🧬 biology

Querying Counterfactuals on Tissue Graphs with Supervised Disentanglement

यह शोध पत्र सेलिना (Cellina) को प्रस्तुत करता है, जो एक पर्यवेक्षित विलगन ढांचा (supervised disentanglement framework) है जो एक कोशिका की आंतरिक अवस्था को उसके स्थानिक संदर्भ से अलग करके ऊतक ग्राफ प्रतितथ्यात्मकों (tissue graph counterfactuals) को औपचारिक रूप देता है ताकि पुनर्गठित या संशोधित पड़ोसी अंतःक्रियाओं के तहत अभिव्यक्ति परिवर्तनों की सटीक भविष्यवाणी की जा सके, और बड़े पैमाने के स्थानिक ट्रांसक्रिप्टोमिक्स डेटासेट पर मौजूदा विधियों से बेहतर प्रदर्शन कर सके।

मूल लेखक: Abdul Moeed, Stefan Schrod, Martin Rohbeck, Marc Jan Bonder, Pavlo Lutsik, Oliver Stegle, Daniel Dimitrov

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abdul Moeed, Stefan Schrod, Martin Rohbeck, Marc Jan Bonder, Pavlo Lutsik, Oliver Stegle, Daniel Dimitrov

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 सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके पेपर की व्याख्या दी गई है।

बड़ी तस्वीर: "सेल पड़ोस" (Cell Neighborhood) की समस्या

एक ऐसे शहर की कल्पना करें जहाँ हर व्यक्ति (सेल/कोशिका) का एक अनूठा व्यक्तित्व और एक विशिष्ट काम होता है। जीव विज्ञान (biology) में, हम यह अनुमान लगाना चाहते हैं कि यदि कोई व्यक्ति किसी दूसरे पड़ोस में चला जाए तो वह कैसा व्यवहार करेगा।

पुराना तरीका: पिछले कंप्यूटर मॉडल लोगों को ऐसे मानते थे जैसे वे अकेले रह रहे हों। उन्होंने माना कि यदि आप सबको एक ही "उत्तेजना" (जैसे कि एक नया कानून या कोई वायरस) देते हैं, तो सभी एक ही तरह से प्रतिक्रिया करेंगे, चाहे उनके पड़ोसी कोई भी हों।
वास्तविकता: एक जीवित शरीर में, आपका व्यवहार आपके पड़ोसियों से बहुत प्रभावित होता है। एक व्यक्ति जो बेकरी के बगल में रहता है, उसे ब्रेड की खुशबू आ सकती है और भूख महसूस हो सकती है; एक व्यक्ति जो कंस्ट्रक्शन साइट के बगल में रहता है, वह तनाव महसूस कर सकता है। जीव विज्ञान में, एक सेल का "मूड" (जीन एक्सप्रेशन) उसके ठीक बगल वाले सेल्स द्वारा आकार लिया जाता है।

यह पेपर तर्क देता है कि यह अनुमान लगाने के लिए कि एक सेल कैसे बदलेगा, हम केवल सेल को ही नहीं देख सकते; हमें यह सिम्युलेट करना होगा कि क्या होता है यदि हम उसके पड़ोसियों को बदल दें या उसके पड़ोसियों की बातों को बदल दें।

समाधान: "सेलिना" (Cellina - द नेबरहुड सिम्युलेटर)

लेखकों ने Cellina नामक एक टूल बनाया है। Cellina को एक सुपर-स्मार्ट अनुवादक (translator) के रूप में समझें जो एक व्यक्ति के "आंतरिक स्वरूप" को उसके "वातावरण" से अलग कर सकता है।

एक व्यक्ति के दो हिस्से:
- आंतरिक स्वरूप (Intrinsic): आप अपने मूल रूप में कौन हैं (जैसे, "मैं एक बेकर हूँ")। यह सिर्फ इसलिए नहीं बदलता क्योंकि आप कहीं और चले गए हैं।
- वातावरण (Extrinsic): आपका परिवेश आपको कैसे प्रभावित करता है (जैसे, "मुझे ब्रेड की खुशबू आ रही है क्योंकि मैं बेकरी के बगल में रहता हूँ")।
जादुई ट्रिक (Disentanglement):
कई AI मॉडल इन दोनों चीजों को आपस में मिला देते हैं। यदि आप एक बेकर को कंस्ट्रक्शन साइट पर ले जाते हैं, तो एक खराब मॉडल यह सोच सकता है कि बेकर बन गया है एक कंस्ट्रक्शन वर्कर। Cellina खास है क्योंकि यह "सुपरवाइज्ड डिसेंटैंगलमेंट" (supervised disentanglement) का उपयोग करता है।
- उदाहरण: कल्पना करें कि आपके पास किसी व्यक्ति की फोटो है। Cellina एक विशेष फिल्टर का उपयोग करता है जो व्यक्ति को बैकग्राउंड से अलग करता है। यह व्यक्ति को पहचानने के लिए सीखता है भले ही बैकग्राउंड बदल जाए, और यह बैकग्राउंड को पहचानने के लिए सीखता है भले ही व्यक्ति बदल जाए।
- यह कैसे सीखता है: यह एक "शिक्षक" (सेल टाइप लेबल) का उपयोग करता है जो कहता है, "डेटा का यह हिस्सा व्यक्ति की पहचान है," और एक "धोखेबाज" (एडवर्सरियल ट्रेनिंग) का उपयोग करता है जो कहता है, "सुनिश्चित करें कि 'व्यक्ति' वाला हिस्सा गलती से 'पड़ोस' के बारे में कुछ भी न सीख ले।"

दो प्रकार के प्रयोग

पेपर Cellina का परीक्षण दो विशिष्ट "क्या होगा अगर?" वाले परिदृश्यों के साथ करता है, जिन्हें वे काउंटरफैक्चुअल्स (Counterfactuals) कहते हैं:

1. एज पर्टरबेशन (Edge Perturbation - "घर बदलने" का टेस्ट)

सवाल: "यह सेल कैसा दिखता यदि हम इसे भौतिक रूप से एक अलग पड़ोस में ले जाते और इसे पूरी तरह से नए सेट के पड़ोसी दे देते?"
उदाहरण: कल्पना करें कि एक बेकर को लेकर कंस्ट्रक्शन साइट पर ले जाया जाता है, जहाँ उसके पुराने पड़ोसियों को कंस्ट्रक्शन वर्कर्स से बदल दिया जाता है। Cellina भविष्यवाणी करता है कि बेकर का व्यवहार कैसे बदलता है सिर्फ इन नए लोगों के बीच रहने के कारण।
परिणाम: Cellina अन्य टूल्स की तुलना में इसमें बहुत बेहतर था। इसने सफलतापूर्वक भविष्यवाणी की कि बेकर का व्यवहार बदलना शुरू हो जाएगा (जैसे, लकड़ी के बुरादे जैसी गंध आना) बिना अपनी बेकर वाली पहचान खोए।

2. नोड पर्टरबेशन (Node Perturbation - "संदेश बदलने" का टेस्ट)

सवाल: "क्या होगा यदि पड़ोसी उसी घर में रहें, लेकिन वे अलग-अलग चीजें चिल्लाना शुरू कर दें?"
उदाहरण: बेकर कंस्ट्रक्शन वर्कर्स के बगल में ही रहता है, लेकिन ड्रिल के बारे में चिल्लाने के बजाय, वे अब ब्लूप्रिंट के बारे में चिल्लाने लगते हैं। Cellina भविष्यवाणी करता है कि बेकर बिना हिले-डुले इस बातचीत के बदलाव के प्रति कैसे प्रतिक्रिया करता है।
परिणाम: Cellina इस कार्य को भी सिम्युलेट कर सका, यह भविष्यवाणी करते हुए कि इन नए संकेतों के आधार पर विशिष्ट जैविक पथ (जैसे कि एक विशिष्ट जीन प्रोग्राम) कैसे चालू या बंद होते हैं।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

लेखकों ने Cellina का परीक्षण दो विशाल डेटासेट्स पर किया:

कोलोरेक्टल कैंसर (Colorectal Cancer): स्वस्थ कोलन टिश्यू बनाम कैंसरयुक्त टिश्यू में सेल्स को देखना।
माउस ब्रेन (Mouse Brain): चूहे के मस्तिष्क के विभिन्न क्षेत्रों को देखना।

निष्कर्ष:

बेहतर भविष्यवाणियाँ: Cellina ने इन "वर्चुअल प्रयोगों" में कोशिकाओं के बदलने की भविष्यवाणी करने में अन्य मौजूदा तरीकों (जैसे scGen, CPA, और MintFlow) को पीछे छोड़ दिया।
छिपे हुए पैटर्न खोजना: क्योंकि Cellina "पड़ोस" को "सेल" से अलग करता है, इसने कैंसर टिश्यू के भीतर छिपे हुए उप-समूहों (sub-groups) को खोज निकाला जिन्हें अन्य तरीकों ने मिस कर दिया था। इसने महसूस किया कि सभी कैंसर सेल्स एक ही "वातावरण" में नहीं हैं, भले ही वे एक ही ट्यूमर में हों।
स्केलेबिलिटी (Scalability): यह क्रैश हुए बिना लाखों सेल्स को संभाल सकता है, जो आधुनिक जीव विज्ञान में एक बड़ी बात है।

Cellina क्या नहीं करता है (पूरी तरह से टेक्स्ट के आधार पर)

यह इलाज के लिए कोई भविष्य बताने वाला यंत्र नहीं है: पेपर स्पष्ट रूप से कहता है कि ये "इन-सिलिको" (कंप्यूटर सिमुलेशन) भविष्यवाणियाँ हैं। ये "जेनेरेटिव हाइपोथीसिस" हैं जिन्हें वास्तविक लैब (वेट-लैब वैलिडेशन) में टेस्ट करने की आवश्यकता है, इससे पहले कि हम जान सकें कि वे सच हैं या नहीं।
यह डॉक्टरों की जगह नहीं लेता: लेखक यह दावा नहीं करते कि यह टूल मरीजों का निदान कर सकता है या दवा लिख सकता है। यह शोधकर्ताओं की मदद करने के लिए एक रिसर्च टूल है ताकि वे समझ सकें कि कोशिकाएं कैसे परस्पर क्रिया करती हैं।
यह लेबल पर निर्भर करता है: अपना जादू चलाने के लिए, Cellina को यह बताया जाना चाहिए कि वह किस "प्रकार" की कोशिका को देख रहा है (जैसे, "यह एक T-सेल है") और वह किस "क्षेत्र" में है (जैसे, "यह ट्यूमर है")। यह इन लेबल्स से सीखता है ताकि पहचान को वातावरण से अलग किया जा सके।

सारांश

Cellina एक नया कंप्यूटर प्रोग्राम है जो ऊतकों (tissues) को जुड़े हुए पड़ोसियों के एक ग्राफ के रूप में देखता है। यह एक सेल की पहचान को उसके परिवेश से अलग करना सीखता है। ऐसा करके, यह "क्या होगा अगर?" वाले सवालों के जवाब दे सकता है: "क्या होगा यदि इस सेल के पड़ोसी अलग होते?" या "क्या होगा यदि इसके पड़ोसी कुछ और कहते?" यह किसी भी पिछले टूल की तुलना में बेहतर तरीके से यह करता है, जिससे वैज्ञानिकों को ट्यूमर और मस्तिष्क जैसे ऊतकों में कोशिकाओं के जटिल सामाजिक जीवन को समझने में मदद मिलती है।

तकनीकी सारांश: ऊतक ग्राफ पर सुपरवाइज्ड डिसेंटैंगलमेंट के साथ काउंटरफैक्चुअल क्वेरी करना

समस्या की परिभाषा

सिंगल-सेल बायोलॉजी का लक्ष्य गड़बड़ी (perturbations) के प्रति कोशिकीय प्रतिक्रियाओं की भविष्यवाणी करना है। हालाँकि, मौजूदा विधियाँ आमतौर पर दो धारणाओं पर निर्भर करती हैं जो ऊतकों (tissues) का उल्लंघन करती हैं: (i) गड़बड़ियाँ एक साझा उत्तेजना के रूप में समान रूप से लागू होती हैं, और (ii) कोशिकाएं सशर्त रूप से स्वतंत्र (i.i.d.) हैं। जीवित ऊतकों में, एक कोशिका की ट्रांसक्रिप्शनल अवस्था उसके स्थानीय पड़ोस (local neighborhood) द्वारा आकार लेती है, जो प्रत्येक कोशिका के लिए विशिष्ट रूप से भिन्न होता है।

लेखक ऊतक ग्राफ काउंटरफैक्चुअल्स (tissue graph counterfactuals) को स्थानिक हस्तक्षेपों (spatial interventions) के एक वर्ग के रूप में औपचारिक रूप देते हैं जो यह पूछते हैं: यदि एक कोशिका की अंतर्निहित पहचान स्थिर रहे, लेकिन उसका पड़ोस संदर्भ बदल दिया जाए, तो वह क्या व्यक्त करेगी? ये हस्तक्षेप ऊतक ग्राफ के दो परिवर्तनीय घटकों को लक्षित करते हैं:

एज परटर्बेशन (Edge Perturbation): एक कोशिका के पड़ोस के कनेक्शन को फिर से जोड़ना (पड़ोसियों को बदलना)।
नोड परटर्बेशन (Node Pertermation): ग्राफ टोपोलॉजी को सुरक्षित रखते हुए मौजूदा पड़ोसियों के जीन एक्सप्रेशन फीचर्स को संशोधित करना।

वर्तमान विधियों में इन प्रश्नों को संभालने के लिए एक एकीकृत ढांचे का अभाव है, क्योंकि वे अक्सर कोशिकाओं को i.i.d. मानती हैं या अंतर्निहित सेल पहचान को बाह्य सूक्ष्म-पर्यावरण प्रभाव से अलग किए बिना विशिष्ट हस्तक्षेप प्रकारों को लक्षित करती हैं।

कार्यप्रणाली: सेलिना (Cellina)

यह शोध पत्र सेलिना प्रस्तुत करता है, जो एक ग्राफ वेरिएशनल ऑटोएन्कोडर (VAE) है, जिसे सुपरवाइज्ड डिसेंटैंगलमेंट (supervised disentanglement) के माध्यम से ऊतक ग्राफ काउंटरफैक्चुअल्स को सुलभ बनाने के लिए डिज़ाइन किया गया है।

मॉडल आर्किटेक्चर

सेलिना एक कोशिका के जीन एक्सप्रेशन $x$ को दो अव्यक्त (latent) घटकों में विभाजित करता है:

अंतर्निहित प्रतिनिधित्व ( $z$ ): कोशिका की पहचान (सेल टाइप) को एनकोड करता है, जो स्थानिक संदर्भ से स्वतंत्र है।
बाह्य प्रतिनिधित्व ( $s$ ): स्थानिक सूक्ष्म-वातावरण (पड़ोस) के प्रभाव को एनकोड करता है।

जेनरेटिव मॉडल $z$ और $s$ के लिए मानक सामान्य प्रायोरिटी (standard normal priors) मानता है, जिसमें संभावना $p(x|z, s)$ को एक डिकोडर $Dec([z; s])$ द्वारा पैरामीटराइज्ड नेगेटिव बिनोमियल वितरण के रूप में मॉडल किया जाता है।

इन्फरेंस वेरिएंट्स

$s$ के स्थानिक प्रतिनिधित्व को एनकोड करने के लिए दो वेरिएंट प्रस्तावित किए गए हैं:

सेलिना (बेस): लॉग-नॉर्मलाइज्ड पड़ोसी अभिव्यक्ति $\phi(v)$ के डिग्री-नॉर्मलाइज्ड एग्रीगेशन का उपयोग करता है, जिसे एक MLP के माध्यम से एनकोड किया जाता है।
सेलिना-GAT: फिक्स्ड एग्रीगेटर के स्थान पर स्थानीय सबग्राफ पर संचालित होने वाले मल्टी-लेयर ग्राफ अटेंशन नेटवर्क (GATv2) का उपयोग करता है। यह वेरिएंट सेल्फ-लूप्स को बाहर रखता है ताकि यह सुनिश्चित हो सके कि फोकल सेल की अपनी अभिव्यक्ति केवल $z$ द्वारा कैप्चर की गई है।

सुपरवाइज्ड डिसेंटैंगलमेंट

शुद्ध अनसुपरवाइज्ड फैक्टराइजेशन इंडक्टिव बायस के बिना पहचानने योग्य (identifiable) नहीं है। सेलिना $z$ को सेल-टाइप पहचान से जोड़ने और स्थानिक भिन्नता को $s$ की ओर निर्देशित करने के लिए जैविक पर्यवेक्षण (biological supervision) इंजेक्ट करता है:

सेल-टाइप क्लासिफायर ( $L_{clf}$ ): $z$ को ज्ञात सेल-टाइप लेबल्स से जोड़ता है।
एडवर्सरियल डोमेन डिस्क्रिमिनेटर ( $L_{adv}$ ): एक दो-चरणीय वैकल्पिक अनुकूलन जहाँ एक डिस्क्रिमिनेटर $z$ से स्थानिक डोमेन की भविष्यवाणी करने का प्रयास करता है। एनकोडर को इस भविष्यवाणी को कम करने (एन्ट्रॉपी को अधिकतम करने) के लिए प्रशिक्षित किया जाता है, जो प्रभावी रूप से $z$ से स्थानिक-डोमेन की जानकारी को हटा देता है और इसे $s$ में भेजने के लिए मजबूर करता है।
कॉन्ट्रास्टिव लॉस ( $L_{spatial}$ ): केवल सेलिना-GAT में लागू होता है, यह लॉस स्थानिक पड़ोसियों के लिए $s$ में समानता को प्रोत्साहित करता है जबकि विशिष्ट डोमेन क्षेत्रों को अलग करता है, जो एक जैविक रूप से आधारित इंडक्टिव बायस के रूप में कार्य करता है।

कुल प्रशिक्षण उद्देश्य है:
$\mathcal{L} = \mathcal{L}_{VAE} + \alpha_{clf} \mathcal{L}_{clf} + \alpha_{spatial} \mathcal{L}_{spatial} - \alpha_{adv} \mathcal{L}_{adv}$

काउंटरफैक्चुअल सिमुलेशन

एज परटर्बेशन: एक फोकल सेल के पड़ोसियों को एक लक्षित डोमेन (जैसे, स्वस्थ पड़ोसियों को कैंसर पड़ोसियों से बदलना) के साथ बदला जाता है, जिसमें फोकल सेल के अपने प्रकार को शामिल नहीं किया जाता है ताकि एक रूढ़िवादी मूल्यांकन सुनिश्चित हो सके।
नोड परटर्बेशन: ग्राफ टोपोलॉजी स्थिर रहती है, लेकिन पड़ोसी जीन एक्सप्रेशन वेक्टर्स को एक जीन-विशिष्ट रूपांतरण (जैसे, डोमेन के बीच लॉग-फोल्ड परिवर्तन के आधार पर मल्टीप्लिकेटिव स्केलिंग) द्वारा संशोधित किया जाता है।

मुख्य योगदान

औपचारिकीकरण (Formalization): लेखक एज (टोपोलॉजी) और नोड (फीचर) दोनों तरह के हस्तक्षेपों को समाहित करने वाले एक एकीकृत वर्ग के रूप में ऊतक ग्राफ काउंटरफैक्चुअल्स को परिभाषित करते हैं।
सेलिना फ्रेमवर्क: वे एक ड्यूल-एनकोडर ग्राफ VAE पेश करते हैं जो अंतर्निहित पहचान को स्थानिक संदर्भ से अलग करने के लिए सुपरवाइज्ड डिसेंटैंगलमेंट का उपयोग करता है।
प्रदर्शन: सेलिना, काउंटरफैक्चुअल भविष्यवाणी, डिसेंटैंगलमेंट और 2.5 मिलियन से अधिक कोशिकाओं वाले डेटासेट में स्केलेबिलिटी के मामले में स्पेशियली-इन्फॉर्म्ड और नॉन-स्पेशियल बेसलाइन्स (scGen, CPA, MintFlow, और SpatialProp सहित) को पछाड़ देता है।
जैविक खोज: यह फ्रेमवर्क जैविक रूप से भिन्न कैंसर सबडोमेन की अनसुपरवाइज्ड पहचान को सक्षम बनाता है और लक्षित पाथवे-विशिष्ट पड़ोसी परटर्बेशन सिमुलेशन की सुविधा देता है।

प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन दो बड़े पैमाने के स्थानिक ट्रांसक्रिप्टोमिक्स डेटासेट्स पर किया गया था:

कोलोरेक्टल कैंसर (CRC): छह स्लाइड्स में ~2.4 मिलियन कोशिकाएं। कार्य यह था कि यदि स्वस्थ कोलोन कोशिकाओं (REF) को ट्यूमर क्षेत्र (CRC) में रखा जाए, तो उनकी अभिव्यक्ति की भविष्यवाणी की जाए।
- परिणाम: सेलिना वेरिएंट्स ने सभी बेसलाइन्स को काफी बेहतर प्रदर्शन किया। बेस सेलिना ने सबसे मजबूत नॉन-सेलिना बेसलाइन पर पियर्सन कोरिलेशन में +0.14 और साइन्ड प्रिसिजन में +0.17 का सुधार किया। सेलिना-GAT ने उच्चतम पियर्सन स्कोर (0.85) और न्यूनतम RMSE (1.14) प्राप्त किया।
- एब्लेशन (Ablation): यहाँ तक कि "सेलिना (एब्लेटेड)" वेरिएंट (बिना सुपरविजन के) ने भी नॉन-स्पेशियल बेसलाइन्स को पछाड़ दिया, जिससे पुष्टि हुई कि सुपरवाइज्ड डिसेंटैंगलमेंट ने आगे लाभ (+0.12 पियर्सन) प्रदान किया।
पूरा माउस ब्रेन: तीन स्लाइड्स में ~146K कोशिकाएं (MERFISH)। कार्य स्थानिक डोमेन के बीच भविष्यवाणियों को स्थानांतरित करना था (थैलेमस से आइसोकोर्टेक्स/फाइबर-ट्रैक्ट्स तक)।
- परिणाम: सेलिना वेरिएंट्स ने चार में से तीन मेट्रिक्स में बढ़त बनाई, जो विभिन्न ऊतकों और प्रजातियों में सामान्यीकरण (generalization) को प्रदर्शित करता है।

जैविक अंतर्दृष्टि

सबडोमेन डिस्कवरी: अव्यक्त स्थानिक प्रतिनिधित्व $s$ के क्लस्टरिंग ने स्पष्ट CRC सबडोमेन (CRC1 और CRC2) को प्रकट किया जिनके अलग-अलग सिग्नलिंग प्रोफाइल (TGF $\beta$ -प्रभावी बनाम NF $\kappa$ B/MAPK-प्रभावी) थे।
पाथवे परटर्बेशन: PROGENy पाथवे वेट्स का उपयोग करके नोड परटर्बेशन का अनुकरण करने से जैविक प्रतिक्रियाओं को सफलतापूर्वक दोहराया गया, जिससे प्रमुख जीन (जैसे, FN1, MMP3) की पहचान हुई जो ज्ञात फाइब्रोब्लास्ट प्रोग्राम के अनुरूप हैं।

महत्व और दावे

यह पेपर दावा करता है कि सेलिना कोशिकाओं की स्वतंत्र होने की धारणा से आगे बढ़कर, पड़ोस-संचालित सेलुलर प्रतिक्रियाओं के अध्ययन के लिए एक सिद्धांत-आधारित ढांचा प्रदान करता है। अंतर्निहित अवस्था को बाह्य प्रभाव से स्पष्ट रूप से अलग करके, मॉडल सक्षम बनाता है:

संदर्भगत भविष्यवाणी (Contextual Prediction): अलगाव में नहीं, बल्कि विशिष्ट स्थानिक संदर्भों के भीतर कोशिका व्यवहार की भविष्यवाणी करना।
प्रायोगिक खोज स्थान में कमी: बदले हुए पड़ोस के प्रति "आभासी" सेल प्रतिक्रियाओं को उत्पन्न करना ताकि लैब परीक्षणों का मार्गदर्शन किया जा सके।
स्केलेबिलिटी: बेस सेलिना मॉडल कुशलतापूर्वक स्केल करता है (प्रशिक्षण समय नॉन-स्पेशियल scVI के तुल्य है), क्योंकि यह महंगे मैसेज पासिंग वाले ग्राफ-अटेंशन-आधारित प्रतिस्पर्धियों के विपरीत पड़ोस निर्माण को अलग करता है।

लेखक नोट करते हैं कि हालांकि काउंटरफैक्चुअल्स वर्तमान में प्रयोगात्मक सत्यापन के लिए आवश्यक जेनेरेटिव परिकल्पनाएं हैं, इन सिमुलेशन की परिचालन व्याख्या जटिल ऊतक वातावरणों में आभासी सेल प्रतिक्रियाओं को क्वेरी करने का एक आशाजनक मार्ग प्रदान करती है। वे सेल-टाइप और डोमेन एनोटेशन पर निर्भरता और स्थानिक डेटा में सेगमेंटेशन त्रुटियों की संभावना के संबंध में सीमाओं को स्वीकार करते हैं।