💻 bioinformatics

SC-BIG: A Hierarchical Bayesian Model for Bulk-Informed Single Nucleotide Variant Calling in Single Cells

यह शोध पत्र SC-BIG को प्रस्तुत करता है, जो एक पदानुक्रमित बेयस मॉडल (hierarchical Bayesian model) है जो बल्क अनुक्रमण डेटा (bulk sequencing data) का लाभ उठाकर कैंसर सेल अंशों (cancer cell fractions) का संयुक्त रूप से अनुमान लगाता है और कॉपी-नंबर परिवर्तनों (copy-number alterations) तथा क्लोनल मिश्रण (clonal admixtures) की उपस्थिति में एकल कोशिकाओं में दैहिक SNV (somatic SNV) का पता लगाने की सटीकता और अनिश्चितता परिमाणीकरण (uncertainty quantification) में सुधार करता है, जो मौजूदा विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Schuette, D., Kono, T. J. Y., Schwarz, R. F.

प्रकाशित 2026-03-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Schuette, D., Kono, T. J. Y., Schwarz, R. F.

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

यहाँ SC-BIG पेपर का स्पष्टीकरण दिया गया है, जिसे रोज़मर्रा की भाषा में कुछ रचनात्मक उपमाओं (analogies) के साथ अनुवादित किया गया है।

बड़ी तस्वीर: घास के ढेर में सुई ढूँढना (जो कि आग की लपटों में है)

कल्पना कीजिए कि आप घास के एक विशाल ढेर में एक विशिष्ट, दुर्लभ प्रकार की सुई खोजने की कोशिश कर रहे हैं। लेकिन यहाँ दो समस्याएँ हैं:

घास का ढेर अव्यवस्थित है: सुइयाँ बिखरी हुई हैं, कुछ टूटी हुई हैं, और घास लगातार हिल रही है।
आपकी आँखें धुंधली हैं: आप एक धुंधली खिड़की के माध्यम से सुइयों को देख रहे हैं।

कैंसर अनुसंधान की दुनिया में, "घास का ढेर" एक ट्यूमर है, "सुइयाँ" विशिष्ट आनुवंशिक उत्परिवर्तन (DNA में बदलाव) हैं, और "धुंधली खिड़की" सिंगल-सेल DNA सीक्वेंसिंग (Single-Cell DNA Sequencing) है।

वैज्ञानिक यह जानना चाहते हैं कि ट्यूमर की किन विशिष्ट कोशिकाओं में एक विशेष उत्परिवर्तन (mutation) है। यह उन्हें यह समझने में मदद करता है कि कैंसर कैसे विकसित हो रहा है। हालाँकि, एक समय में केवल एक कोशिका को देखना अविश्वसनीय रूप से शोर भरा (noisy) हो सकता है। यह एक तूफान के बीच फुसफुसाहट सुनने की कोशिश करने जैसा है। कभी-कभी मशीन उत्परिवर्तन को मिस कर देती है (वह वहाँ है, लेकिन सिग्नल गिर जाता है), और कभी-कभी उसे लगता है कि उसने एक उत्परिवर्तन सुना है जो वास्तव में वहाँ नहीं है (एक गलत अलार्म)।

पुराना तरीका: एक कच्चे मानचित्र के साथ अनुमान लगाना

पहले, वैज्ञानिकों के पास इसे हल करने के दो मुख्य तरीके थे:

"नाइव" (Naive) दृष्टिकोण: बस सिंगल सेल के डेटा को देखें और अनुमान लगाएँ। "यदि मैं उत्परिवर्तन देखता हूँ, तो वह वहाँ है।" यह आँखें सिकोड़कर ज़ोर से देखने की कोशिश करने जैसा है। यह कभी-कभी काम करता है, लेकिन अक्सर आप गलत होते हैं।
"प्रोसोलो" (ProSolo) दृष्टिकोण: यह एक स्मार्ट टूल था जिसने एक "बल्क" सैंपल (सभी कोशिकाओं का मिश्रण) को संदर्भ मानचित्र के रूप में उपयोग किया। यह बेहतर था, लेकिन इसमें एक बड़ी खामी थी: यह मानता था कि प्रत्येक कोशिका एक पूर्ण, मानक प्रति (copy) है। यदि किसी कोशिका ने गुणसूत्र (chromosome) खो दिया हो या DNA की अतिरिक्त प्रतियाँ प्राप्त कर ली हों, तो यह उसे संभाल नहीं सकता था। यह एक पहाड़ी श्रृंखला में नेविगेट करने के लिए एक सपाट शहर के मानचित्र का उपयोग करने जैसा था; परिदृश्य मानचित्र के लिए बहुत अजीब था।

नया समाधान: SC-BIG (स्मार्ट जासूस)

इस पेपर के लेखकों ने SC-BIG (सिंगल-सेल बल्क-इन्फॉर्म्ड जीनोटाइपिंग) बनाया है। SC-BIG को एक सुपर-स्मार्ट जासूस के रूप में सोचें जो न केवल अपराध स्थल (सिंगल सेल) को देखता है, बल्कि उसके पास एक विस्तृत पुलिस रिपोर्ट (बल्क सैंपल) और शहर के निर्माण की गहरी समझ (कैंसर की जीव विज्ञान) भी है।

यहाँ बताया गया है कि SC-BIG कैसे काम करता है, एक सरल उपमा का उपयोग करते हुए:

1. "भीड़ की रिपोर्ट" (बल्क डेटा)

कल्पना कीजिए कि आप यह पता लगाने की कोशिश कर रहे हैं कि 1,000 लोगों की भीड़ में कोई विशिष्ट अफवाह (उत्परिवर्तन) सच है या नहीं।

बल्क सैंपल पूरी भीड़ के पास माइक्रोफ़ोन ले जाने और पूछने जैसा है, "कौन इस अफवाह को जानता है?" यदि भीड़ का 80% कहता है "हाँ," तो आप जानते हैं कि अफवाह बहुत आम है।
समस्या: आप यह नहीं जानते कि भीड़ में सटीक रूप से कौन झूठ बोल रहा है या कौन बस भ्रमित है।

2. "व्यक्तिगत पूछताछ" (सिंगल सेल)

अब, आप भीड़ में एक विशिष्ट व्यक्ति (एक सिंगल सेल) के पास जाते हैं और पूछते हैं, "क्या आप इस अफवाह को जानते हैं?"

शोर (Noise): क्योंकि वह व्यक्ति फुसफुसा रहा है (कम डेटा गुणवत्ता), आप उन्हें स्पष्ट रूप से नहीं सुन पाते हैं। वे "हाँ" कह सकते हैं जबकि उनका मतलब "नहीं" हो, या वे चुप रह सकते हैं जबकि वे वास्तव में अफवाह जानते हैं।

3. SC-BIG बिंदुओं को कैसे जोड़ता है

SC-BIG "भीड़ की रिपोर्ट" को "व्यक्तिगत पूछताछ" के साथ एक विशेष गणितीय तकनीक का उपयोग करके जोड़ता है जिसे हाइरार्किकल बेयसियन मॉडल (Hierarchical Bayesian Model) कहा जाता है।

चरण 1: "वाइब चेक" (प्रचलन का अनुमान लगाना): SC-BIG "भीड़ की रिपोर्ट" (बल्क डेटा) को देखता है ताकि यह अनुमान लगाया जा सके कि वह अफवाह कितनी आम है। यह पूछता है: "क्या यह अफवाह 10% लोगों में है? 50%? 90%?" यह इस तथ्य को ध्यान में रखता है कि भीड़ अव्यवस्थित हो सकती है (कुछ लोगों के पास अफवाह की अतिरिक्त प्रतियाँ हैं, कुछ ने उन्हें खो दिया है)।
चरण 2: "संभाव्यता स्कोर" (Probability Score): व्यक्ति के लिए एक साधारण "हाँ" या "नहीं" उत्तर देने के बजाय, SC-BIG एक कॉन्फिडेंस स्कोर देता है।
- पुराना तरीका: "हाँ, इस कोशिका में उत्परिवर्तन है।" (या "नहीं।")
- SC-BIG का तरीका: "92% संभावना है कि इस कोशिका में उत्परिवर्तन है, लेकिन मैं 8% अनिश्चित हूँ क्योंकि सिग्नल धुंधला था।"

SC-BIG क्यों बेहतर है?

पेपर ने कंप्यूटर सिमुलेशन (टूल्स का परीक्षण करने के लिए नकली ट्यूमर बनाना) का उपयोग करके पुराने तरीकों के मुकाबले SC-BIG का परीक्षण किया। यहाँ उन्होंने क्या पाया:

यह "अजीब" कोशिकाओं को संभालता है: कैंसर कोशिकाओं में अक्सर अजीब संख्या में गुणसूत्र होते हैं (जैसे कि 2 के बजाय जूते की 3 प्रतियाँ होना)। पुराने टूल (Pro-Solo) इससे भ्रमित हो जाते थे और गलतियाँ करते थे। SC-BIG समझता है कि कोशिकाएं अजीब हो सकती हैं और इसके अनुसार अपने गणित को समायोजित करता है।
यह अनिश्चितता के बारे में ईमानदार है: SC-BIG यह कहने में माहिर है कि, "मैं सुनिश्चित नहीं हूँ।" यह वेल-कैलिब्रेटेड प्रोबेबिलिटी (well-calibrated probabilities) उत्पन्न करता है। यदि यह कहता है "70% संभावना," तो इसका वास्तव में मतलब 70% ही होता है। यह उन वैज्ञानिकों के लिए महत्वपूर्ण है जिन्हें उपचार के बारे में जीवन-मृत्यु के निर्णय लेने से पहले यह जानने की आवश्यकता होती है कि वे डेटा पर कितना भरोसा कर सकते हैं।
यह दौड़ जीतता है: परीक्षणों में, SC-BIG "सुइयों" (उत्परिवर्तन) को खोजने में पुराने तरीकों की तुलना में बहुत अधिक सटीक था, विशेष रूप से जब उत्परिवर्तन ट्यूमर में आम थे या जब ट्यूमर में जटिल आनुवंशिक परिवर्तन थे।

निष्कर्ष (The Takeaway)

SC-BIG व्यक्तिगत कैंसर कोशिकाओं के आनुवंशिक कोड को पढ़ने का एक नया, स्मार्ट तरीका है।

शोर भरे डेटा के आधार पर केवल अनुमान लगाने के बजाय, यह सिंगल सेल के "छोटे चित्र" (small picture) डेटा की व्याख्या करने में मदद करने के लिए पूरे ट्यूमर के "बड़े चित्र" (big picture) डेटा का उपयोग करता है। यह स्वीकार करता है कि कैंसर अव्यवस्थित है, कोशिकाएं अजीब हैं, और कभी-कभी हम 100% निश्चित नहीं हो सकते। अनिश्चितता को स्वीकार करके और उसे मापन योग्य बनाकर, यह डॉक्टरों और शोधकर्ताओं को कैंसर के विकास का एक बहुत अधिक स्पष्ट, अधिक विश्वसनीय मानचित्र प्रदान करता है।

संक्षेप में: यह एक धुंधली, भ्रमित करने वाली फुसफुसाहट को एक स्पष्ट, भरोसेमंद बातचीत में बदल देता है।

यहाँ शोध पत्र "SC-BIG: A Hierarchical Bayesian Model for Bulk-Informed Single Nucleotide Variant Calling in Single Cells" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सिंगल-सेल डीएनए अनुक्रमण (scDNA-seq) ट्यूमर विषमता (heterogeneity) और विकास के अध्ययन के लिए एक शक्तिशाली उपकरण है, लेकिन यह महत्वपूर्ण तकनीकी शोर (noise) से ग्रस्त है, जिसमें शामिल हैं:

विरल कवरेज (Sparse coverage): प्रति सेल कम रीड डेप्थ।
एम्प्लीफिकेशन बायस (Amplification bias): होल-जीनोम एम्प्लीफिकेशन (WGA) में स्टोकेस्टिक विचलन।
एलेलिक ड्रॉपआउट (Allelic Dropout - ADO): एक एलील के एम्प्लीफाई होने में विफलता, जिससे फॉल्स नेगेटिव (false negatives) उत्पन्न होते हैं।

जबकि मौजूदा de novo कॉलर्स (जैसे, Monovar, SCcaller) इन समस्याओं का समाधान करते हैं, वे अक्सर सटीकता में संघर्ष करते हैं। एक आशाजनक रणनीति उसी ट्यूमर सैंपल से प्राप्त बल्क होल-जीनोम सीक्वेंसिंग (WGS) डेटा का उपयोग करके सिंगल-सेल वेरिएंट कॉलिंग को सूचित करना है। हालाँकि, मौजूदा बल्क-इन्फॉर्म्ड विधियाँ, विशेष रूप से ProSolo, गंभीर सीमाओं से ग्रस्त हैं:

डिप्लोइड धारणा (Diploid Assumption): ProSolo मानता है कि सभी साइट्स डिप्लोइड ( $\theta_s \in \{0, 0.5, 1\}$ ) हैं, जो कैंसर में सामान्य सोमैटिक कॉपी-नंबर अल्टरेशन (CNAs) को ध्यान में रखने में विफल रहता है।
सरलीकृत जीनोटाइप मिश्रण (Simplified Genotype Mixture): यह मानता है कि बल्क वेरिएंट्स अधिकतम दो जीनोटाइप्स के मिश्रण से उत्पन्न होते हैं जो एक एकल उत्परिवर्तन चरण (mutational step) से भिन्न होते हैं, जो जटिल सबक्लोनल संरचनाओं या कॉपी-नंबर अवस्थाओं को सटीक रूप से मॉडल करने में विफल रहता है।
गलत अंशांकन (Miscalibration): ये धारणाएँ, विशेष रूप से CNAs वाले क्षेत्रों में, पोस्टीरियर प्रोबेबिलिटी (posterior probabilities) को खराब तरीके से कैलिब्रेट करती हैं।

2. कार्यप्रणाली: SC-BIG (Methodology: SC-BIG)

लेखक SC-BIG का प्रस्ताव करते हैं, जो एक पदानुक्रमित बेयसियन मॉडल (hierarchical Bayesian model) है जो कॉपी नंबर, प्योरिटी और क्लोनलिटी को स्पष्ट रूप से मॉडल करते हुए सिंगल सेल्स में SNV डिटेक्शन में सुधार के लिए बल्क सीक्वेंसिंग डेटा का लाभ उठाता है।

मुख्य वर्कफ़्लो (Core Workflow)

अनुमान (inference) तीन चरणों में आगे बढ़ता है:

एम्पिरिकल प्रायर निर्माण (Empirical Prior Construction): कैंसर सेल फ्रैक्शन (CCF) पर एक एम्पिरिकल प्रायर का निर्माण वेरिएंट रीड्स दिखाने वाले सिंगल सेल्स के कुल अंश (aggregate fraction) से किया जाता है।
CCF पोस्टीरियर एस्टीमेशन (बल्क इन्फरेंस): मार्कोव चेन मोंटे कार्लो (MCMC) का उपयोग करके, मॉडल निम्नलिखित को मार्जलिनाइज (marginalize) करके CCF ( $P(\text{CCF}|D_b)$ $P (CCF ∣ D_{b})$ ) के पोस्टीरियर वितरण का अनुमान लगाता है:
- बल्क ट्यूमर प्योरिटी ( $\pi$ )।
- स्थानीय कॉपी नंबर ( $C$ )।
- वेरिएंट मल्टीप्लिसिटी ( $m$ )।
- बल्क रीड काउंट्स ( $k_b, n_b$ )।
प्रति-सेल वेरिएंट प्रोबेबिलिटी (Per-Cell Variant Probability): CCF पोस्टीरियर दूसरे चरण के लिए एक प्रायर के रूप में कार्य करता है, जो सिंगल-सेल रीड काउंट्स ( $k_{sc}, n_{sc}$ ) और एरर मॉडल को देखते हुए एक विशिष्ट उत्परिवर्तन की उपस्थिति की संभावना ( $z_i \in \{0, 1\}$ ) की गणना करता है।

मुख्य गणितीय सूत्र (Key Mathematical Formulations)

वेरिएंट प्रेजेंस प्रोबेबिलिटी:
$P(z=1 | k_{sc}, n_{sc}, D_b) = \int_0^1 P(z=1 | k_{sc}, n_{sc}, \text{CCF}) \cdot P(\text{CCF}|D_b) \, d\text{CCF}$
मॉडल मानता है कि $P(z=1|\text{CCF}) = \text{CCF}$ , जिसका अर्थ है कि एक घातक कोशिका (malignant cell) में वेरिएंट की उपस्थिति की संभावना उसके सेलुलर प्रवलता (cellular prevalence) के बराबर होती है।
एरर मॉडल (Error Models): SC-BIG सिंगल-सेल डेटा के लिए दो एरर मॉडल का समर्थन करता है:
1. सिंपल बीटा-बाइनोमियल (Simple Beta-Binomial): एक तकनीक-अज्ञेयवादी (technology-agnostic) मॉडल जो एम्प्लीफिकेशन बायस मापदंडों ( $\alpha, \beta$ ) का अनुमान लगाने के लिए जर्मलाइन हेटेरोज़ीगस SNPs (hSNPs) का उपयोग करता है। यह अपेक्षित माध्य वेरिएंट एलील फ्रीक्वेंसी (VAF) को बनाए रखते हुए ओवरडिस्पर्शन (overdispersion) को कैप्चर करता है।
2. लोडैटो मॉडल (Lodato Model - MDA-विशिष्ट): एक कवरेज-डिपेंडेंट बीटा-बाइनोमियल मिक्सचर मॉडल (ProSolo में उपयोग किया जाता है) जो एम्प्लीफिकेशन आर्टिफैक्ट्स को ध्यान में रखता है। SC-BIG इसे इस तरह अनुकूलित करता है कि वास्तविक एलील फ्रीक्वेंसी ( $m/C$ ) को लाइक्लीहुड गणना के लिए निकटतम समर्थित डिप्लोइड अवस्था पर मैप किया जाए, जिससे निष्पक्ष तुलना के लिए ProSolo के साथ निरंतरता सुनिश्चित हो सके।
प्रायर्स (Priors):
- मल्टीप्लिसिटी ( $m$ ): एक ज्योमेट्रिक प्रायर ( $P(m|C) \propto 2^{-m}$ ) का उपयोग करता है जो हेटेरोज़ीगस वेरिएंट्स को प्राथमिकता देता है।
- कॉपी नंबर ( $C$ ) और प्योरिटी ( $\pi$ ): उपयोगकर्ता द्वारा प्रदान किए गए अनुमानों पर केंद्रित सामान्य वितरण (normal distributions) के रूप में मॉडल किए गए हैं।

3. मुख्य योगदान (Key Contributions)

डिप्लोइड धारणा का शिथिलन (Relaxation of Diploid Assumption): ProSolo के विपरीत, SC-BIG मनमाने कॉपी नंबर अवस्थाओं ( $C \in \{1, \dots, 10\}$ ) और मल्टीप्लिसिटीज ( $m \le C$ ) का समर्थन करता है, जो इसे CNAs के प्रति मजबूत बनाता है।
स्पष्ट सबक्लोनल मॉडलिंग (Explicit Subclonal Modeling): CCF को एक निरंतर लेटेंट वेरिएबल (continuous latent variable) के रूप में मार्जलिनाइज करके, मॉडल वेरिएंट्स को अलग-अलग क्लोनल/सबक्लोनल श्रेणियों में मजबूर करने से बचता है, जिससे जटिल ट्यूमर आर्किटेक्चर को बेहतर ढंग से कैप्चर किया जा सकता है।
सुव्यवस्थित अनिश्चितता (Well-Calibrated Uncertainty): SC-BIG पोस्टीरियर प्रोबेबिलिटीज उत्पन्न करता है जो अच्छी तरह से कैलिब्रेटेड हैं, जिसका अर्थ है कि एक प्रोबेबिलिटी $p$ वास्तव में वेरिएंट को धारण करने वाले कोशिकाओं की आवृत्ति को सटीक रूप से दर्शाती है। यह फाइलोजेनेटिक पुनर्निर्माण जैसे डाउनस्ट्रीम विश्लेषणों के लिए महत्वपूर्ण है।
ओपन-सोर्स कार्यान्वयन (Open-Source Implementation): यह टूल पायथन (Pyro/PyTorch का उपयोग करके) में लागू किया गया है और सिमुलेशन, इन्फरेंस और तुलना के लिए CLI सपोर्ट के साथ एक ओपन-सोर्स पैकेज के रूप में उपलब्ध है।

4. परिणाम (Results)

लेखकों ने विभिन्न CCFs, कॉपी नंबर और ट्यूमर प्योरिटी वाले सिम्युलेटेड डेटासेट का उपयोग करके SC-BIG का ProSolo और एक नेइव VAF थ्रेशोल्डिंग (Naive VAF thresholding) विधि के विरुद्ध मूल्यांकन किया।

समग्र प्रदर्शन (Overall Performance):
- ROC-AUC: SC-BIG ने 0.942 प्राप्त किया, जो ProSolo (0.877) और Naive VAF (0.869) से बेहतर रहा।
- कैलिब्रेशन (Calibration): SC-BIG की पोस्टीरियर प्रोबेबिलिटीज आदर्श विकर्ण ( $R^2 = 0.96$ ) का बारीकी से अनुसरण करती हैं, जबकि ProSolo महत्वपूर्ण क्षीणन (attenuation) और बिखराव ( $R^2 = 0.77$ ) दिखाता है।
CCF द्वारा स्तरीकृत (Stratified by CCF):
- कम CCF (0–0.3): सभी विधियों ने समान प्रदर्शन किया, जिसमें SC-BIG ने पूर्ण कैलिब्रेशन दिखाया।
- मध्यम/उच्च CCF (0.3–1.0): SC-BIG ने ProSolo से काफी बेहतर प्रदर्शन किया। ProSolo का प्रदर्शन इस रेंज में गिर गया (उच्च CCF के लिए ROC-AUC ~0.70 तक गिर गया), जो संभवतः इसलिए हुआ क्योंकि इसके प्रतिबंधित जीनोटाइप मिक्सचर मॉडल ने मजबूत बल्क सिग्नल को निकट-क्लोनल उपस्थिति के रूप में गलत समझा, जिससे गैर-वाहक कोशिकाओं को ADO इवेंट के रूप में गलत वर्गीकृत किया गया।
- अशुद्ध ट्यूमर ( $\pi=0.5$ ): SC-BIG अभी भी ProSolo से बेहतर प्रदर्शन करता है, हालांकि प्रदर्शन का अंतर कम हो गया, जो इस परिकल्पना का समर्थन करता है कि ProSolo की त्रुटियां शुद्ध नमूनों में मजबूत बल्क सिग्नल द्वारा संचालित होती हैं।

5. महत्व और सीमाएं (Significance and Limitations)

महत्व:

बेहतर सटीकता: SC-BIG सिंगल-सेल में SNVs को कॉल करने के लिए एक अधिक सटीक तरीका प्रदान करता है, विशेष रूप से कॉपी-नंबर अल्टरेशन और सबक्लोनल विषमता की उपस्थिति में।
डाउनस्ट्रीम उपयोगिता: अच्छी तरह से कैलिब्रेटेड पोस्टीरियर प्रोबेबिलिटीज सीधे संभाव्य डाउनस्ट्रीम टूल्स (जैसे, फाइलोजेनेटिक ट्री पुनर्निर्माण के लिए CellPhy) में एकीकरण की अनुमति देती हैं, जिससे हार्ड बाइनरी कॉल पर निर्भर रहने के बजाय ट्यूमर विकास के अधिक सटीक मॉडलिंग को सक्षम बनाया जा सके।
मजबूती (Robustness): कॉपी नंबर और प्योरिटी में अनिश्चितता को मार्जलिनाइज करके, मॉडल उन निश्चित धारणाओं के दोषों से बचता है जो वर्तमान अत्याधुनिक उपकरणों को प्रभावित करती हैं।

सीमाएं:

सिमुलेशन बायस (Simulation Bias): तुलना में सिमुलेशन के "सत्य" मानों पर सेट किए गए प्रायर का उपयोग किया गया था, जो वास्तविक दुनिया के डेटा अनुमानों में मौजूद अनिश्चितता को प्रतिबिंबित नहीं कर सकते हैं।
चक्रीयता (Circularity): एम्पिरिकल CCF प्रायर उसी सिंगल-सेल डेटा से प्राप्त होता है जिसका विश्लेषण किया जा रहा है, जिससे कुछ हद तक चक्रीयता आती है (हालांकि लेखक तर्क देते हैं कि यह न्यूनतम है)।
एरर मॉडल बाधाएं (Error Model Constraints): गैर-डिप्लोइड अवस्थाओं के लिए लोडैटो मॉडल का अनुकूलन, एलील फ्रीक्वेंसी को डिस्क्रीटाइज (discretize) करने में शामिल है, जिससे जानकारी का नुकसान होता है। वैकल्पिक बीटा-बाइनोमियल मॉडल hSNPs के लिए 1:1 एलील अनुपात मानता है, जो CNAs वाले क्षेत्रों में मान्य नहीं हो सकता है।
वास्तविक डेटा सत्यापन का अभाव (Lack of Real Data Validation): अध्ययन वास्तविक दुनिया के व्यवस्थित पूर्वाग्रहों के विरुद्ध प्रदर्शन का आकलन करने के लिए सिम्युलेटेड डेटा पर निर्भर करता है; वास्तविक डेटासेट पर प्रदर्शन को सत्यापित करने के लिए अनुभवजन्य डेटा सत्यापन आवश्यक है।

निष्कर्षतः, SC-BIG एक पदानुक्रमित बेयसियन ढांचे के माध्यम से बल्क डेटा को एकीकृत करके सिंगल-सेल जीनोमिक्स में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो कैंसर जीनोम की जटिलताओं को स्पष्ट रूप से संबोधित करता है और मौजूदा तरीकों की तुलना में बेहतर सटीकता और व्याख्यात्मकता प्रदान करता है।