🧬 biology

PACE: Geometry-Aware Bridge Transport for Single-Cell Trajectory Inference

PACE एक ज्यामिति-जागरूक (geometry-aware) ढांचा है जो एक अनिसोट्रोपिक रीमानियन मेट्रिक (anisotropic Riemannian metric) को सीखने और क्रॉस-टाइम कपलिंग्स को परिष्कृत करने तथा न्यूरल ब्रिजेस को फिट करने के बीच बारी-बारी से कार्य करने के माध्यम से विनाशकारी टाइम-कोर्स स्नैपशॉट्स से निरंतर सिंगल-सेल प्रक्षेपवक्रों (trajectories) को पुनर्गठित करता है, जिससे बिना किसी स्पष्ट सेल पेयरिंग या वंश अनुरेखण (lineage tracing) की आवश्यकता के उत्कृष्ट पुनर्निर्माण सटीकता और आरएनए-वेलोसिटी संरेखण प्राप्त होता है।

मूल लेखक: Chenglei Yu*, Chuanrui Wang*, Bangyan Liao, Tailin Wu

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chenglei Yu*, Chuanrui Wang*, Bangyan Liao, Tailin Wu

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

कल्पना कीजिए कि आप किसी फिल्म की कहानी समझने की कोशिश कर रहे हैं, लेकिन आपके पास केवल फिल्म के कुछ बिखरे हुए, बेतरतीब फ्रेम हैं। आप यह नहीं जानते कि अलग-अलग फ्रेम में कौन सा अभिनेता कौन है, आपके पास पटकथा (script) नहीं है, और न ही आपके पास बीच के दृश्य हैं। यह बिल्कुल वही समस्या है जिसका सामना वैज्ञानिक सिंगल-सेल बायोलॉजी (single-cell biology) का अध्ययन करते समय करते हैं।

वे अलग-अलग समय पर लाखों कोशिकाओं (cells) के "स्नैपशॉट" लेते हैं। चूंकि कोशिकाओं को देखने की प्रक्रिया उन्हें नष्ट कर देती है, इसलिए वे एक क्षण से दूसरे क्षण तक एक ही कोशिका को कभी ट्रैक नहीं कर सकते। वे बस समय A पर कोशिकाओं का एक समूह देखते हैं, समय B पर एक अलग समूह, और समय C पर एक और अलग समूह। बड़ा सवाल यह है: हम बिंदुओं को कैसे जोड़ें ताकि एक कोशिका के एक अवस्था से दूसरी अवस्था में बदलने की निरंतर यात्रा को देखा जा सके?

मौजूदा तरीकों में से अधिकांश इसे स्नैपशॉट के बीच सबसे करीब दिखने वाली कोशिकाओं के बीच सीधी रेखाएं खींचकर हल करने की कोशिश करते हैं। लेकिन इस पेपर के लेखक, PACE, तर्क देते हैं कि यह मानचित्र पर दो बिंदुओं के बीच सीधी रेखा खींचने जैसा है। यह इस तथ्य को अनदेखा करता है कि सड़क घुमावदार है, और कभी-कभी मानचित्र पर "सबसे करीबी" बिंदु वास्तव में एक अलग पहाड़ पर होता है।

यहाँ बताया गया है कि PACE इसे कैसे हल करता है, सरल उपमाओं (analogies) का उपयोग करके:

1. समस्या: "सीधी रेखा" का जाल (The "Straight Line" Trap)

कल्पना कीजिए कि हाइकर्स (कोशिकाओं) का एक समूह एक जंगल (जैविक अवस्था स्थान/biological state space) के माध्यम से चल रहा है।

पुराने तरीके: यदि आप दोपहर 1:00 बजे हाइकर्स की एक फोटो लेते हैं और फिर दोपहर 2:00 बजे एक और फोटो लेते हैं, तो पुराने तरीके यह मान लेते हैं कि दूसरे फोटो में आपके सबसे करीब वाला हाइकर वही है जिसे आपने पहले फोटो में देखा था। वे उनके बीच एक सीधी रेखा खींच देते हैं।
दोष: जंगल में, रास्ता सीधा नहीं होता। कुछ हाइकर एक खाली जगह (एक "रुकी हुई" अवस्था) में फंसे हो सकते हैं, जबकि अन्य पहाड़ी पर तेजी से चढ़ रहे होते हैं। एक सीधी रेखा एक पहाड़ी के नीचे वाले हाइकर को ऊपर वाले से जोड़ सकती है, जिससे वह वास्तविक घुमावदार रास्ता छूट जाता है जो उन्होंने वास्तव में लिया था। इससे एक भ्रमित करने वाली, टूटी हुई कहानी बनती है।

2. समाधान: PACE (एक "टेरेन-अवेयर" नेविगेटर)

PACE एक कोशिका से दूसरी कोशिका तक जाने के "लागत" (cost) के बारे में सोचने का एक नया तरीका पेश करता है। केवल दूरी मापने के बजाय, यह मापता है कि स्थानीय इलाके (terrain) के आधार पर रास्ता कितना संभावित है।

चरण A: "पदचिह्नों" को पढ़ना (ज्यामिति/Geometry)

PACE एक स्नैपशॉट में कोशिकाओं के स्थानीय पड़ोस को देखता है। यह पूछता है: "यदि मैं यहाँ खड़ा हूँ, तो अन्य कोशिकाएँ स्वाभाविक रूप से किस दिशा में बढ़ रही हैं?"

टेंजेंट दिशाएं (सड़क/Tangent Directions): ये वे दिशाएं हैं जहाँ कोशिकाएं स्वाभाविक रूप से बह रही हैं। PACE कहता है, "इस दिशा में आगे बढ़ना सस्ता और आसान है।"
नॉर्मल दिशाएं (चट्टान/Normal Directions): ये वे दिशाएं हैं जो प्राकृतिक प्रवाह को काटती हैं या "सड़क" से बाहर निकल जाती हैं। PACE कहता है, "इस दिशा में आगे बढ़ना महंगा और असंभव है।"

इसे एक ऐसे हाइकर के रूप में सोचें जिसके पास एक ऐसा नक्शा है जो जानता है कि रास्ते कहाँ हैं। रास्ते पर चलना 1 ऊर्जा खर्च करता है। सीधे चट्टान पर चढ़ने की कोशिश करने में 100 ऊर्जा लगती है। PACE एक ऐसा "कॉस्ट मैप" बनाता है जो रास्ते से बाहर जाने पर दंड (penalize) देता है।

चरण B: "पुल" बनाना (बिंदुओं को जोड़ना/The Bridge)

PACE स्नैपशॉट्स के बीच एक "पुल" बनाता है। लेकिन यह केवल एक सीधा पुल नहीं बनाता। यह एक घुमावदार पुल बनाता है जो उसी इलाके का अनुसरण करता है जिसे उसने अभी मैप किया है।

यह समय A से समय B तक की कोशिकाओं को जोड़ने की कोशिश करता है।
यदि एक सीधी रेखा के लिए किसी चट्टान से कूदने की आवश्यकता होती है (जो एक जैविक रूप से असंभव छलांग है), तो PACE समझ जाता है कि यह एक बुरा कनेक्शन है।
फिर यह कोशिकाओं के एक अलग जोड़े को आज़माता है जो एक सुचारू, घुमावदार पथ की अनुमति देता है जो "रास्ते" पर बना रहता है।

चरण C: "रिफाइनमेंट लूप" (स्मार्टर बनना/The Refinement Loop)

PACE पहली बार में सही नहीं होता है। यह एक चतुर लूप चलाता है:

अनुमान लगाएं: "आइए इन कोशिकाओं को जोड़ते हैं।"
निर्माण करें: "ठीक है, आइए उनके बीच एक पुल बनाएं। ओह, रुको, इस पुल को एक चट्टान पर चढ़ना होगा। यह बहुत कठिन है।"
पुनः अनुमान लगाएं: "ठीक है, आइए इसके बजाय इन अलग कोशिकाओं को जोड़ने की कोशिश करते हैं। यह पुल समतल रास्ते पर रहता है।"
दोहराएं: यह तब तक कनेक्शनों को बदलता और पुलों को नया आकार देता रहता है जब तक कि इसे आंदोलन का सबसे सुचारू और तार्किक प्रवाह न मिल जाए।

3. परिणाम: एक निरंतर फिल्म

एक बार जब PACE सबसे अच्छे कनेक्शन और सबसे अच्छे घुमावदार पथों को समझ लेता है, तो वह उस सारी जानकारी को एक एकल वेलोसिटी फील्ड (velocity field) में संकुचित कर देता है।

कल्पना कीजिए कि आप उन सभी व्यक्तिगत पुलों को लेकर उन्हें एक एकल, बहती हुई नदी में सुचारू बना रहे हैं।
अब, यदि आप कहीं भी किसी भी समय एक "कोशिका" (पानी की एक बूंद) छोड़ते हैं, तो आप भविष्यवाणी कर सकते हैं कि वह आगे कहाँ बहेगी, भले ही आपने पहले कभी उस विशिष्ट कोशिका को न देखा हो।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

परीक्षकों ने सात अलग-अलग डेटासेट पर PACE का परीक्षण किया, जिसमें शामिल हैं:

सिंथेटिक डेटा: बनावटी "समुद्री धाराएं" और "शाखाओं वाले पेड़" जहाँ वे उत्तर जानते थे।
वास्तविक जीव विज्ञान: माउस रीप्रोग्रामिंग, मानव स्टेम सेल और भ्रूण का विकास।

दावा:
PACE ने लगातार अन्य सभी तरीकों को पछाड़ दिया। औसतन, इसने त्रुटियों को लगभग 23.7% कम कर दिया।

यह फिल्म के "गायब" फ्रेम को पुनर्गठित करने में बेहतर था।
यह ज्ञात जैविक दिशाओं (जैसे RNA वेलोसिटी, जो कोशिकाओं के लिए "हवा की दिशा" के संकेतक के रूप में कार्य करती है) के साथ बेहतर ढंग से संरेखित हुआ।
महत्वपूर्ण बात यह है कि इसने यह सब बिना यह जाने कि कौन सी कोशिका कौन सी थी, बिना वंशावली (family trees) को ट्रैक किए, और बिना कोशिकाओं को लेबल करने के लिए अतिरिक्त प्रयोगों के बिना किया। इसने यह सब शुद्ध रूप से डेटा के "आकार" को समझकर हासिल किया।

सारांश

PACE कोशिका जीव विज्ञान के लिए एक स्मार्ट GPS की तरह है। जबकि अन्य तरीके निकटतम बिंदुओं के बीच सीधी रेखाएं खींचते हैं (इलाके को अनदेखा करते हुए), PACE स्थानीय परिदृश्य को पढ़ता है, जीवन के प्राकृतिक प्रवाह का अनुसरण करने वाले घुमावदार पुल बनाता है, और अपने मानचित्र को तब तक परिष्कृत करता रहता है जब तक कि उसे कोशिकाओं के यात्रा करने के लिए सबसे तार्किक, सबसे सुचारू पथ न मिल जाए।

तकनीकी सारांश: PACE – सिंगल-सेल प्रक्षेपवक्र अनुमान (Trajectory Inference) के लिए ज्योमेट्री-अवेयर ब्रिज ट्रांसपोर्ट

1. समस्या का निरूपण (Problem Formulation)

सिंगल-सेल प्रक्षेपवक्र अनुमान (trajectory inference) विध्वंसक टाइम-कोर्स स्नैपशॉट्स (destructive time-course snapshots) से निरंतर सेल-स्टेट विकास के पुनर्निर्माण का लक्ष्य रखता है। इस क्षेत्र में एक मौलिक चुनौती यह है कि यह समस्या इल-पोज़्ड (ill-posed) है: न तो क्रॉस-टाइम सेल कोरेस्पोंडेंस (cell correspondences) और न ही स्नैपशॉट्स के बीच के निरंतर पथ (continuous paths) प्रेक्षित (observed) होते हैं। फलस्वरूप, केवल प्रेक्षित स्नैपशॉट वितरण अकेले अंतर्निहित गतिकी (underlying dynamics) को अनन्य रूप से निर्धारित नहीं करते हैं।

मौजूदा ऑप्टिमल ट्रांसपोर्ट (OT) और फ्लो-आधारित विधियाँ आमतौर पर प्रेक्षित क्लॉक समय पर यूक्लिडियन निकटता (Euclidean proximity) के आधार पर कपलिंग का अनुमान लगाती हैं। यह दृष्टिकोण यह मान लेता है कि एक ही प्रयोगात्मक समय पर नमूने के रूप में ली गई कोशिकाएं समान विकासात्मक चरणों में स्थित होती हैं। हालांकि, अतुल्यकालिक जैविक प्रक्रियाओं (जैसे पुनर्गठन या विभेदन) में, एक ही क्लॉक समय पर कोशिकाएं अलग-अलग लेटेंट सूडोटाइम चरणों या विशिष्ट भाग्य शाखाओं (fate branches) पर स्थित हो सकती हैं। केवल यूक्लिडियन दूरी पर निर्भर रहने से गलत संरेखित प्रक्षेपवक्र (misaligned trajectories) हो सकते हैं, जो असंगत विकासात्मक कार्यक्रमों की कोशिकाओं को जोड़ सकते हैं (उदाहरण के लिए, एपोप्टोटिक कोशिकाओं को तेजी से विस्तार करने वाली स्टेम कोशिकाओं से जोड़ना) या सेल-स्टेट मैनिफोल्ड के साथ घुमावदार, एनिसोट्रोपिक गति को पकड़ने में विफल हो सकते हैं।

2. कार्यप्रणाली: PACE ढांचा (Methodology: PACE Framework)

लेखक PACE (जियोमेट्री-अवेयर ब्रिज ट्रांसपोर्ट) का प्रस्ताव करते हैं, जो एक ऐसा ढांचा है जो अनपेयर्ड स्नैपशॉट्स से ज्योमेट्री-कंसिस्टेंट निरंतर ट्रांसपोर्ट डायनेमिक्स का चयन करता है। मुख्य अंतर्ज्ञान यह है कि जबकि वास्तविक सेल पहचान अप्राप्त है, स्थानीय स्थानिक-कालिक पड़ोस (spatiotemporal neighborhoods) स्वीकार्य गति दिशाओं पर एक कमजोर पूर्व सूचना (weak prior) प्रदान करते हैं: प्रेक्षित मैनिफोल्ड संरचना के लंबवत (orthogonal) होने की तुलना में स्थानीय रूप से समर्थित स्पर्शरेखीय (tangent) दिशाओं के साथ गति अधिक प्रशंसनीय है।

PACE तीन युग्मित घटकों के माध्यम से कार्य करता है:

A. समय- और अवस्था-निर्भर एनिसोट्रोपिक रीमानियन मेट्रिक (Time- and State-Dependent Anisotropic Riemannian Metric)

PACE निश्चित यूक्लिडियन लागतों के स्थान पर एक रीमानियन पाथ एक्शन (Riemannian path action) द्वारा प्रेरित एक मेट्रिक टेंसर $G_k(x, t)$ का उपयोग करता है।

स्थानीय ज्यामिति अनुमान (Local Geometry Estimation): प्रत्येक प्रेक्षित कोशिका के लिए, PACE एक ही स्नैपशॉट के भीतर निकटतम-पड़ोसी सहप्रसरण विश्लेषण (nearest-neighbor covariance analysis) का उपयोग करके स्थानीय स्पर्शरेखीय (tangent) और अभिलंब (normal) उपस्थानों का अनुमान लगाता है।
मेट्रिक निर्माण: मेट्रिक को $G_k(x, t) = I + \alpha C^{(k)}_N(x, t)$ के रूप में परिभाषित किया गया है, जहाँ $C^{(k)}_N$ स्थानीय नॉर्मल प्रोजेक्टर्स का एक स्थानिक-कालिक इंटरपोलेटेड क्षेत्र है।
लागत फलन (Cost Function): एक पथ $\gamma$ की लागत मेट्रिक द्वारा भारित वेग के वर्ग का समाकलन (integral) है:
$A_{G_k}[\gamma] = \int_0^1 \dot{\gamma}(\tau)^\top G_k(\gamma(\tau), t_{k,\tau}) \dot{\gamma}(\tau) d\tau$
यह सूत्र स्थानीय रूप से अनुमानित अभिलंब दिशा (normal direction) में वेग घटकों को दंडित (penalize) करता है (उच्च लागत) जबकि स्पर्शरेखीय दिशाओं के साथ गति के लिए कम लागत बनाए रखता है।

B. अल्टरनेटिंग ब्रिज और कपलिंग ऑप्टिमाइज़ेशन (Alternating Bridge and Coupling Optimization)

परिणामी अनंत-आयामी ट्रांसपोर्ट समस्या को हल करने के लिए, PACE एक परिमित-आयामी अल्टरनेटिंग ऑप्टिमाइज़ेशन प्रक्रिया का उपयोग करता है:

ब्रिज लर्निंग (फिक्स्ड कपलिंग): एक क्रॉस-टाइम कपलिंग $\pi_k$ दिए जाने पर, PACE एक एंडपॉइंट-प्रिजर्विंग न्यूरल ब्रिज $\gamma_\theta(x, y, \tau)$ को प्रशिक्षित करता है। ब्रिज को एक सीधी रेखा और एक न्यूरल करेक्शन टर्म के रूप में पैरामीटराइज किया गया है जो $\tau(1-\tau)$ द्वारा स्केल किया गया है, जो यह सुनिश्चित करता है कि $\gamma_\theta(x, y, 0)=x$ और $\gamma_\theta(x, y, 1)=y$ । नेटवर्क को मेट्रिक द्वारा परिभाषित एनिसोट्रोपिक पाथ-एक्शन लॉस को कम करने के लिए प्रशिक्षित किया जाता है।
कपलिंग रिफाइनमेंट (फिक्स्ड ब्रिज): सीखे गए ब्रिज का उपयोग करके, PACE सभी संभावित एंडपॉइंट जोड़ों के बीच पाथ-एक्शन कॉस्ट की गणना करता है। इसके बाद, यह कपलिंग $\pi_k$ को अपडेट करने के लिए एक ऑप्टिमल ट्रांसपोर्ट समस्या को हल करता है, जो केवल यूक्लिडियन दूरी के बजाय कुल पाथ एक्शन को कम करता है।
यह एक बूटस्ट्रैप तंत्र बनाता है जहाँ बेहतर कपलिंग, ब्रिज के लिए बेहतर एंडपॉइंट सुपरविजन प्रदान करती है, और बेहतर ब्रिज, कपलिंग को रिफाइन करने के लिए ज्योमेट्री-अवेयर कॉस्ट प्रदान करता है।

C. वेलोसिटी फील्ड डिस्टिलेशन (Velocity Field Distillation)

एंडपॉइंट-कंडीशनड ब्रिज जोड़े-विशिष्ट (pair-specific) होते हैं। वैश्विक प्रक्षेपवक्र अनुमान को सक्षम करने के लिए, PACE सीखे गए ब्रिज डायनेमिक्स को एक वैश्विक निरंतर-समय वेलोसिटी फील्ड $v_\phi(x, t)$ में डिस्टिल (distill) करता है। यह फील्ड किसी भी स्थिति और समय पर न्यूरल ब्रिज के वेगों से मेल खाने के लिए प्रशिक्षित किया जाता है, जिससे किसी भी प्रारंभिक वितरण से ODE इंटीग्रेशन के माध्यम से निरंतर प्रक्षेपवक्र उत्पन्न करना संभव हो जाता है।

3. प्रमुख योगदान (Key Contributions)

जियोमेट्री-अवेयर मेट्रिक: स्थानीय स्थानिक-कालिक स्पर्शरेखीय प्रोजेक्शन पर आधारित एक समय- और अवस्था-निर्भर रीमानियन मेट्रिक का परिचय। यह एक पाथ-एक्शन कॉस्ट प्रदान करता है जो सरल यूक्लिडियन एंडपॉइंट निकटता से परे कपलिंग का चयन करता है।
इटरेटिव ब्रिज-ट्रांसपोर्ट प्रक्रिया: एक अल्टरनेटिंग ऑप्टिमाइज़ेशन स्कीम का विकास जो एक ही ज्योमेट्री-अवेयर एक्शन के तहत क्रॉस-टाइम कोरेस्पोंडेंस और इंटरपोलेंट पथों को संयुक्त रूप से रिफाइन करता है, जिससे फिक्स्ड एंडपॉइंट पेयरिंग की आवश्यकता समाप्त हो जाती है।
ग्लोबल वेलोसिटी डिस्टिलेशन: बिना किसी स्पष्ट सेल पेयरिंग या वंश अनुरेखण (lineage tracing) के, निरंतर प्रक्षेपवक्र पीढ़ी के लिए एंडपॉइंट-कंडीशनड न्यूरल ब्रिज को एक वैश्विक वेलोसिटी फील्ड में डिस्टिल करने की विधि।

4. प्रयोगात्मक परिणाम (Experimental Results)

PACE का मूल्यांकन सात डेटासेट्स (नियंत्रित सिंथेटिक और जैविक) पर किया गया, जिसमें नौ होल्ड-आउट रिकंस्ट्रक्शन प्रयोग शामिल थे।

नियंत्रित 2D बेंचमार्क: "Ocean" (रोटेशनल नॉन-ग्रेडिएंट) और "Two-Branch" बेंचमार्क पर, PACE ने सबसे मजबूत समग्र पुनर्निर्माण प्रदर्शन प्राप्त किया। इसने वेलोसिटी सुपरविजन के बिना भी सुचारू रोटेशनल मोशन और ब्रांचिंग स्ट्रक्चर को सफलतापूर्वक रिकवर किया।
जैविक बेंचमार्क:
- EB PHATE: PACE ने होल्ड-आउट मार्जिनल रिकंस्ट्रक्शन (MMD, W1, W2) में सुधार किया और प्रशिक्षण के दौरान RNA वेलोसिटी का उपयोग न करने के बावजूद बेसलाइन्स की तुलना में 15.4% बेहतर RNA-वेलोसिटी अलाइनमेंट दिखाया।
- iPSC-Liu & Schiebinger2019: PACE ने विभेदन (differentiation) और पुनर्गठन (reprogramming) कार्यों में लगातार बेसलाइन्स (Action Matching, Aligned CFM, CURLY, DMSB, MFM, OT-CFM) को पछाड़ दिया।
मात्रात्मक लाभ: सभी डेटासेट्स में, PACE ने सबसे मजबूत प्रतिस्पर्धी बेसलाइन के सापेक्ष औसतन 23.7% कम MMD, W1, और W2 दर्ज किया।
उच्च-आयामी प्रदर्शन: उच्च-आयामी सेटिंग्स (10D, 50D, 100D PCA) में, जहाँ यूक्लिडियन दूरियां कंसंट्रेशन प्रभावों (concentration effects) से प्रभावित होती हैं, PACE ने वैश्विक सेपरेशन के बजाय स्थानीय एनिसोट्रॉपी का लाभ उठाकर मजबूत प्रदर्शन बनाए रखा।
एब्लेशन स्टडीज (Ablation Studies): कपलिंग रिमैचिंग, एनिसोट्रोपिक मेट्रिक पेनल्टी ( $\alpha=0$ ), या स्थानिक/कालिक कर्नेल स्मूथिंग जैसे घटकों को हटाने से प्रदर्शन में गिरावट आई, जिससे पुष्टि हुई कि लाभ इन तत्वों के संयोजन से उत्पन्न होते हैं।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि स्थानीय ज्यामिति (local geometry) विनाशकारी स्नैपशॉट्स से प्रक्षेपवक्र के पुनर्निर्माण के लिए एक उपयोगी इंडक्टिव बायस के रूप में कार्य करती है। एक यूक्लिडियन कॉस्ट को पाथ-एक्शन से बदलकर, PACE प्रक्षेपवक्र अनुमान की मौलिक अस्पष्टता को संबोधित करता है, जिसके लिए निम्नलिखित की आवश्यकता नहीं है:

स्पष्ट सेल पेयरिंग या वंश अनुरेखण (lineage tracing)।
प्रशिक्षण के दौरान RNA वेलोसिटी सुपरविजन।
सिंक्रोनस डेवलपमेंट (तुल्यकालिक विकास) की धारणाएं।

लेखक इस बात पर जोर देते हैं कि PACE तर्कसंगत, ज्योमेट्री-कंसिस्टेंट पुनर्निर्माण प्रदान करता है, न कि सेलुलर इतिहास का 'ग्राउंड ट्रुथ', क्योंकि अंतर्निहित समस्या अभी भी इल-पोज़्ड है। यह विधि दर्शाती है कि जनसंख्या-स्तर की गतिकी अनुमान की सटीकता में सुधार करने के लिए स्थानीय स्थानिक-कालिक पड़ोसों से स्वीकार्य दिशाओं का अनुमान लगाना पर्याप्त है।