📄 evolutionary biology

Characterizing Physicochemical Selection in Protein Evolution with Property-Informed Models (PRIME)

यह शोध पत्र PRIME को प्रस्तुत करता है, जो कोडन-स्तरीय अधिकतम संभावना (maximum likelihood) मॉडलों का एक नवीन ढांचा है जो अमीनो एसिड प्रतिस्थापन पैटर्न को भौतिक-रासायनिक गुणों से स्पष्ट रूप से जोड़ता है, जिससे प्रोटीन विकास के यांत्रिक जैव-भौतिक चालकों का अनावरण होता है और पारंपरिक दर-आधारित विधियों की तुलना में बेहतर व्याख्यात्मकता और भविष्य कहने की शक्ति प्राप्त होती है।

मूल लेखक: Kim, H., Scheffler, K., Nekrutenko, A., Martin, D., Weaver, S., Murrell, B., Kosakovsky Pond, S. L.

प्रकाशित 2026-03-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kim, H., Scheffler, K., Nekrutenko, A., Martin, D., Weaver, S., Murrell, B., Kosakovsky Pond, S. L.

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

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि पिछले 50 वर्षों में एक विशिष्ट कार इंजन का डिज़ाइन क्यों बदल गया है।

पुराना तरीका (मानक मॉडल):
पारंपरिक वैज्ञानिक इंजन को देखते हैं और कहते हैं, "वाह, यह हिस्सा बहुत बदला है! यह निश्चित रूप से गति के लिए बहुत महत्वपूर्ण है।" वे इस बात की गिनती करते हैं कि एक हिस्से को कितनी बार बदला गया। यदि कोई हिस्सा अक्सर बदलता है, तो वे मानते हैं कि वह "पॉजिटिव सिलेक्शन" (तेजी से विकसित होने) के तहत है। यदि वह कभी नहीं बदला, तो वे मानते हैं कि वह "संरक्षित" (छूने के लिए बहुत महत्वपूर्ण) है।

लेकिन इस दृष्टिकोण में एक अंधा मोड़ (blind spot) है। यह आपको बताता है कि क्या बदला, लेकिन यह नहीं कि क्यों। क्या उन्होंने वजन कम करने के लिए एक भारी स्टील के बोल्ट को हल्के एल्युमीनियम से बदला? क्या उन्होंने स्टाइल के लिए रंग बदला? क्या उन्होंने एक गोल गियर को चौकोर गियर से बदला? पुराने मॉडल केवल "बदलाव हुआ" देखते हैं और वहीं रुक जाते हैं। वे बदलाव के भौतिक विज्ञान (physics) को नहीं समझते।

नया तरीका (PRIME):
यह पेपर PRIME (प्रॉपर्टी इन्फॉर्म्ड मॉडल्स ऑफ इवोल्यूशन) पेश करता है। PRIME को एक ऐसे जासूस के रूप में सोचें जो केवल बदलावों को नहीं गिनता; बल्कि वे बदले जा रहे हिस्सों के गुणों (properties) को देखता है।

PRIME पूछता है:

क्या नया हिस्सा बड़ा था या छोटा? (आयतन/Volume)
क्या वह चिकना/तैलीय है या पानी से प्यार करने वाला? (हाइड्रोफोबिसिटी/Hydrophobicity)
क्या वह विद्युत रूप से आवेशित (electrically charged) है? (आइसोइलेक्ट्रिक पॉइंट)
क्या वह सर्पिल (spirals) या सपाट शीट (flat sheets) बनाना पसंद करता है? (सेकेंडरी स्ट्रक्चर)

PRIME टीम के तीन जासूस

लेखकों ने विभिन्न रहस्यों को सुलझाने के लिए इन तीन जासूसों के तीन संस्करण बनाए हैं:

G-PRIME (ग्लोबल जासूस):
- काम: पूरे प्रोटीन (पूरे इंजन) को देखता है और पूछता है, "इस मशीन के लिए सामान्य नियम क्या हैं?"
- उपमा: यह एक पूरे शहर को देखने जैसा है और यह कहना कि, "इस शहर में, हर कोई छोटी, ईंधन-कुशल कारें चलाता है।" यह आपको व्यापक चित्र देता है कि प्रोटीन आमतौर पर किस चीज़ की परवाह करता है (जैसे, "यह प्रोटीन वास्तव में बड़े, भारी हिस्सों को नापसंद करता है")।
E-PRIME (एपिसोडिक जासूस):
- काम: इतिहास के विशिष्ट क्षणों (वंश वृक्ष की शाखाओं) को देखता है ताकि यह देखा जा सके कि क्या नियम अस्थायी रूप से बदले थे।
- उपमा: कल्पना करें कि एक परिवार जो आमतौर पर सेडान चलाता है, लेकिन एक विशिष्ट युद्ध के दौरान, वे कुछ वर्षों के लिए भारी ट्रकों में बदल गए, और फिर वापस सेडान पर आ गए। E-PRIME उस अस्थायी बदलाव को पकड़ लेता है। यह उन क्षणों को ढूंढता है जहाँ प्रोटीन को जीवित रहने के लिए (जैसे, वैक्सीन से बचने के लिए वायरस के प्रयास के दौरान) सामान्य नियमों को तोड़ने की आवश्यकता थी।
S-PRIME (साइट-विशिष्ट जासूस):
- काम: एक एकल पेंच या बोल्ट (एक एकल अमीनो एसिड) पर ज़ूम करता है ताकि यह देखा जा सके कि किस गुण की रक्षा की जा रही है या उसे बदला जा रहा है।
- उपमा: यह सबसे शक्तिशाली उपकरण है। यह एक विशिष्ट स्थान को देखता है और कहता है, "इस स्थान को रंग बदलने की अनुमति है, लेकिन इसके आकार को बदलना सख्ती से वर्जित है।" यह उस छिपे हुए "बायोफिजिकल कोड" को प्रकट करता जिसे मानक मॉडल मिस कर देते हैं।

उन्होंने क्या खोजा?

हजारों प्रोटीनों (वायरस से लेकर मनुष्यों तक) पर इन जासूसों को लागू करके, उन्होंने कुछ दिलचस्प पैटर्न पाए:

"कोर" (Core) कठोर है: प्रोटीन के अंदर का हिस्सा (इंजन ब्लॉक) एक किले की तरह है। यह आकार और चिकनापन (greasiness) के प्रति जुनूनी है। यदि आप एक छोटे छेद में बड़ा हिस्सा या एक सूखे छेद में गीला हिस्सा डालने की कोशिश करते हैं, तो प्रोटीन टूट जाता है। ये नियम कभी नहीं बदलते।
"सतह" (Surface) लचीली है: प्रोटीन का बाहरी हिस्सा (पेंट जॉब और बंपर) वह जगह है जहाँ असली रोमांच होता है। यहीं पर प्रोटीन अपने विद्युत आवेश (electric charge) या सर्पिल आकार (spiral shape) को अनुकूलित करने के लिए बदलाव करता है।
- उदाहरण: वायरस अक्सर एंटीबॉडीज को चकमा देने के लिए अपनी सतह पर "आवेश" को बदलते हैं, जबकि अपने कोर स्ट्रक्चर को बरकरार रखते हैं।
"अल्फा-हेलिक्स" (Alpha-Helix) एक खेल का मैदान है: पेपर ने पाया कि सर्पिल (अल्फा-हेलिक्स) बनाने की प्रवृत्ति सबसे आम चीज़ है जो बदलती है। यह प्रोटीन के अपने "नॉब्स" को ट्यून करने जैसा है ताकि इंजन को तोड़े बिना नए वातावरण में फिट हुआ जा सके।

यह क्यों मायने रखता है?

1. यह "क्यों" को समझाता है:
केवल यह कहने के बजाय कि "यह वायरस तेजी से विकसित हो रहा है," PRIME कहता है, "यह वायरस तेजी से विकसित हो रहा है क्योंकि इसे अपने विद्युत आवेश को बदलने की आवश्यकता है ताकि एंटीबॉडीज से बचा जा सके, लेकिन इसे अपने आकार को समान रखना होगा ताकि यह कोशिका के भीतर फिट हो सके।"

2. यह छिपे हुए रहस्य ढूंढता है:
कभी-कभी एक प्रोटीन का हिस्सा ऐसा दिखता है जैसे वह कुछ भी नहीं कर रहा है (वह तेजी से नहीं बदल रहा है)। मानक मॉडल इसे अनदेखा कर देते हैं। लेकिन PRIME पा सकता है कि हालांकि अमीनो एसिड की पहचान बदल रही है, लेकिन इसकी हाइड्रोफोबिसिटी (चिकनापन) बिल्कुल वैसी ही बनी हुई है। यह एक "क्रिप्टिक कंस्ट्रेंट" (गुप्त बाधा) को प्रकट करता है—एक छिपा हुआ नियम जो पहले अदृश्य था।

3. यह AI से जुड़ता है:
लेखकों ने अपने "भौतिकी-आधारित" नियमों की तुलना आधुनिक AI (जैसे अल्फाफोल्ड द्वारा उपयोग किए जाने वाले प्रोटीन लैंग्वेज मॉडल) से की। उन्होंने पाया कि AI, जो कि एक "ब्लैक बॉक्स" है जो केवल अनुक्रम में अगले अक्षर का अनुमान लगाता है, वास्तव में इन्हीं भौतिक नियमों (आकार, आवेश, चिकनापन) को सीख रहा है, बिना उन्हें स्पष्ट रूप से बताए। PRIME हमें उस ब्लैक बॉक्स को खोलने और यह देखने में मदद करता है कि AI अपने अनुमान क्यों लगाता है।

निचोड़ (Bottom Line)

प्रोटीन के विकास को "हॉट पोटैटो" (गर्म आलू) के यादृच्छिक खेल के रूप में न देखें जहाँ हिस्से बेतरतीब ढंग से बदले जाते हैं। इसके बजाय, यह एक अत्यधिक विनियमित निर्माण स्थल (construction site) है।

PRIME वह ब्लूप्रिंट है जो अंततः निर्माण कोड (building codes) की व्याख्या करता है। यह हमें बताता है कि जबकि कार्यकर्ता (उत्परिवर्तन/mutations) ईंटों को लगातार बदल रहे हैं, वे ईंटों के वजन, बनावट और विद्युत आवेश के नियमों का सख्ती से पालन कर रहे हैं। इन नियमों को समझकर, हम बेहतर ढंग से भविष्यवाणी कर सकते हैं कि वायरस कैसे विकसित होंगे, दवाएं कैसे विफल हो सकती हैं, और जीवन नई चुनौतियों के अनुकूल कैसे होता है।

यहाँ प्रोटीन विकास में भौतिक-रासायनिक चयन को विशेषतापूर्ण बनाने वाले मॉडल (PRIME) के तकनीकी सारांश का विस्तृत विवरण दिया गया है।

1. समस्या विवरण (Problem Statement)

प्रोटीन विकास के मानक संभाव्यता मॉडल (जैसे कि कोडन प्रतिस्थापन मॉडल जैसे MG94) यह पहचानने में अत्यधिक प्रभावी हैं कि प्राकृतिक चयन कहाँ और कब कार्य करता है (जैसे $dN/dS $या$ \omega$ जैसे मेट्रिक्स के माध्यम से)। हालाँकि, वे यांत्रिक वास्तविकता (mechanistic realization) के प्रति अज्ञेय (agnostic) हैं। वे अमीनो एसिड प्रतिस्थापन को अमूर्त टोकन विनिमय के रूप में देखते हैं, बिना इसके पीछे के अंतर्निहित बायोफिजिकल नियमों की व्याख्या किए (जैसे कि क्यों हाइड्रोफोबिसिटी या वॉल्यूम में एक विशिष्ट परिवर्तन के लिए चयन किया जाता है या उसके विरुद्ध)।

भौतिक-रासायनिक यथार्थवाद (जैसे ग्रैंथम दूरियाँ, CoRa मॉडल) को एकीकृत करने के प्रयास सहज अपील की कमी, कम्प्यूटेशनल स्केलेबिलिटी की अक्षमता, या जैविक रूप से सार्थक निष्कर्षों में महत्वपूर्ण सुधार करने में असमर्थता के कारण व्यापक रूप से अपनाने में विफल रहे हैं। इसके अलावा, जबकि डीप लर्निंग मॉडल (जैसे ESM-2) उच्च-क्रम की अनुक्रम निर्भरताओं (sequence dependencies) को कैप्चर करते हैं, वे "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जिनमें विशिष्ट बाधाओं के अस्तित्व के कारणों के संबंध में स्पष्ट यांत्रिक व्याख्यात्मकता का अभाव होता है।

2. कार्यप्रणाली: PRIME ढांचा (Methodology: The PRIME Framework)

लेखक PRIME (PRoperty Informed Models of Evolution) पेश करते हैं, जो कोडन-स्तरीय अधिकतम संभावना (maximum likelihood) विधियों का एक परिवार है जो स्पष्ट रूप से अमीनो एसिड की विनिमय क्षमता को भौतिक-रासायनिक गुणों के एक फलन (function) के रूप में मॉडल करता है।

मुख्य गणितीय सूत्रीकरण (Core Mathematical Formulation)

यह मॉडल मानक प्रतिस्थापन दरों से अलग हटकर अमीनो एसिड $x$ और $y$ के बीच गैर-सिनोनिमस (nonsynonymous) प्रतिस्थापन दर मल्टीप्लायर ( $\beta_{xy}$ ) को इस प्रकार परिभाषित करता है:
$\beta_{xy} = \alpha \exp\left( \psi - \sum_{i=1}^{D} \lambda_i |x_i - y_i| \right)$
जहाँ:

$\alpha$ : सिनोनिमस दर मल्टीप्लायर।
$\psi$ : आधारभूत लॉग नॉन-सिनोनिमस/सिनोनिमस दर अनुपात।
$D$ : मॉडल किए गए भौतिक-रासायनिक गुणों की संख्या।
$x_i, y_i$ : अमीनो एसिड $x$ और $y$ के लिए गुण $i$ का मान।
$\lambda_i$ $λ_{i}$ : गुण $i$ $i$ के लिए महत्व गुणांक (Importance coefficient)।
- $\lambda_i > 0$ : शुद्धिकरण चयन (purifying selection) को दर्शाता है (संरक्षण); जैसे-जैसे गुण $i$ में अंतर बढ़ता है, विनिमय क्षमता कम हो जाती है।
- $\lambda_i < 0$ : विविधतापूर्ण चयन (diversifying selection) को दर्शाता है; गुण $i$ को बदलने की प्रवृत्ति होती है।

तीन कार्यान्वयन (Three Implementations)

G-PRIME (Global): पूरे एलाइनमेंट में जीन-व्यापी बाधाओं को चित्रित करने के लिए स्थिर $\lambda$ मानों को मानता है।
E-PRIME (Episodic): $\lambda$ को एक रैंडम इफेक्ट के रूप में मॉडल करता है जो विभिन्न फाइलोजेनेटिक शाखाओं और साइटों में भिन्न होता है, जिससे क्षणिक, वंशावली-विशिष्ट अनुकूलन का पता लगाया जा सके।
S-PRIME (Site-specific): सूक्ष्म-स्तरीय बायोफिजिकल आर्किटेक्चर को हल करने के लिए प्रत्येक कोडन साइट के लिए स्वतंत्र $\lambda$ वेक्टर का अनुमान लगाता है।

भौतिक-रासायनिक गुण (Physicochemical Properties)

यह ढांचा गुणों के एक पदानुक्रमित सेट (2-prop से 5-prop मॉडल तक) का उपयोग करता है, जिसमें शामिल हैं:

हाइड्रोफोबिसिटी (Kyte-Doolittle)
वॉल्यूम (Zamyatnin)
आइसोइलेक्ट्रिक पॉइंट (चार्ज)
अल्फा-हेलिक्स प्रपेंसिटी (Alpha-Helix Propensity)
बीटा-शीट प्रपेंसिटी (Beta-Sheet Propensity)

सांख्यिकीय परीक्षण और सत्यापन (Statistical Testing & Validation)

परिकल्पना परीक्षण (Hypothesis Testing): महत्वपूर्ण गुण बाधाओं की पहचान करने के लिए पदानुक्रमित फाल्स डिस्कवरी रेट (FDR) सुधार (Benjamini-Hochberg के बाद Holm-Bonferroni) के साथ लाइकलीहुड रेश्यो टेस्ट (LRTs) का उपयोग करता है।
सिमुलेशन (Simulation): व्यापक सिमुलेशन डिटेक्शन पावर और फाल्स पॉजिटिव रेट (FPR) का आकलन करते हैं, जो रिडंडेंसी रेशियो ( $R = \text{substitutions} / \text{unique amino acids}$ ) को पहचान का प्राथमिक निर्धारक के रूप में पहचानते हैं।
बाहरी सत्यापन (External Validation): डीप म्यूटेशनल स्कैनिंग (DMS) डेटा और प्रोटीन लैंग्वेज मॉडल (ESM-2) एम्बेडिंग्स के विरुद्ध बेंचमार्क किया गया।

3. मुख्य योगदान (Key Contributions)

यांत्रिक व्याख्यात्मकता (Mechanistic Interpretability): अमूर्त विकासवादी दरों को ठोस बायोफिजिकल नियमों में बदल देता है, जिससे यह पहचान होती है कि कौन से गुण चयन को संचालित करते हैं।
पदानुक्रमित मॉडलिंग (Hierarchical Modeling): विभिन्न पैमानों पर बाधाओं का विश्लेषण करने के लिए एक एकीकृत ढांचा प्रदान करता है (ग्लोबल, एपिसोडिक, साइट-स्तर)।
डीप लर्निंग के साथ तालमेल (Synergy with Deep Learning): यह दिखाता है कि PRIME में स्पष्ट भौतिक-रासायनिक भार, प्रोटीन लैंग्वेज मॉडल (ESM-2) के लेटेंट स्पेस के प्रिंसिपल कंपोनेंट्स के साथ सह-संबंधित हैं, जो यह प्रमाणित करता है कि ये मॉडल मौलिक बायोफिजिकल नियमों को सीखते हैं।

4. मुख्य परिणाम (Key Results)

मॉडल प्रदर्शन (Model Performance)

श्रेष्ठ फिट (Superior Fit): PRIME मॉडल (विशेष रूप से 5-prop संस्करण) ने 24 विविध बेंचमार्क डेटासेट्स (वायरस, स्तनधारी, पौधे, बैक्टीरिया) में मानक MG94 और CoRa मॉडलों को लगातार पछाड़ दिया, जिसमें AICc स्कोर में पर्याप्त सुधार देखा गया।
तालमेल (Synergy): दर विषमता (BUSTED) और भौतिक-रासायनिक विषमता (PRIME) का संयोजन औसतन 723.6 AICc यूनिट का लाभ देता है, जो उनके व्यक्तिगत योगदान के योग से काफी अधिक है, जो पुष्टि करता है कि वे अलग-अलग विकासवादी संकेतों को कैप्चर करते हैं।

बाधाओं का बायोफिजिकल पदानुक्रम (Biophysical Hierarchy of Constraints)

18,944 स्तनधारी जीनों के विश्लेषण ने एक स्पष्ट पदानुक्रम प्रकट किया:

कठोर रूप से संरक्षित (Rigidly Conserved): कोर पैकिंग गुण (हाइड्रोफोबिसिटी और वॉल्यूम) और बीटा-शीट प्रपेंसिटी संरचनात्मक अखंडता बनाए रखने के लिए सख्त शुद्धिकरण चयन के अधीन हैं।
अनुकूलन सब्सट्रेट (Adaptive Substrates): अल्फा-हेलिक्स प्रपेंसिटी और सतह इलेक्ट्रोस्टैटिक्स (आइसोइलेक्ट्रिक पॉइंट) अनुकूलन ट्यूनिंग और विविधतापूर्ण चयन के प्राथमिक सब्सट्रेट हैं।
केस स्टडीज (Case Studies):
- Influenza HA: PRIME ने साइट 226 को "प्रतिबंधित विविधीकरण" (हाइड्रोफोबिसिटी/वॉल्यूम को बदलते हुए चार्ज/हेलिक्स प्रपेंसिटी को संरक्षित करना) के रूप में पहचाना, जो उन होस्ट-स्विचिंग तंत्रों की व्याख्या करता है जो मानक मेट्रिक्स द्वारा छूट जाते हैं।
- HIV RT: साइट 184 की पहचान की, जो उच्च प्रतिस्थापन दरों के बावजूद हाइड्रोफोबिसिटी को संरक्षित करता है, जो ड्रग रेजिस्टेंस तंत्र की व्याख्या करता है।

डिटेक्शन पावर और सूचना सिद्धांत (Detection Power & Information Theory)

रिडंडेंसी रेशियो ( $R$ ): डिटेक्शन पावर $R$ $R$ (अद्वितीय अमीनो एसिड प्रति प्रतिस्थापन) द्वारा शासित होती है।
- सार्थक निष्कर्ष के लिए $R > 2.0$ एक महत्वपूर्ण थ्रेशोल्ड है।
- डेटा-समृद्ध एलाइनमेंट ( $R \ge 10$ ) में संवेदनशीलता 90% से अधिक है।
- "टोगलिंग" साइट्स (उच्च प्रतिस्थापन, कम विविधता, जैसे केवल 2 अमीनो एसिड) सांख्यिकीय आर्टिफैक्ट्स (बढ़ा हुआ FPR) पैदा कर सकते हैं यदि उन्हें ठीक न किया जाए, लेकिन वे जैविक रूप से सूचनात्मक हैं।

सत्यापन (Validation)

DMS तुलना: PRIME ने प्रायोगिक फिटनेस लैंडस्केप के साथ मध्यम-से-मजबूत सहसंबंध ( $Pearson \ r \approx 0.60$ ) दिखाया, जो व्यवहार्य अवशेषों की पहचान करने में ESM-2 के समान प्रदर्शन करता है, लेकिन बेहतर यांत्रिक व्याख्यात्मकता प्रदान करता है।
ESM-2 एलाइनमेंट: PRIME महत्व भार (importance weights), ESM-2 एम्बेडिंग्स के शीर्ष प्रिंसिपल कंपोनेंट्स के साथ सह-संबंधित थे, जो यह सुझाव देते हैं कि डीप लर्निंग मॉडल उसी बायोफिजिकल व्याकरण को सीखते हैं जिसे PRIME द्वारा स्पष्ट रूप से मॉडल किया गया है।

5. महत्व (Significance)

घटना विज्ञान से यांत्रिकी तक (From Phenomenology to Mechanism): PRIME विकास जीव विज्ञान को यह बताने से कि चयन होता है, यह समझाने की ओर ले जाता है कि यह जैव-रासायनिक रूप से कैसे होता है। यह प्रकट करता है कि अनुकूलन अक्सर यादृच्छिक अन्वेषण के बजाय "प्रतिबंधित विविधीकरण" (constrained diversification) होता है।
कार्यात्मक एनोटेशन (Functional Annotation): यह उन साइटों में "क्रिप्टिक बाधाओं" (cryptic constraints) की पहचान कर सकता है जो मानक $dN/dS$ मेट्रिक्स द्वारा न्यूट्रल दिखाई देते हैं (जैसे कि वे साइटें जहाँ केवल रासायनिक रूप से समान अवशेषों की अनुमति होती है)।
व्यावहारिक उपयोगिता (Practical Utility): यह ढांचा HyPhy में कार्यान्वित है, जिससे यह बड़े पैमाने पर जीनोमिक स्क्रीन के लिए सुलभ हो जाता है। यह प्रोटीन विविधता के बायोफिजिकल ड्राइवरों को समझने, इम्यून एस्केप को समझने और अपारदर्शी डीप लर्निंग मॉडल पर निर्भर किए बिना उत्परिवर्तन के प्रभाव की भविष्यवाणी करने के लिए एक उपकरण प्रदान करता है।
सीमाएँ और भविष्य का कार्य (Limitations & Future Work): इस विधि के लिए पर्याप्त म्यूटेशनल डेप्थ (सूचनात्मक रिडंडेंसी) की आवश्यकता होती है और वर्तमान में यह साइट स्वतंत्रता (epistasis को अनदेखा करते हुए) को मानता है। भविष्य के संस्करण सह-विकास संबंधी निर्भरताओं को कैप्चर करने के लिए पदानुक्रमित बेयसियन मॉडल को एकीकृत कर सकते हैं।