💻 bioinformatics

A General Framework for Injecting BiophysicalPriors into Protein Embeddings

यह शोध पत्र ProtBFF को प्रस्तुत करता है, जो एक एनकोडर-अज्ञेय (encoder-agnostic) ढांचा है जो क्रॉस-एम्बेडिंग अटेंशन के माध्यम से डीप लर्निंग रिप्रजेंटेशन्स में व्याख्या योग्य बायोफिजिकल प्रायर्स (biophysical priors) को एकीकृत करके प्रोटीन $\Delta\Delta$ G भविष्यवाणी को बढ़ाता है, जिससे सामान्य-उद्देश्य वाले मॉडल विशिष्ट अत्याधुनिक (state-of-the-art) दृष्टिकोणों से बेहतर प्रदर्शन करने में सक्षम होते हैं।

मूल लेखक: Feldman, J., Maechler, A., Wang, D., Shakhnovich, E.

प्रकाशित 2026-02-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Feldman, J., Maechler, A., Wang, D., Shakhnovich, E.

मूल पेपर CC BY 4.0 (https://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

मुख्य चित्र: AI को प्रोटीन भौतिकी (Protein Physics) को "महसूस" करना सिखाना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक जटिल मशीन (जैसे कि स्विस आर्मी नाइफ) में एक छोटा सा बदलाव उसके काम करने के तरीके को कैसे प्रभावित करेगा। जीव विज्ञान (Biology) में, यह मशीन एक प्रोटीन है, और वह "बदलाव" एक म्यूटेशन (एक बिल्डिंग ब्लॉक को दूसरे से बदलना) है। वैज्ञानिक जानना चाहते हैं: क्या यह नया संस्करण अपने साथी से बेहतर तरीके से चिपकेगा, या यह बिखर जाएगा?

इसे $\Delta\Delta G$ (एक फैंसी तरीका जिसे "बाइंडिंग एनर्जी में बदलाव" कहा जाता है) की भविष्यवाणी करना कहते हैं। यह नई दवाएं डिजाइन करने के लिए अत्यंत महत्वपूर्ण है, लेकिन यह अविश्वसनीय रूप से कठिन है।

समस्या:
वर्तमान में, हमारे पास इसे हल करने के दो तरीके हैं:

भौतिकी का तरीका (The Physics Way): हर परमाणु की गति का अनुकरण (simulate) करने के लिए सुपर-कंप्यूटरों का उपयोग करना। यह सटीक है लेकिन इसमें बहुत समय लगता है (जैसे ज्वार-भाटा की भविष्यवाणी करने के लिए समुद्र तट पर रेत के हर कण की गणना करना)।
AI का तरीका (The AI Way): डीप लर्निंग मॉडल का उपयोग करना जो प्रोटीन अनुक्रमों (sequences) को टेक्स्ट की तरह पढ़ते हैं। वे तेज़ हैं, लेकिन वे अक्सर "तोते" की तरह व्यवहार करते हैं। वे वास्तव में यह समझे बिना कि चीजें आपस में क्यों जुड़ती हैं, अपने प्रशिक्षण डेटा से पैटर्न रट लेते हैं। यदि वे ऐसा प्रोटीन देखते हैं जिसे उन्होंने पहले नहीं देखा है, तो वे भ्रमित हो जाते हैं।

पेपर का समाधान: ProtBFF
लेखक ProtBFF (प्रोटीन बायोफिजिकल फीचर फ्रेमवर्क) नामक एक नया टूल पेश करते हैं। ProtBFF को एक नए मस्तिष्क के रूप में नहीं, बल्कि "फिजिक्स चश्मे" के रूप में सोचें जिसे आप किसी भी मौजूदा AI मॉडल के ऊपर पहन सकते हैं।

उपमा: एक "स्मार्ट असिस्टेंट" जिसके पास भौतिकी की नियमावली (Manual) है

कल्पना कीजिए कि आपके पास एक प्रतिभाशाली लेकिन अनुभवहीन सहायक (AI मॉडल) है जो यह अनुमान लगाने की कोशिश कर रहा है कि दो पहेली के टुकड़े (puzzle pieces) आपस में कितनी अच्छी तरह फिट होते हैं।

ProtBFF के बिना: सहायक पहेली के टुकड़ों को देखता है और उनके आधार पर अनुमान लगाता है जो उसने पहले देखा है। यदि टुकड़े उन चीज़ों के समान दिखते हैं जो उसने पहले देखी हैं, तो वह अच्छा अनुमान लगाता है। यदि टुकड़े नए हैं, तो वह बेतरतीब ढंग से अनुमान लगाता है।
ProtBFF के साथ: आप सहायक को एक फिजिक्स मैनुअल (बायोफिजिकल प्रायर्स) थमा देते हैं। यह मैनुअल उन्हें विशिष्ट नियम बताता है:
- "यदि कोई टुकड़ा गहराई में दबा हुआ है, तो उसे न छुएं; वह स्थिर है।"
- "यदि कोई टुकड़ा चिपचिपी सतह पर है, तो वह सबसे महत्वपूर्ण हिस्सा है।"
- "यदि आकार बहुत अधिक बदल जाता है, तो फिटिंग खराब होगी।"

ProtBFF AI के कच्चे अनुमान को लेता है और इन नियमों का उपयोग करके इसे एडजस्ट (Adjust) करता है। यह AI को बदलता नहीं है; यह बस उसे वास्तविक दुनिया की भौतिकी के आधार पर एक "रियलिटी चेक" देता है।

छिपा हुआ जाल: "कॉपी-पेस्ट" की समस्या

अपना समाधान पेश करने से पहले, लेखकों ने पाया कि वैज्ञानिक इन AI मॉडलों का परीक्षण करने के तरीके में एक बड़ी खामी है।

उपमा:
कल्पना कीजिए कि आप एक गणित की परीक्षा दे रहे हैं। शिक्षक आपको 100 समस्याओं वाली एक प्रैक्टिस शीट देता है। आप उत्तर रट लेते हैं। फिर, वास्तविक परीक्षा में, 90 समस्याएँ उन्हीं अभ्यास वाली समस्याओं की सटीक नकल होती हैं, बस संख्याओं को थोड़ा इधर-उधर कर दिया गया है।

आप परीक्षा में 100% अंक प्राप्त करते हैं।
आप खुद को गणित का जीनियस समझते हैं।
वास्तविकता: आपने केवल उत्तर रटे थे। आपने गणित नहीं सीखा।

लेखकों ने पाया कि इन प्रोटीन मॉडलों का परीक्षण करने के लिए उपयोग किया जाने वाला मानक डेटासेट (SKEMPI2) इन "कॉपी-पेस्ट" समस्याओं से भरा हुआ था। प्रशिक्षण डेटा और परीक्षण डेटा में लगभग समान प्रोटीन संरचनाएं थीं। AI मॉडल केवल टेस्ट के उत्तर रट रहे थे, भौतिकी को नहीं सीख रहे थे। जब लेखकों ने मॉडलों को "कठिन टेस्ट" देने के लिए मजबूर किया (केवल अद्वितीय प्रोटीनों का उपयोग करके), तो मॉडलों का प्रदर्शन गिर गया।

ProtBFF इसे कैसे ठीक करता है

ProtBFF इसे AI की सोचने की प्रक्रिया में सीधे पाँच विशिष्ट "फिजिक्स क्लू" (भौतिकी सुराग) इंजेक्ट करके हल करता है:

इंटरफेस स्कोर (Interface Score): "क्या यह हिस्सा दूसरे प्रोटीन को छू रहा है?" (जैसे यह देखना कि एक चुंबक दूसरे चुंबक के पास है या नहीं)।
बुरियल स्कोर (Burial Score): "क्या यह हिस्सा प्रोटीन के अंदर गहराई में छिपा है?" (जैसे यह देखना कि ईंट दीवार के बीच में है या सतह पर)।
डायहेड्रल स्कोर (Dihedral Score): "क्या टुकड़े का कोण अजीब तरह से मुड़ गया है?" (जैसे यह देखना कि दरवाजे का कब्जा/hinge मुड़ गया है)।
SASA (सॉल्वेंट एक्सेसिबल सरफेस एरिया): "क्या यह हिस्सा पानी के संपर्क में है?" (जैसे यह देखना कि कोट गीला है या सूखा)।
lDDT (स्ट्रक्चरल चेंज): "क्या आकार बहुत अधिक बदल गया है?" (जैसे क्या पहेली का टुकड़ा अब गलत आकार का हो गया है)।

AI मॉडल इन सुरागों का उपयोग अपने भविष्यवाणियों को री-वेट (Re-weight) करने के लिए करता है। यह उन हिस्सों पर अधिक ध्यान देना सीखता है जो वास्तव में आपस में जुड़ने के लिए महत्वपूर्ण हैं।

परिणाम: छोटे मॉडल, बड़ी जीत

इस पेपर का सबसे रोमांचक हिस्सा वह है जो हुआ जब उन्होंने ProtBFF का उपयोग किया:

"अंडरडॉग" की जीत: उन्होंने एक छोटा, सामान्य उद्देश्य वाला AI मॉडल (ProSST) लिया जो इस विशिष्ट कार्य के लिए डिज़ाइन नहीं किया गया था। उस पर "फिजिक्स चश्मा" (ProtBFF) लगाने के बाद, वह इस कार्य के लिए डिज़ाइन किए गए विशाल, विशेष सुपर-कंप्यूटरों से भी बेहतर हो गया।
बेहतर सामान्यीकरण (Generalization): क्योंकि मॉडल अब केवल डेटा रटने के बजाय वास्तविक भौतिकी के नियमों का उपयोग कर रहा है, यह नए, अनदेखे प्रोटीनों (जैसे वायरस से संबंधित) पर बहुत बेहतर काम करता है।
डेटा दक्षता (Data Efficiency): सीखने के लिए बहुत कम डेटा होने के बावजूद, मॉडल ने अच्छा प्रदर्शन किया क्योंकि उसे पहले से ही भौतिकी के बुनियादी नियम "पता" थे।

निष्कर्ष (The Takeaway)

यह पेपर हमें सिखाता है कि AI और जीव विज्ञान की दुनिया में, आपको हमेशा एक बड़े मस्तिष्क की आवश्यकता नहीं होती; कभी-कभी आपको बस बेहतर अंतर्ज्ञान (Intuition) की आवश्यकता होती है।

आधुनिक AI की गति को भौतिकी के कालातीत नियमों के साथ जोड़कर, लेखकों ने एक ऐसा टूल बनाया है जो अधिक विश्वसनीय, अधिक सटीक और बीमारियों से लड़ने के लिए नए एंटीबॉडी डिजाइन करने जैसी वास्तविक दुनिया की समस्याओं को हल करने में बेहतर है। यह एक याद दिलाता है कि सर्वश्रेष्ठ AI केवल नंबरों को प्रोसेस करने के बारे में नहीं है; यह उस दुनिया को समझने के बारे में है जिसका वे नंबर प्रतिनिधित्व करते हैं।

यहाँ पेपर "A General Framework for Injecting Biophysical Priors into Protein Embeddings" (ProtBFF) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

प्रोटीन म्यूटेशन के कारण प्रोटीन-प्रोटीन बाइंडिंग एफिनिटी ( $\Delta\Delta G$ ) में होने वाले परिवर्तनों की सटीक भविष्यवाणी करना प्रोटीन इंजीनियरिंग में एक महत्वपूर्ण चुनौती है। वर्तमान दृष्टिकोण दो प्राथमिक सीमाओं का सामना करते हैं:

डेटा की कमी और पूर्वाग्रह (Data Scarcity and Bias): SKEMPI2 जैसे प्रयोगात्मक डेटासेट छोटे हैं और प्रशिक्षण (training) एवं परीक्षण (test) सेटों के बीच उच्च अनुक्रम (sequence) और संरचनात्मक अतिरेक (redundancy) के कारण महत्वपूर्ण डेटा लीकेज (data leakage) से ग्रस्त हैं। मानक बेंचमार्क अक्सर PDB ID द्वारा डेटा को विभाजित करते हैं, जो होमोलॉगस कॉम्प्लेक्स (homologous complexes) का ध्यान नहीं रखते, जिससे प्रदर्शन मेट्रिक्स कृत्रिम रूप से बढ़ जाते हैं और अनदेखे प्रोटीनों पर खराब सामान्यीकरण (generalization) को छिपा देते हैं।
मॉडल की सीमाएँ (Model Limitations):
- बायोफिज़िक्स-आधारित विधियाँ (जैसे मॉलिक्यूलर डायनेमिक्स, FoldX) गणनात्मक रूप से महंगी हैं और कठोर, हार्ड-कोडेड गणितीय मॉडलों पर निर्भर करती हैं।
- डीप लर्निंग (DL) विधियाँ अक्सर अंतर्निहित बायोफिजिकल सिद्धांतों को सीखने के बजाय डेटासेट-विशिष्ट पैटर्न को ओवरफिट कर लेती हैं। वे अक्सर आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) कार्यों, जैसे एंटीबॉडी-एंटीजन इंटरैक्शन, के लिए विफल हो जाती हैं क्योंकि उनमें भौतिक नियमों का स्पष्ट एकीकरण नहीं होता है।

2. कार्यप्रणाली: ProtBFF फ्रेमवर्क (Methodology: ProtBFF Framework)

लेखक ProtBFF (प्रोटीन बायोफिजिकल फीचर फ्रेमवर्क) पेश करते हैं, जो एक एन्कोडर-एग्नोस्टिक (encoder-agnostic) प्लग-इन मॉड्यूल है जिसे रेसिड्यू-लेवल डीप लर्निंग एम्बेडिंग्स में व्याख्या योग्य बायोफिजिकल प्रायर्स (priors) को इंजेक्ट करने के लिए डिज़ाइन किया गया है।

मुख्य आर्किटेक्चर (Core Architecture)

इनपुट: यह फ्रेमवर्क किसी भी प्री-ट्रेंड प्रोटीन एन्कोडर (जैसे ESM2, ESM3, ProSST) से प्रति-रेसिड्यू एम्बेडिंग्स स्वीकार करता है।
बायोफिजिकल फीचर एक्सट्रैक्शन: वाइल्डटाइप और म्यूटेंट संरचनाओं (जो FoldX के माध्यम से उत्पन्न की गई हैं) के आधार पर प्रत्येक रेसिड्यू के लिए पांच विशिष्ट बायोफिजिकल स्कोर की गणना की जाती है:
- इंटरफेस प्रोपेंसिटी (Interface Propensity): प्रोटीन-प्रोटीन इंटरफेस के निकटता।
- रेसिड्यू बरियल (Residue Burial): प्रोटीन कोर के भीतर रेसिड्यू की गहराई।
- डायहेड्रल डेविएशन (Dihedral Deviation): म्यूटेशन के बाद साइड-चेन $\chi$ एंगल्स में परिवर्तन।
- सॉल्वेंट एक्सेसिबल सरफेस एरिया (SASA): सॉल्वेंट के संपर्क में एक्सपोजर।
- लोकल डिस्टेंस डिफरेंस टेस्ट (lDDT): वाइल्डटाइप और म्यूटेंट के बीच संरचनात्मक निरंतरता।
एम्बेडिंग एनरिचमेंट (Embedding Enrichment): प्रत्येक रेसिड्यू एम्बेडिंग ( $E_i$ ) को उसके संगत बायोफिजिकल स्कोर ( $s_i$ ) द्वारा स्केल किया जाता है ताकि पांच अलग-अलग समृद्ध एम्बेडिंग स्ट्रीम बनाई जा सकें: $E^{(k)}_i = s^{(k)}_i \cdot E_i$ ।
क्रॉस-एम्बेडिंग अटेंशन (Cross-Embedding Attention): एक मल्टी-हेड अटेंशन मैकेनिज्म इन पांच स्ट्रीम्स को एकीकृत करता है, जिससे मॉडल को विभिन्न बायोफिजिकल दृष्टिकोणों के माध्यम से जानकारी को गतिशील रूप से पुन: भारित (reweight) करने और संयोजित करने की अनुमति मिलती है।
पूलिंग और प्रेडिक्शन (Pooling and Prediction): एक अटेंशन पूलिंग लेयर संकेतों को एक संक्षिप्त प्रतिनिधित्व में एकत्रित करती है, जिसे $\Delta\Delta G$ की भविष्यवाणी करने के लिए मल्टी-लेयर पर्सेप्ट्रॉन (MLP) के माध्यम से पारित किया जाता है।
मल्टी-टास्क लर्निंग (Multi-Task Learning): मॉडल को एक वेटेड लॉस फंक्शन के साथ प्रशिक्षित किया जाता है जो $\Delta\Delta G$ और एक सहायक इंटरफेशियल lDDT (ilDDT) स्कोर की संयुक्त रूप से भविष्यवाणी करता है। यह सहायक कार्य एक रेगुलराइज़र के रूप में कार्य करता है, जो मॉडल को संरचनात्मक रूप से सार्थक फीचर्स सीखने के लिए मजबूर करता है।

3. मुख्य योगदान (Key Contributions)

डेटा लीकेज की पहचान: लेखकों ने कठोरता से प्रदर्शित किया कि मानक SKEMPI2 बेंचमार्क त्रुटिपूर्ण हैं। सीक्वेंस-आइडेंटिटी क्लस्टरिंग (जैसे 60% थ्रेशोल्ड) लागू करके, उन्होंने दिखाया कि अद्वितीय क्लस्टर्स की संख्या काफी कम हो जाती है (335 से 136 तक), जिससे पता चलता कि पिछले उच्च-प्रदर्शन दावे काफी हद तक होमोलॉगस अनुक्रमों को याद रखने के कारण थे, न कि सामान्यीकरण योग्य भौतिकी को सीखने के कारण।
एन्कोडर-एग्नोस्टिक एकीकरण: ProtBFF को मूल एन्कोडर को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। यह मौजूदा पाइपलाइनों में फीड-फॉरवर्ड लेयर्स के लिए एक मॉड्यूलर "ड्रॉप-इन" रिप्लेसमेंट के रूप में कार्य करता है, जिससे यह सामान्य-उद्देश्य वाले लैंग्वेज मॉडल्स (जैसे ESM) और विशेष मॉडल्स दोनों के लिए लागू हो जाता है।
मैकेनिस्टिक प्रायर्स (Mechanistic Priors): केवल डेटा-संचालित पैटर्न पर निर्भर रहने के बजाय, ProtBFF स्पष्ट रूप से लेटेंट स्पेस को बाइंडिंग के ज्ञात भौतिक निर्धारकों (इंटरफेस, बरियल, आदि) की ओर बायस करता है।

4. परिणाम (Results)

फ्रेमवर्क का मूल्यांकन SKEMPI2 डेटासेट (60% आइडेंटिटी पर क्लस्टर्ड) और आउट-ऑफ-डिस्ट्रीब्यूशन SARS-CoV-2 DMS डेटासेट्स पर किया गया।

SKEMPI2 पर प्रदर्शन

सामान्यीकरण (Generalization): सख्त होमोलॉजी बाधाओं के तहत मूल्यांकन किए जाने पर, ProtBFF ने बेसलाइन मॉडल्स के प्रदर्शन में महत्वपूर्ण सुधार किया।
- ProSST: पियर्सन कोरिलेशन 0.428 से बढ़कर 0.515 हुआ; स्पीयरमैन 0.354 से बढ़कर 0.471 हुआ। इसने एक मॉडल को, जिसे मूल रूप से सिंगल-प्रोटीन स्टेबिलिटी के लिए डिज़ाइन किया गया था, विशेषीकृत PPI प्रेडिक्टर्स जैसे ProMIM और DDAffinity से बेहतर प्रदर्शन करने में सक्षम बनाया।
- ESM2/ESM3: सामान्य-उद्देश्य वाले मॉडल्स ने भारी लाभ देखा, जहाँ ESM2 (650M) ने अत्याधुनिक विशेष मॉडल्स के प्रदर्शन स्तरों को प्राप्त किया।
मॉडल साइज दक्षता (Model Size Efficiency): ProtBFF ने छोटे मॉडल्स (150M पैरामीटर्स) को इस विशिष्ट कार्य पर बहुत बड़े समकक्षों (15B पैरामीटर्स) से बेहतर प्रदर्शन करने में सक्षम बनाया, जो यह सुझाव देता है कि लो-डेटा रिजीम में $\Delta\Delta G$ भविष्यवाणी के लिए शुद्ध पैरामीटर संख्या की तुलना में बायोफिजिकल प्रायर्स अधिक मूल्यवान हैं।

एब्लेशन स्टडी (Ablation Study)

व्यक्तिगत बायोफिजिकल फीचर्स (Interface, Burial, Dihedral, SASA, lDDT) या सहायक ilDDT लॉस को हटाने से प्रदर्शन में लगातार गिरावट आई।
Interface और Burial स्कोर ने सबसे महत्वपूर्ण लाभ में योगदान दिया, जो बाइंडिंग एफिनिटी भविष्यवाणी में उनकी केंद्रीयता की पुष्टि करता है।
बिना किसी बायोफिजिकल स्केलिंग के मॉडल्स का प्रदर्शन काफी खराब रहा, जो मल्टी-फीचर इंटीग्रेशन रणनीति की आवश्यकता को प्रमाणित करता है।

आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) मूल्यांकन

SARS-CoV-2 RBD की ACE2 और न्यूट्रलाइजिंग एंटीबॉडीज (LY-CoV555, REGN10987) के साथ बाइंडिंग पर परीक्षण किया गया।
हालांकि ज़ीरो-शॉट प्रदर्शन कम था (एंटीबॉडी इंटरैक्शन में सीमित कवरेज के कारण), फ्यू-शॉट लर्निंग (नए डेटा के केवल 10% पर प्रशिक्षण) ने ProtBFF-एन्हांस्ड मॉडल्स को उच्च सटीकता प्राप्त करने में सक्षम बनाया।
यह फ्रेमवर्क की उपयोगिता को महामारी की तैयारी और एंटीबॉडी डिजाइन में सामान्य परिदृश्यों में प्रदर्शित करता है।

5. महत्व (Significance)

विश्वसनीय भविष्यवक्ता (Trustworthy Predictors): ProtBFF ब्लैक-बॉक्स डीप लर्निंग और व्याख्या योग्य बायोफिज़िक्स के बीच के अंतर को पाटता है। मैकेनिस्टिक प्रायर्स को इंजेक्ट करके, मॉडल अधिक विश्वसनीय और स्प्यूरियस डेटासेट सहसंबंधों को ओवरफिट होने से बचने में सक्षम होते हैं।
व्यावहारिक उपयोगिता: फ्रेमवर्क प्रोटीन इंजीनियरिंग के लिए एक व्यावहारिक समाधान प्रदान करता है, जिससे सामान्य-उद्देश्य वाले मॉडल्स को बिना विशाल, महंगे डेटासेट्स की आवश्यकता के विशेष मॉडल्स से आगे बढ़ने में मदद मिलती है।
भविष्य की दिशा: पेपर डेटासेट के कठोर निर्माण (रिडंडेंसी हटाना) की महत्वपूर्ण आवश्यकता को रेखांकित करता है, और सुझाव देता है कि ProtBFF को अलग-अलग बायोफिजिकल डिस्क्रिप्टर्स को शामिल करके प्रोटीन फोल्डिंग स्टेबिलिटी, लिगैंड बाइंडिंग और फिटनेस प्रेडिक्शन जैसे अन्य समस्याओं के लिए विस्तारित किया जा सकता है।

संक्षेप में, ProtBFF शुद्ध रूप से डेटा-संचालित मॉडलिंग से हाइब्रिड मॉडलिंग की ओर एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है, जहाँ डीप लर्निंग रिप्रेजेंटेशन को स्पष्ट भौतिक नियमों द्वारा निर्देशित और नियंत्रित किया जाता है, जिसके परिणामस्वरूप प्रोटीन इंजीनियरिंग के लिए अधिक मजबूत और सामान्यीकरण योग्य भविष्यवक्ता प्राप्त होते हैं।