कक्षा की उपस्थिति सूची का उदाहरण लें। एक विद्यार्थी कमरे में उपस्थित है, लेकिन उपस्थिति रिकॉर्ड में उसे अनुपस्थित दर्ज किया जाता है क्योंकि शिक्षक द्वारा नाम पुकारे जाने पर उसका सिर नीचे झुका हुआ था। यह त्रुटि विद्यार्थी की वास्तविक अनुपस्थिति के बजाय नमूनाकरण विधि की कमी को दर्शाती है। एकल-कोशिका जीनोमिक्स (Genomics) में ठीक ऐसी ही नमूनाकरण विफलता लगातार घटित होती है: ड्रॉपआउट (Dropout)। कोशिका के भीतर सक्रिय रूप से अनुलेखित होने वाला जीन सीक्वेंसिंग के दौरान पकड़ में नहीं आ पाता और इसे शून्य अभिव्यक्ति मान के रूप में दर्ज किया जाता है। एक स्तनपायी कोशिका में कुल mRNA लगभग एक पिकोग्राम (एक ग्राम का दस खरबवाँ हिस्सा) होता है। जैसे ही रिवर्स ट्रांसक्रिप्टेज़ इस छोटे समूह को cDNA में परिवर्तित करते हैं, कई अणु नष्ट हो जाते हैं, और ड्रॉपलेट माइक्रॉफ़्लुइडिक कैप्चर दक्षता औसतन 10% से 20% के बीच ही रह जाती है। चूँकि सीक्वेंसिंग रीड बजट लाखों एकल कोशिकाओं में विभाजित होता है, इसलिए बल्क आमापन (Assay) की तुलना में प्रति कोशिका सीक्वेंसिंग गहराई उथली होती है। कम अभिव्यक्ति वाले ट्रांसक्रिप्ट अक्सर नमूने में शामिल होने से छूट जाते हैं। परिणामस्वरूप, एकल-कोशिका अभिव्यक्ति मैट्रिक्स (cells by genes) में 80% से 95% प्रविष्टियों में शून्य दर्ज होता है। इसका प्रभाव व्यापक है: CD4 जीन—जो हेल्पर T कोशिकाओं का निर्णायक मार्कर है—वास्तविक हेल्पर T लिम्फोसाइटों के एक बड़े हिस्से में शून्य के रूप में दर्ज होता है। इन शून्य गणनाओं का गलत वर्गीकरण कोशिका क्लस्टरिंग को विकृत करता है और दुर्लभ कोशिका समूहों को विखंडित कर देता है।

यह एक मौलिक भेद को सामने लाता है: क्या प्रेक्षित शून्य गणना जैविक है या तकनीकी? जैविक शून्य वास्तविक ट्रांसक्रिप्शनल निष्क्रियता को दर्शाते हैं; एक हेपेटोसाइट न्यूरोनल न्यूरोफिलामेंट जीनों के शून्य ट्रांसक्रिप्ट ही स्वाभाविक रूप से अभिव्यक्त करता है। तकनीकी शून्य तब उत्पन्न होते हैं जब कोई सक्रिय रूप से अभिव्यक्त जीन मापन के दौरान छूट जाता है। दृश्य रूप से, दोनों एक मैट्रिक्स में समान संख्यात्मक शून्य के रूप में दिखाई देते हैं। उनके बीच अंतर करना अनिवार्य है: तकनीकी ड्रॉपआउट्स को जैविक निष्क्रियता मान लेने से महत्वपूर्ण लक्षणप्ररूप (Phenotype) मार्कर छूट जाते हैं, जबकि वास्तविक जैविक निष्क्रियता पर त्रुटिवश मान आरोपित करने से अस्तित्वहीन कोशिका अवस्थाओं की रचना हो जाती है। आरोपण एल्गोरिदम का उद्देश्य सांख्यिकीय रूप से तकनीकी शोर को जैविक निष्क्रियता से अलग करना और लुप्त मानों को पुनर्स्थापित करना है।

आरोपण (Imputation) रणनीतियाँ तीन पद्धतिगत शाखाओं के माध्यम से विकसित हुईं। पहली शाखा ग्राफ़-आधारित पड़ोसी विसरण (Neighbor diffusion) पर निर्भर करती है। MAGIC ट्रांसक्रिप्शनल समानता के आधार पर एक k-निकटतम-पड़ोसी (k-nearest-neighbor) कोशिका बंधुता ग्राफ़ का निर्माण करता है, और पड़ोसी अवस्थाओं के आधार पर लुप्त प्रविष्टियों को सुचारू बनाने के लिए पानी में स्याही की तरह पूरे ग्राफ़ में अभिव्यक्ति मानों का विसरण करता है [1]। विसरण समय-चरण पैरामीटर t का चयन अत्यंत महत्वपूर्ण है: t को बहुत कम रखने से तकनीकी ड्रॉपआउट असंशोधित रह जाते हैं, जबकि t को बहुत अधिक रखने से डेटासेट अत्यधिक सुचारू (over-smooth) हो जाता है, जिससे विशिष्ट कोशिकाएं एक समान औसत में समरूप हो जाती हैं। दूसरी शाखा संभाव्य प्राचलिक गणना मॉडल (Probabilistic parametric count models) का उपयोग करती है। एकल-कोशिका गणनाएं ऋणात्मक द्विपद (Negative Binomial) वितरणों का पालन करती हैं जो अति-परिक्षेपण (Overdispersion) को समाहित करती हैं। Deep Count Autoencoders (DCA) और scVI शून्य-स्फीत ऋणात्मक द्विपद (Zero-Inflated Negative Binomial - ZINB) वितरणों के मापदंडों का आकलन करने के लिए न्यूरल नेटवर्क को प्रशिक्षित करते हैं, जो प्रति जीन अंतर्निहित माध्य अभिव्यक्ति और ड्रॉपआउट प्रायिकता दोनों का स्पष्ट रूप से अनुमान (Inference) लगाते हैं [2]। कच्चे पड़ोसी मानों की नकल करने के बजाय, ये ऑटोएंकोडर वैश्विक वितरण नियमों को सीखते हैं। तीसरी शाखा एकल-कोशिका फाउंडेशन मॉडल (Foundation model) का उपयोग करती है। scGPT (33 मिलियन एकल कोशिकाओं पर पूर्व-प्रशिक्षित) और Geneformer (30 मिलियन एकल कोशिकाओं पर पूर्व-प्रशिक्षित) Transformer आर्किटेक्चर को कोशिकीय जीव विज्ञान के अनुकूल बनाते हैं [3][4], जिसमें कोशिकाओं को वाक्यों के रूप में और जीनों को व्यक्तिगत शब्द टोकन के रूप में माना जाता है। scGPT जीन पहचान और श्रेणीबद्ध अभिव्यक्ति मानों को टोकनाइज़ करता है, जबकि Geneformer प्रति कोशिका अभिव्यक्ति परिमाण के आधार पर जीनों को रैंक करता है। ठीक वैसे ही जैसे मास्क्ड लैंग्वेज मॉडल आस-पास के वाक्य संदर्भ से लुप्त शब्दों का पूर्वानुमान लगाते हैं, एकल-कोशिका Transformers को सह-अभिव्यक्ति संदर्भ से मास्क्ड जीन अभिव्यक्ति का पूर्वानुमान लगाने के लिए प्रशिक्षित किया जाता है, जिससे अव्यक्त कोशिका एम्बेडिंग (Embedding) उत्पन्न होती है जो ड्रॉप-आउट मानों को आरोपित कर सकती है।

आरोपण में विफलता का एक गंभीर रूप होता है: अति-मृदुकरण (Over-smoothing)। पड़ोसी कोशिकाओं से मानों का आरोपण करने पर वास्तविक जैविक विषमता के मिट जाने का जोखिम रहता है। 2018 के एक अध्ययन ने दर्शाया कि आरोपण एल्गोरिदम अक्सर कृत्रिम जीन-जीन सहसंबंध और ऐसे गलत मार्कर जीन उत्पन्न करते हैं जो मूल डेटा में अनुपस्थित होते हैं [5], जिससे शोर में से कृत्रिम सिग्नल गढ़े जाते हैं। 2020 के एक व्यापक बेंचमार्क (Benchmark) ने कोशिका क्लस्टरिंग, प्रक्षेपवक्र अनुमान (Trajectory inference), और विभेदक अभिव्यक्ति विश्लेषण के अंतर्गत 18 आरोपण विधियों का मूल्यांकन किया [6]। इस बेंचमार्क से पता चला कि कई आरोपण उपकरणों ने आरोपण-रहित मूल डेटा के विश्लेषण की तुलना में घटिया डाउनस्ट्रीम परिणाम दिए, और कोई भी अकेला उपकरण सभी मूल्यांकन मेट्रिक्स में सर्वश्रेष्ठ साबित नहीं हुआ। क्लस्टरिंग सटीकता में उच्च स्थान पाने वाली विधियों ने विभेदक अभिव्यक्ति में खराब प्रदर्शन किया। 2026 के एक बड़े पैमाने के तुलनात्मक विश्लेषण ने इन निष्कर्षों को और सुदृढ़ किया, जिससे यह स्पष्ट हुआ कि विधियों का सापेक्ष प्रदर्शन डेटासेट संदर्भ और कार्य निर्माण पर काफी हद तक निर्भर करता है [7]। परिणामस्वरूप, आधुनिक एकल-कोशिका पाइपलाइन निश्चित सांख्यिकीय परीक्षणों के लिए आरोपित काउंट मैट्रिसेस का उपयोग करने से बचती हैं; शोधकर्ता scVI जैसे संभाव्य मॉडलों द्वारा उत्पन्न अव्यक्त समष्टि (Latent spaces) के भीतर क्लस्टरिंग करते हैं, लेकिन मार्कर अभिव्यक्ति का सत्यापन मूल आरोपण-रहित गणनाओं के विरुद्ध करते हैं। शून्यों को मिटाने का काम सावधानीपूर्वक किया जाना चाहिए: आरोपण-पूर्व और आरोपण-पश्चात की जाँच-पड़ताल (Sanity checks) के बिना असत्यापित आरोपण एल्गोरिदम चलाना, कक्षा में बिना देखे ही अनुपस्थित छात्रों की उपस्थिति दर्ज करने जैसा है।

एकल-कोशिका फाउंडेशन मॉडल (Foundation model) के इर्द-गिर्द की बहस भी उतनी ही तीखी है। करोड़ों कोशिकाओं पर पूर्व-प्रशिक्षण (Pretraining) से सभी डाउनस्ट्रीम कार्यों में सामान्यीकृत प्रदर्शन मिलने की उम्मीदों को कड़े बेंचमार्क (Benchmark) परीक्षण का सामना करना पड़ा। वर्ष 2025 के Nature Methods के एक अध्ययन ने बताया कि आनुवंशिक क्षोभ (Perturbation) के प्रति कोशिकीय प्रतिक्रियाओं का पूर्वानुमान लगाते समय डीप लर्निंग (Deep learning) आर्किटेक्चर सरल रैखिक प्रतिगमन बेसलाइन मॉडलों से बेहतर प्रदर्शन करने में विफल रहे [8]। फ़रवरी 2026 में, एक विश्लेषण ने प्रदर्शित किया कि पैरामीटर-रहित निरूपण मानक बेंचमार्क पर अक्सर फाउंडेशन मॉडलों के बराबर या उनसे बेहतर प्रदर्शन करते थे [9]। जून 2026 में, VCBench ने क्षोभ पूर्वानुमान, क्रॉस-प्रजाति स्थानांतरण, जीन विनियामक नेटवर्क अनुमान (Inference) और विकासात्मक स्यूडो-टाइम क्रमण में पूर्व-पंजीकृत बेसलाइन मॉडलों के विरुद्ध Geneformer, scGPT, UCE, TranscriptFormer और Arc State का बेंचमार्क परीक्षण किया [10]। मूल्यांकन के पाँच में से चार अक्षों पर, सरल रैखिक बेसलाइन और निकटतम-पड़ोसी मॉडलों ने गहन फाउंडेशन मॉडलों के बराबर या उनसे बेहतर प्रदर्शन किया। क्षोभ पूर्वानुमान के एक कार्य पर, एक योज्य बेसलाइन (Additive baseline) ने 0.890 का स्कोर प्राप्त किया, जबकि Geneformer ने 0.627 और scGPT ने 0.545 का स्कोर प्राप्त किया [10]। अनुपचारित नियंत्रण कोशिकाओं में केवल औसत क्षोभ परिवर्तनों को जोड़ने मात्र से ही लाखों-पैरामीटर वाले डीप मॉडलों की तुलना में बेहतर परिणाम प्राप्त हुए।

इसका यह अर्थ नहीं है कि फाउंडेशन मॉडलों में उपयोगिता की कमी है। यांत्रिक व्याख्यात्मकता के अध्ययन दर्शाते हैं कि आंतरिक अटेंशन परतें सुव्यवस्थित जीन विनियामक कार्यक्रमों को दर्ज करती हैं, और ये मॉडल बिना लेबल वाले एकल-कोशिका डेटासेटों पर सेल ऑन्टोलॉजी एनोटेशन स्थानांतरित करते समय प्रभावी प्रदर्शन करते हैं। ऐतिहासिक रूप से भाषा मॉडलों को भी आर्किटेक्चर और डेटा स्केलिंग के परिपक्व होने से पहले इसी तरह की बारीक जाँच से गुजरना पड़ा था। मूल मुद्दा बेंचमार्किंग अनुशासन का है: जटिल न्यूरल आर्किटेक्चरों को मान्य करने के लिए पहले सरल रैखिक बेसलाइनों के विरुद्ध उनका बेंचमार्क परीक्षण करना आवश्यक है। मूल्यांकन पाइपलाइनों में बेसलाइन नियंत्रणों को शामिल करना वर्ष 2026 का प्रमुख पद्धतिगत निष्कर्ष है। एकल-कोशिका मैट्रिक्स में लुप्त मानों को सुधारने के लिए जटिलता के स्थान पर सटीकता की आवश्यकता होती है, जिससे यह सुनिश्चित हो सके कि अनिर्धारित विशेषताओं वाली कोशिका अवस्थाओं के सूक्ष्म संकेत संरक्षित रहें।

संदर्भ

[1] van Dijk, D., Sharma, R., Nainys, J., et al. (2018). Recovering gene interactions from single-cell data using data diffusion. Cell, 174(3), 716-729. https://doi.org/10.1016/j.cell.2018.05.061

[2] Eraslan, G., Simon, L. M., Mircea, M., Mueller, N. S., & Theis, F. J. (2019). Single-cell RNA-seq denoising using a deep count autoencoder. Nature Communications, 10, 390. https://doi.org/10.1038/s41467-018-07931-2

[3] Cui, H., Wang, C., Maan, H., et al. (2024). scGPT: toward building a foundation model for single-cell multi-omics using generative AI. Nature Methods, 21(8), 1470-1480. https://doi.org/10.1038/s41592-024-02201-0

[4] Theodoris, C. V., Xiao, L., Chopra, A., et al. (2023). Transfer learning enables predictions in network biology. Nature, 618(7965), 616-624. https://doi.org/10.1038/s41586-023-06139-1

[5] Andrews, T. S., & Hemberg, M. (2018). False signals induced by single-cell imputation. F1000Research, 7, 1740. https://doi.org/10.12688/f1000research.16613.2

[6] Hou, W., Ji, Z., Ji, H., & Hicks, S. C. (2020). A systematic evaluation of single-cell RNA-sequencing imputation methods. Genome Biology, 21, 218. https://doi.org/10.1186/s13059-020-02132-x

[7] Iwashita, Y., et al. (2026). A Large-Scale Comparative Analysis of Imputation Methods for Single-Cell RNA Sequencing Data. arXiv preprint arXiv:2603.24626. https://arxiv.org/abs/2603.24626

[8] Ahlmann-Eltze, C., Huber, W., & Anders, S. (2025). Deep-learning-based gene perturbation effect prediction does not yet outperform simple linear baselines. Nature Methods, 22. https://www.nature.com/articles/s41592-025-02772-6

[9] Souza, H., & Mehta, P. (2026). Parameter-free representations outperform single-cell foundation models on downstream benchmarks. arXiv preprint arXiv:2602.16696. https://arxiv.org/abs/2602.16696

[10] Weidener, L., et al. (2026). VCBench: A Multi-Dimensional Benchmark for Single-Cell Foundation Models. bioRxiv. https://www.biorxiv.org/content/10.64898/2026.06.18.733146v1