है। यदि आप कुछ स्मार्ट, अंतराल वाले फोटो लेते हैं और उन्हें जोड़ने के लिए थोड़े से "डिजिटल ग्लू" का उपयोग करते हैं, तो आप बजट को बिगाड़े बिना स्पष्ट रूप से 3D संरचना देख सकते हैं।

यहाँ "Sampling-Aware 3D Spatial Analysis in Multiplexed Imaging" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अत्यधिक मल्टीप्लेक्स वाली माइक्रोस्कोपी (जैसे, CODEX, इमेजिंग मास साइटोमेट्री) ऊतकों के सिंगल-सेल स्थानिक प्रोफाइलिंग (single-cell spatial profiling) को सक्षम बनाती है। हालाँकि, सघन वॉल्यूमेट्रिक (3D) डेटा प्राप्त करना अक्सर अत्यधिक महंगा और तकनीकी रूप적으로 चुनौतीपूर्ण होता है। फलस्वरूप, शोधकर्ताओं को एक निश्चित इमेजिंग बजट के तहत काम करना पड़ता है, जो उन्हें दो अधिग्रहण ज्यामिति (acquisition geometries) में से एक को चुनने के लिए मजबूर करता है:

स्वतंत्र 2D सेक्शन (Independent 2D Sections): स्थानिक कवरेज (क्षेत्रफल) को अधिकतम करना, लेकिन गहराई की निरंतरता (depth continuity) को खो देना।
विरल क्रमिक सेक्शन (Sparse Serial Sections): आंशिक गहराई निरंतरता (3D संरचना) को बनाए रखना, लेकिन कुल क्षेत्रफल कम कवर करना।

मुख्य चुनौती: यह स्पष्ट नहीं है कि चयन की यह नमूना ज्यामिति (sampling geometry) डाउनस्ट्रीम स्थानिक सांख्यिकी (spatial statistics) की स्थिरता और सटीकता को कैसे प्रभावित करती है। विशेष रूप से, जबकि वैश्विक मेट्रिक्स (जैसे, सेल-टाइप प्रचुरता) 2D सैंपलिंग के प्रति सुदृढ़ हो सकते हैं, स्थानीय मेट्रिक्स (जैसे, सेल-सेल इंटरेक्शन, पड़ोस संवर्धन, और संरचनात्मक कनेक्टिविटी) "डेप्थ कोलैप्स" (depth collapse)—अर्थात z-अक्ष के पड़ोस के संदर्भ के नुकसान—से ग्रस्त हो सकते हैं, जिससे उच्च विचरण (variance) और पक्षपाती व्याख्याएँ हो सकती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक तीन-आयामी दृष्टिकोण प्रस्तावित करते हैं: नियंत्रित सिमुलेशन, वास्तविक डेटा पर अनुभवजन्य सत्यापन, और एक नवीन पुनर्निर्माण एल्गोरिदम।

A. नियंत्रित सिमुलेशन (MRF फ्रेमवर्क)

जैविक परिवर्तनशीलता से नमूना ज्यामिति के प्रभावों को अलग करने के लिए, लेखकों ने एक पेयरवाइज मार्कोव रैंडम फील्ड (Pairwise Markov Random Field - MRF) का उपयोग करके 3D ऊतकों का सिमुलेशन किया।

मॉडल: ऊतकों को 3D लैटिस के रूप में बनाया गया जहाँ सेल प्रकार यूनरी पैरामीटर ( $\alpha$ , जो वैश्विक प्रचुरता को नियंत्रित करता है) और पेयरवाइज एफिनिटी ( $B$ , जो स्थानीय इंटरेक्शन/क्लस्टरिंग को नियंत्रित करता है) द्वारा निर्धारित होते हैं।
प्रयोग: उन्होंने एक समान वोक्सेल बजट के तहत दो सैंपलिंग रणनीतियों की तुलना की:
1. स्वतंत्र 2D: यादृच्छिक समतलीय (planar) सेक्शन।
2. क्रमिक सैंपलिंग (Serial Sampling): नियमित अंतराल ( $\Delta z$ ) पर रखे गए सेक्शन।
अनुमान (Estimation): यह आकलन करने के लिए कि सब-सैंपल किए गए डेटा से ग्लोबल प्रवलेंस ( $\alpha$ ) और लोकल इंटरेक्शन स्ट्रक्चर ( $B$ ) को कितनी अच्छी तरह से रिकवर किया जा सकता है, मैक्सिमम स्यूडो-लाइक्लीहुड एस्टीमेशन (MPLE) का उपयोग किया गया।

B. अनुभवजन्य स्थिरता विश्लेषण (Empirical Stability Analysis)

लेखकों ने सिमुलेशन निष्कर्षों को वास्तविक जैविक डेटा पर मान्य करने के लिए एक सार्वजनिक, सघन रूप से सैंपल किए गए इमेजिंग मास साइटोमेट्री (IMC) डेटासेट (2 $\mu$ m अंतराल) का विश्लेषण किया।

उन्होंने सघन स्टैक को "ग्राउंड ट्रुथ" वॉल्यूम माना।
उन्होंने सीमित संख्या में 2D सेक्शन का चयन करके प्लेनर सैंपलिंग का अनुकरण किया ताकि निम्नलिखित का मूल्यांकन किया जा सके:
- डिटेक्टेबिलिटी (Detectability): सीमित संख्या में 2D सेक्शनों में दुर्लभ या क्लस्टर्ड सेल प्रकारों को देखने की संभावना।
- नेबरहुड एनरिचमेंट (Neighborhood Enrichment): एक ही ऊतक वॉल्यूम के विभिन्न सेक्शनों में इंटरेक्शन मेट्रिक्स (z-स्कोर) के बीच विचरण।

C. ज्यामिति-जागरूक पुनर्निर्माण मॉड्यूल (Geometry-Aware Reconstruction Module)

यह सक्षम करने के लिए कि विरल क्रमिक सेक्शनों से 3D विश्लेषण किया जा सके, लेखकों ने एक हल्का पुनर्निर्माण पाइपलाइन विकसित किया जो मानक सेगमेंटेशन और सेल टाइपिंग के डाउनस्ट्रीम में कार्य करता है।

इंटर-स्लाइस कॉरेस्पोंडेंस (Inter-Slice Correspondence): इसे एक प्रतिबंधित असाइनमेंट समस्या (constrained assignment problem) के रूप में मॉडल किया गया है।
- प्रतिबंध (Constraints): आसन्न स्लाइसों के बीच मिलान को (1) फेनोटाइप कंसिस्टेंसी (समान सेल प्रकार) और (2) प्रॉक्सिमिटी गेट्स (सेल-टाइप-विशिष्ट आकार के आंकड़ों से प्राप्त दूरी सीमा) द्वारा फ़िल्टर किया जाता है।
- एल्गोरिदम: हंगेरियन एल्गोरिदम (Hungarian Algorithm) इन-प्लेन विस्थापन को न्यूनतम करने वाले वन-टू-वन असाइनमेंट के लिए समाधान खोजता है।
3D सेंट्रॉइड एस्टीमेशन (3D Centroid Estimation):
- शेयर्ड सेल्स (Shared Cells - SC): स्लाइसों के बीच मेल खाने वाले सेल्स को एक वीक एलिप्सॉइडल प्रायर (weak ellipsoidal prior) का उपयोग करके लोकलाइज किया जाता है, यह मानते हुए कि सेल्स एलिप्सॉइड हैं जहाँ क्रॉस-सेक्शनल एरिया कटिंग प्ले के साथ बदलता है।
- लोन सेल्स (Lone Cells - LC): केवल एक ही स्लाइस में देखे गए सेल्स को पड़ोसी सेक्शन प्लेन के बीच गहराई की सीमा के साथ इन-प्लेन निर्देशांक दिए जाते हैं।
आउटपुट: एक स्पार्स 3D पॉइंट क्लाउड जो सेल पहचान और अनुमानित स्थानिक संबंधों को सुरक्षित रखता है।

3. मुख्य योगदान (Key Contributions)

सैंपलिंग ज्यामिति विश्लेषण: एक औपचारिक प्रदर्शन कि वैश्विक संरचना (प्रचुरता) प्लेनर सैंपलिंग के तहत स्थिर रहती है, जबकि स्थानीय सांख्यिकी (इंटरेक्शन, क्लस्टरिंग) डेप्थ कोलैप्स के कारण उच्च विचरण और त्रुटि प्रदर्शित करती है।
पुनर्निर्माण मॉड्यूल: फेनोटाइप और प्रॉक्सिमिटी बाधाओं का उपयोग करके विरल क्रमिक सेक्शनों को एक सुसंगत 3D पॉइंट क्लाउड में जोड़ने के लिए एक नवीन, हल्का एल्गोरिदम।
ट्रेड-ऑफ क्वांटिफिकेशन: सेक्शन स्पेसिंग ( $\Delta z$ ) द्वारा शासित कवरेज-रिडंडेंसी ट्रेड-ऑफ का विश्लेषण, जो अद्वितीय सेल कैप्चर को अधिकतम करने और इमेजिंग लागत को कम करने वाले इष्टतम अधिग्रहण शासन (optimal acquisition regimes, जैसे 4 $\mu$ m स्पेसिंग) की पहचान करता है।
व्यावहारिक दिशानिर्देश: एक निर्णय ढांचा (तालिका 1) जो शोधकर्ताओं को सलाह देता है कि कब 2D सैंपलिंग पर्याप्त है (ग्लोबल एबंडेंस के लिए) बनाम कब विरल 3D पुनर्निर्माण आवश्यक है (इंटरेक्शन विश्लेषण, संरचनात्मक अखंडता के लिए)।

4. मुख्य परिणाम (Key Results)

सिमुलेशन निष्कर्ष: समान बजट के तहत, MPLE दोनों 2D और सीरियल सैंपलिंग के लिए ग्लोबल प्रवलेंस ( $\alpha$ ) को विश्वसनीय रूप से रिकवर करता है। हालाँकि, लोकल इंटरेक्शन पैरामीटर्स ( $B$ ) को रिकवर करने में, विशेष रूप से दुर्लभ या स्थानिक रूप से केंद्रित आबादी के लिए, स्वतंत्र 2D सैंपलिंग के तहत काफी अधिक त्रुटि और विचरण देखा गया।
वास्तविक डेटा सत्यापन: सघन IMC डेटासेट में, स्थानीय पड़ोस संवर्धन मेट्रिक्स व्यक्तिगत सेक्शनों में बहुत अधिक उतार-चढ़ाव दिखाते हैं। एक सेल प्रकार एक सेक्शन में "समृद्ध" (enriched) दिखाई दे सकता है और दूसरे में "नगण्य" (negligible), जो केवल सैंपलिंग ज्यामिति के कारण हो सकता है, भले ही वे एक ही ऊतक वॉल्यूम के भीतर हों।
पुनर्निर्माण प्रदर्शन:
- 4 $\mu$ m की मध्यम स्पेसिंग पर, पुनर्निर्माण ने सघन संदर्भ की तुलना में 92.6% अद्वितीय सेल आईडी को कैप्चर किया।
- औसत 3D लोकलाइजेशन एरर 2.99 $\mu$ m था, जो विशिष्ट सेल व्यास (जैसे, न्यूट्रोफिल के लिए ~8 $\mu$ m) से काफी कम है, जिससे पड़ोस-स्तर की ज्यामिति सुरक्षित रहती है।
संरचनात्मक प्रभाव:
- विखंडन बनाम निरंतरता (Fragmentation vs. Continuity): 2D सेक्शन अक्सर निरंतर संरचनाओं (जैसे, डक्ट्स) को खंडित और असंबद्ध क्षेत्रों में बदल देते हैं। 3D पुनर्निर्माण इन्हें एकल, सुसंगत वस्तुओं के रूप में बहाल करता है।
- दूरी पूर्वाग्रह (Distance Bias): प्लेनर (2D) माप व्यवस्थित रूप से 3D मापों की तुलना में कोशिकाओं के बीच की दूरी को अधिक (overestimate) बताते हैं क्योंकि वे z-अक्ष की निकटता को अनदेखा करते हैं।
- ग्रेडिएंट विश्लेषण: 3D पुनर्निर्माण विस्तारित संरचनाओं (जैसे, डक्ट के साथ) के साथ मार्कर प्रोफाइल की गणना को सक्षम बनाता है, जो मनमाने 2D क्रॉस-सेक्शन में असंभव या भ्रमित करने वाला है।

5. महत्व और प्रभाव (Significance and Impact)

यह कार्य स्थानिक प्रोटिओमिक्स समुदाय के लिए एक महत्वपूर्ण नैदानिक उपकरण प्रदान करता है। यह प्रतिमान को "2D मानक है" से बदलकर "सैंपलिंग-अवेयर विश्लेषण" की ओर ले जाता है।

प्रायोगिक डिजाइन के लिए: यह अधिग्रहण रणनीतियों को चुनने के लिए एक मात्रात्मक आधार प्रदान करता है। यदि शोध प्रश्न वैश्विक प्रचुरता से संबंधित है, तो 2D कुशल है। यदि इसमें सेल-सेल इंटरेक्शन, नीचे (niches), या ऊतक वास्तुकला शामिल है, तो विरल सीरियल सैंपलिंग के साथ पुनर्निर्माण उचित है।
डेटा व्याख्या के लिए: यह रेखांकित करता है कि कई स्थानिक इंटरेक्शन अध्ययनों में विसंगतियाँ जैविक परिवर्तनशीलता के बजाय सैंपलिंग ज्यामिति के आर्टिफैक्ट (artifacts) हो सकती हैं।
मेथोडोलॉजिकल प्रगति: प्रस्तावित पुनर्निर्माण मॉड्यूल सघन 3D इमेजिंग की उच्च लागत और गहराई-जागरूक विश्लेषण की आवश्यकता के बीच के अंतर को पाटता है, जिससे शोधकर्ताओं को मानक, बजट-बाधित प्रयोगों से भी 3D संरचनात्मक अंतर्दृष्टि निकालने की अनुमति मिलती है।

संक्षेप में, यह शोध पत्र तर्क देता है कि सैंपलिंग ज्यामिति एस्टिमेटर स्थिरता (estimator stability) को निर्धारित करती है। नियंत्रित सिमुलेशन को एक व्यावहारिक पुनर्निर्माण एल्गोरिदम के साथ जोड़कर, लेखक विरल क्रमिक सैंपलिंग के प्रतिबंधों के तहत भी विश्वसनीय 3D स्थानिक विश्लेषण को सक्षम करते हैं।