Likelihood Ratios Given Activity-Level Propositions for DNA Transfer Evidence: Practical Implementation and Simulation Studies Using the HaloGen Engine (Part II)

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं जहाँ किसी ने घटनास्थल पर एक बहुत छोटा, लगभग अदृश्य फिंगरप्रिंट (या इस मामले में, डीएनए की एक नन्ही बूंद) छोड़ा है। बड़ा सवाल केवल यह नहीं है कि "यह किसका डीएनए है?" बल्कि यह है कि "यह यहाँ कैसे पहुँचा?" क्या उस व्यक्ति ने वस्तु को सीधे छुआ था, या उनका डीएनए गलती से वहाँ पहुँच गया, जैसे शर्ट से उड़ने वाली धूल?

यह शोध पत्र एक स्मार्ट, अधिक लचीला कैलकुलेटर (जिसे HaloGen कहा जाता है) बनाने के बारे में है ताकि उस "कैसे" वाले सवाल का जवाब दिया जा सके। यह पेपर इसे कुछ रोजमर्रा की तुलनाओं का उपयोग करके इस प्रकार समझाता है:

1. समस्या: एक आकार सबके लिए उपयुक्त नहीं होता (One Size Doesn't Fit All)

अतीत में, वैज्ञानिक शायद सभी के लिए एक ही विशाल नियम पुस्तिका का उपयोग करते थे। लेकिन यह पेपर तर्क देता है कि ऐसा करना लंदन के मौसम के पूर्वानुमान का उपयोग टोक्यो में बारिश की भविष्यवाणी करने के लिए करने जैसा है। अलग-अलग प्रयोगशालाओं (अलग-अलग "मौसम केंद्रों") के पास अलग-अलग उपकरण, नमूने एकत्र करने के अलग-अलग तरीके और "शोर" (noise) के अलग-अलग स्तर होते हैं। यदि आप इन अंतरों को अनदेखा करते हैं, तो साक्ष्य की मजबूती की आपकी गणना बहुत गलत हो सकती है।

2. समाधान: "HaloGen" इंजन

लेखकों ने HaloGen नामक एक ओपन-सोर्स टूल बनाया है। इसे संभावनाओं की गणना करने के लिए एक परिष्कृत रेसिपी बुक (व्यंजन पुस्तिका) के रूप में समझें। यह केवल एक सरल "हाँ/नहीं" उत्तर देने के बजाय, एक लाइकलीहुड रेश्यो (Likelihood Ratio) की गणना करता है।

• सरल उपमा: कल्पना कीजिए कि आप एक घोड़े की दौड़ पर दांव लगा रहे हैं। लाइकलीहुड रेश्यो वह 'ऑड्स बुकी' (odds bookie) है जो आपको बताता है। यह बताता है कि: "क्या यह 10 गुना अधिक संभावित है कि संदिग्ध ने कांच को छुआ, या यह 10 गुना अधिक संभावित है कि यह बस एक अजनबी का हिस्सा था?"

3. रेसिपी पकाने के तीन तरीके

पेपर ने इस कैलकुलेटर का उपयोग करने के तीन अलग-अलग तरीकों का परीक्षण किया, जो इस बात पर निर्भर करता है कि आपके पास कैसा डेटा है:

• "ग्रुप" मॉडल (The "Group" Model): यह पिछले सभी प्रयोगों के एक विशाल, वैश्विक डेटाबेस का उपयोग करने जैसा है। यह तब बहुत अच्छा है जब आपके पास कोई स्थानीय डेटा नहीं होता, लेकिन यह आपके स्थानीय लैब की विशिष्ट बारीकियों को मिस कर सकता है।
• "लैब-बेयस" मॉडल (The "Lab-Bayes" Model): यह "गोल्डिलॉक्स" (बीच का रास्ता) दृष्टिकोण है। यह बड़े वैश्विक डेटा को लेता है लेकिन इसे आपकी विशिष्ट लैब द्वारा जाने गए तथ्यों के आधार पर बदल देता है। यह एक वैश्विक मानचित्र का उपयोग करने जैसा है लेकिन इसमें आप अपने स्वयं के स्थानीय नोट्स (जैसे ट्रैफिक जाम के बारे में जानकारी) जोड़ देते हैं।
• "लैब-वेग" मॉडल (The "Lab-Vague" Model): यह उन लैब्स के लिए है जो केवल अपने छोटे प्रयोगों पर भरोसा करती हैं। यह पूरी तरह से स्थानीय डेटा पर निर्भर करता, भले ही वह डेटा थोड़ा "धुंधला" या सीमित हो।

4. आश्चर्य: संदर्भ ही सर्वोपरि है (Context is King)

सिमुलेशन अध्ययन (जो कंप्यूटर-निर्मित "क्या होगा अगर" वाले खेल की तरह हैं) ने एक महत्वपूर्ण बात खोजी: डीएनए की मात्रा ही एकमात्र चीज़ नहीं है जो मायने रखती है।

• "पात्रों की टोली" (NS): परिणाम इस बात पर बहुत अधिक निर्भर करता है कि आप कितनी संख्या में लोगों के शामिल होने की कल्पना करते हैं। यदि आप मानते हैं कि वहां केवल एक व्यक्ति मौजूद था, तो डीएनए बहुत संदिग्ध दिखता है। यदि आप मानते हैं कि वहां पूरी भीड़ मौजूद थी, तो वही डीएनए एक हानिरत दुर्घटना लग सकता है।
• "अज्ञात अजनबी": एक यादृच्छिक, अज्ञात व्यक्ति के वहां होने की संभावना को आप कैसे संभालते हैं, यह भी गणित को बदल देता है।

5. चेतावनी: डेटा को कॉपी-पेस्ट न करें

पेपर चेतावनी देता है कि चूंकि अलग-अलग लैब डीएनए को अलग-अलग तरह से रिकवर करती हैं (कुछ बारीक छलनी की तरह हैं, तो कुछ कोलेंडर की तरह), इसलिए आप दूसरे लैब का डेटा बिना सोचे-समझे नहीं उठा सकते। यदि आप ऐसा करते हैं, तो आपके "ऑड्स" गलत हो सकते हैं, जिससे निश्चितता का झूठा अहसास हो सकता है।

6. व्यावहारिक मार्ग

तो, यदि कोई लैब इस नए कैलकुलेटर का उपयोग करना चाहती है तो उसे क्या करना चाहिए?

• "न्यूनतम-प्रयास" वाला मार्ग: आपको हजारों प्रयोग करने की आवश्यकता नहीं है। पेपर सुझाव देता है कि एक छोटा, स्थानीय सेट के परीक्षण (जैसे कुछ सीधे स्पर्श और कुछ आकस्मिक स्थानांतरण) करना केवल बड़े, सामान्य डेटा पर निर्भर रहने की तुलना में अक्सर बेहतर होता है।
• चुनौती: एक छोटा स्थानीय परीक्षण भी उतना ही अच्छा है जितने कि वे प्रश्न जो आप पूछते हैं। यदि आपका परीक्षण वास्तविक मामले के विशिष्ट परिदृश्य से मेल नहीं खाता है, तो परिणाम काम नहीं आएंगे।

निष्कर्ष (The Bottom Line)

यह शोध पत्र इस बारे में एक मार्गदर्शिका है कि डीएनए ट्रांसफर की संभावनाओं की अधिक सटीक रूप से गणना करना कैसे शुरू किया जाए, न कि केवल अनुमान लगाना। यह इस बात पर जोर देता है कि विज्ञान जितना संदर्भ (context) मायने रखता है, उतना ही महत्वपूर्ण है। सही उत्तर पाने के लिए, आपको अपनी धारणाओं के बारे में पारदर्शी होना चाहिए, ऐसे डेटा का उपयोग करना चाहिए जो वास्तव में आपकी विशिष्ट लैब और मामले के अनुकूल हो, और यह स्वीकार करना चाहिए कि आपके विशेषज्ञ निर्णय की आवश्यकता कहाँ अभी भी है। यह केवल एक "एक-आकार-सबके-लिए" वाले अनुमान से हटकर, डीएनए वहां कैसे पहुंचा, इसके बारे में एक अनुकूलित, गणितीय रूप से सुदृढ़ कहानी की ओर बढ़ने के बारे में है।