जेफिरनेट लोगो

जीव विज्ञान के लिए मशीन लर्निंग को लागू करना कठिन क्यों है - लेकिन इसके लायक है

दिनांक:

जिमी लिन सीएसओ हैं फ़्रीनोम, जो कोलन कैंसर से शुरू होकर, प्रारंभिक कैंसर का पता लगाने के लिए रक्त-आधारित परीक्षण विकसित कर रहा है। वह बड़े पैमाने पर जीनोमिक डेटा से अंतर्दृष्टि निकालने के लिए कम्प्यूटेशनल दृष्टिकोण विकसित करने में अग्रणी है, जिसने कई प्रकार के कैंसर में पहले जीनोम-वाइड अनुक्रमण अध्ययनों के कम्प्यूटेशनल विश्लेषण का नेतृत्व किया है। 

लिन ने फ्यूचर से मशीन लर्निंग एप्रोच और बायोलॉजिकल डेटा से शादी करने के कंपनी मिशन पर अमल करने की चुनौतियों के बारे में बात की। वह बताते हैं कि एक संतुलित टेकबायो कंपनी बनाने के लिए आपको किन तीन प्रकार के लोगों को नियुक्त करने की आवश्यकता है, जिन जालों से आपको बचना चाहिए, कैसे बताएं कि दो क्षेत्रों का विवाह कब काम कर रहा है या नहीं, और जैविक अध्ययन और मशीन सीखने की बारीकियां एक दूसरे को।


भविष्य: कई विषयों की तरह, मशीन लर्निंग को बायो में लागू करने की क्षमता को लेकर बहुत उत्साह है। लेकिन प्रगति अधिक कठिन प्रतीत होती है। क्या आमतौर पर मशीन लर्निंग के साथ उपयोग किए जाने वाले डेटा के प्रकारों की तुलना में बायोमोलेक्यूलर डेटा के बारे में कुछ अलग है?

जिमी लिन: पारंपरिक मशीन लर्निंग डेटा बहुत व्यापक और उथला है। मशीन लर्निंग अक्सर जिन समस्याओं को हल कर रहा है, वे हैं जो मनुष्य नैनोसेकंड में हल कर सकते हैं, जैसे कि छवि पहचान। एक कंप्यूटर को बिल्ली की छवि को पहचानने के लिए सिखाने के लिए आपके पास प्रशिक्षित करने के लिए अरबों-अरबों चित्र होंगे, लेकिन प्रत्येक छवि अपनी डेटा सामग्री में अपेक्षाकृत सीमित है। जैविक डेटा आमतौर पर विपरीत होता है। हमारे पास अरबों व्यक्ति नहीं हैं। हम भाग्यशाली हैं कि हमें हजारों मिले। लेकिन प्रत्येक व्यक्ति के लिए, हमारे पास अरबों और अरबों डेटा बिंदु हैं। हमारे पास बहुत गहरे डेटा की छोटी संख्या है।

साथ ही, जैविक प्रश्न कम अक्सर वे समस्याएं होती हैं जिन्हें मनुष्य हल कर सकता है। हम वो काम कर रहे हैं जो दुनिया के विशेषज्ञ भी नहीं कर पा रहे हैं। तो, समस्याओं की प्रकृति बहुत अलग है, इसलिए इसकी आवश्यकता है नई सोच इस बारे में कि हम इससे कैसे संपर्क करते हैं।

क्या जैव-आणविक डेटा के लिए दृष्टिकोणों को खरोंच से बनाने की आवश्यकता है, या क्या आप मौजूदा तरीकों को अनुकूलित कर सकते हैं?

ऐसे कई तरीके हैं जिनसे आप इस गहन जानकारी को प्राप्त कर सकते हैं और इसे प्रदर्शित कर सकते हैं ताकि आप मौजूदा टूल का लाभ उठा सकें, चाहे वह सांख्यिकीय शिक्षण हो या गहन शिक्षण विधियाँ। यह सीधे कॉपी-पेस्ट नहीं है, लेकिन ऐसे कई तरीके हैं जिनसे आप मशीन सीखने के कई तरीकों को स्थानांतरित कर सकते हैं और उन्हें जैविक समस्याओं पर लागू कर सकते हैं, भले ही यह एक-से-एक नक्शा न हो।

डेटा समस्या में कुछ और खोदना, जैविक डेटा के साथ बहुत अधिक परिवर्तनशीलता है - जैविक शोर है, प्रयोगात्मक शोर है। मशीन-लर्निंग-रेडी बायोमेडिकल डेटा जनरेट करने का सबसे अच्छा तरीका क्या है? 

यह एक अच्छा सवाल है। शुरू से ही, फ़्रीनोम ने इस बात पर ध्यान दिया है कि मशीन सीखने के लिए उपयुक्त सर्वोत्तम डेटा कैसे उत्पन्न किया जाए। स्टडी डिज़ाइन से लेकर सैंपल कलेक्शन तक, एसेज़ चलाने से लेकर डेटा एनालिसिस तक की पूरी प्रक्रिया में, मशीन लर्निंग के लिए ऑप्टिमाइज़ करने में सक्षम होने के लिए हर कदम पर ध्यान देने की ज़रूरत है, खासकर जब आपके पास सैंपल की तुलना में बहुत अधिक सुविधाएँ हों। यह शास्त्रीय बिग-पी लिटिल-एन समस्या है।

सबसे पहले और सबसे महत्वपूर्ण, हमने अपने अध्ययन को कन्फ्यूडर को कम करने के लिए डिज़ाइन किया है। बहुत सी कंपनियों ने ऐतिहासिक डेटासेट पर भरोसा किया है और कॉहोर्ट प्रभाव को कम करने और कन्फ़्यूडर को हटाने के लिए बहुत काम किया है। लेकिन क्या यह वास्तव में ऐसा करने का सबसे अच्छा तरीका है? ठीक है, नहीं, इसे करने का सबसे अच्छा तरीका एक संभावित अध्ययन है जहां आप कन्फ्यूडर के लिए अग्रिम रूप से नियंत्रण करते हैं। यही कारण है कि, हमारे खोज प्रयासों में भी, हमने एक बड़ा बहु-स्थल संभावित परीक्षण करने का निर्णय लिया है, जो सोने के मानक डेटा को अग्रिम रूप से एकत्र करता है, जैसा कि हमारे में है AI-EMERGE परीक्षण.

सौभाग्य से हमारे पास ऐसे निवेशक हैं जिन्होंने हम पर इतना विश्वास किया कि हम इन आंकड़ों को उत्पन्न कर सकें। यह वास्तव में एक बड़ा जोखिम था क्योंकि ये अध्ययन बहुत महंगे हैं। 

फिर एक बार जब आपको डेटा मिल जाता है, तो आप इसके साथ क्या करते हैं?

ठीक है, आपको सभी साइटों को एक सुसंगत तरीके से प्रशिक्षित करने की ज़रूरत है, और सभी अलग-अलग साइटों से कन्फ़्यूडर के लिए नियंत्रण करना होगा ताकि मरीज़ यथासंभव समान दिखें। और फिर एक बार जब आप नमूने चलाते हैं, तो आपको यह सोचने की ज़रूरत है कि बैच प्रभावों को कैसे कम किया जाए, जैसे कि विभिन्न मशीनों पर सही अनुपात में नमूनों का सही मिश्रण डालकर।

जब आप कर रहे हों तो यह बहुत मुश्किल होता है मल्टीओमिक्स क्योंकि जो मशीनें जैव-अणुओं के एक वर्ग का विश्लेषण करती हैं, वे एक बार में सैकड़ों नमूने ले सकती हैं, जबकि दूसरी श्रेणी के जैव-अणुओं का विश्लेषण करने वाली मशीनें केवल कुछ ही ले सकती हैं। उसके ऊपर, आप मानवीय त्रुटि को दूर करना चाहते हैं। इसलिए, हमने केवल प्रशिक्षण डेटा उत्पन्न करने के चरण में, स्वचालन को बहुत पहले ही शुरू कर दिया था।

साथ ही, जब आपके पास प्रति व्यक्ति अरबों डेटा पॉइंट होते हैं तो संभावित रूप से ओवरफिट करना बहुत आसान हो जाता है। इसलिए हम सुनिश्चित करते हैं कि हमारा प्रशिक्षण उस आबादी के लिए सामान्य है जिसे हम अंततः इसे सही सांख्यिकीय सुधारों और कई क्रमिक ट्रेन और परीक्षण होल्डआउट सेट के साथ लागू करना चाहते हैं।

बायोमोलेक्यूलर डेटा के साथ मशीन लर्निंग का संयोजन कुछ ऐसा है जो बहुत सारी बायोटेक कंपनियां करने की कोशिश कर रही हैं, लेकिन अक्सर इस बारे में बहुत अस्पष्टता होती है कि वे इसे कैसे करेंगे। आप उन्हें प्रभावी ढंग से एकीकृत करने की एक अनिवार्य विशेषता के रूप में क्या देखते हैं?

At फ़्रीनोम हम मशीन लर्निंग और मल्टीओमिक्स को मिला रहे हैं। ऐसा करने के लिए, आपको दोनों को अच्छी तरह से करने की आवश्यकता है। यहां कुंजी यह है कि आपको उन दोनों में मजबूत विशेषज्ञता की आवश्यकता है, और फिर दोनों की भाषा बोलने में सक्षम होना चाहिए। आपको द्विभाषी होने की आवश्यकता है। 

बहुत सारी कंपनियाँ हैं जो एक में विशेषज्ञ हैं और फिर दूसरे की एक परत में छिड़कती हैं। उदाहरण के लिए, ऐसी तकनीकी कंपनियां हैं जो तय करती हैं कि वे जैव में कूदना चाहते हैं, लेकिन वे केवल कुछ गीले प्रयोगशाला वैज्ञानिकों को किराए पर लेते हैं। दूसरी ओर, जीव विज्ञान कंपनियां हैं जो कुछ मशीन सीखने वाले वैज्ञानिकों को काम पर रखती हैं, तो वे घोषणा करेंगे कि वे अब एक एआई/एमएल कंपनी हैं। 

आपको वास्तव में दोनों में गहरी बेंच स्ट्रेंथ की जरूरत है। आपको ज्ञान स्थान की विशेषताओं की, विभिन्न परखों की प्रणाली की गहरी जैविक समझ की आवश्यकता है। लेकिन आपको मशीन लर्निंग, डेटा साइंस, कम्प्यूटेशनल मेथड्स और स्टैटिस्टिकल लर्निंग की गहरी समझ होनी चाहिए और इसे लागू करने के लिए प्लेटफॉर्म होने चाहिए। 

यह वास्तव में चुनौतीपूर्ण है क्योंकि वे दो क्षेत्र अक्सर बहुत खामोश रहते हैं। जब आप उन लोगों के बारे में सोच रहे हैं जिन्हें आप कंपनी के लिए भर्ती कर रहे हैं, तो आप इन दो अलग-अलग डोमेन के बीच पुल कैसे बनाते हैं?

मुझे लगता है कि तकनीक और जैव के बीच पुल करने के लिए आप तीन तरह के लोगों को काम पर रखना चाहते हैं। पहले दो आपके मानक हैं, मशीन लर्निंग या जीव विज्ञान में डोमेन विशेषज्ञ। लेकिन उन्हें अन्य डोमेन के बारे में जानने के लिए खुला और इच्छुक होना चाहिए, या इससे भी बेहतर, इन अतिरिक्त डोमेन में काम करने का अनुभव और अनुभव होना चाहिए।

मशीन लर्निंग विशेषज्ञों के लिए, हम ऐसे लोगों को चुनते हैं जो न केवल नवीनतम एल्गोरिदम विकसित करने के लिए हैं, बल्कि जो नवीनतम एल्गोरिदम लेना चाहते हैं और उन्हें जैविक प्रश्नों पर लागू करना चाहते हैं। 

जीव विज्ञान है गंदा. न केवल हमारे पास विभिन्न विश्लेषणों को मापने के सभी तरीके नहीं हैं, बल्कि हम लगातार नए जैव-अणुओं और विशेषताओं की खोज कर रहे हैं। बहुत सारे भ्रमित करने वाले कारक और शोर भी हैं जिन पर ध्यान देने की आवश्यकता है। ये समस्याएं आम तौर पर मानक मशीन सीखने की समस्याओं की तुलना में अधिक जटिल होती हैं, जहां समस्या और ज्ञान स्थान अधिक अच्छी तरह से परिभाषित होता है। जीव विज्ञान में अपने शिल्प को लागू करने के इच्छुक एमएल विशेषज्ञों को जीव विज्ञान के भीतर मौजूद जटिलता के बारे में जानने के लिए विनम्रता की आवश्यकता है और डेटा उपलब्धता में कम से कम इष्टतम स्थितियों और अंतर के साथ काम करने के लिए तैयार होना चाहिए।

दूसरा पहलू उन जीवविज्ञानियों को काम पर रख रहा है जो बड़े पैमाने पर मात्रात्मक डेटा पीढ़ी के संदर्भ में अपनी समस्याओं के बारे में सोचते हैं, सिग्नल-टू-शोर अनुपात को अनुकूलित करने के लिए डिजाइन अध्ययन करते हैं, और कन्फ्यूडर और सामान्यता की चेतावनी से अवगत हैं। यह केवल कोड की भाषा में बोलने और सोचने में सक्षम होने से कहीं अधिक है। हमारे कई जीवविज्ञानी पहले से ही कोड करते हैं और एक अच्छी सांख्यिकीय पृष्ठभूमि रखते हैं, और इन क्षेत्रों में बढ़ने के इच्छुक और इच्छुक हैं। वास्तव में, फ़्रीनोम में, हमारे पास वास्तव में जीवविज्ञानियों के लिए प्रशिक्षण कार्यक्रम हैं जो अपने सांख्यिकीय तर्क को विकसित करने में सक्षम होने के लिए कोडिंग के बारे में अधिक जानना चाहते हैं।

इससे भी अधिक महत्वपूर्ण यह है कि अध्ययन डिजाइन, और जो प्रश्न हम पूछ सकते हैं, वे बड़े डेटा और एमएल के संदर्भ में डिजाइन किए जाने पर अलग दिखते हैं।

तीसरा प्रकार क्या है?

तीसरे प्रकार के व्यक्ति को किराए पर लेना सबसे कठिन है। ये ब्रिजर्स हैं - वे लोग जिन्होंने इन दोनों क्षेत्रों में धाराप्रवाह काम किया है। दुनिया में बहुत कम जगह और लैब हैं जो इस चौराहे पर सही हैं। उन लोगों को प्राप्त करना जो अनुवाद कर सकते हैं और दोनों क्षेत्रों को पाट सकते हैं, बहुत महत्वपूर्ण है। लेकिन आप केवल ब्रिजर्स की कंपनी नहीं बनाना चाहते हैं क्योंकि अक्सर ये लोग एक क्षेत्र या दूसरे के विशेषज्ञ नहीं होते हैं, जो वे करते हैं। वे अक्सर अपनी समझ में अधिक सामान्य होते हैं। हालांकि, वे दोनों क्षेत्रों को एक साथ लाने का महत्वपूर्ण कार्य प्रदान करते हैं।

इसलिए, लोगों के तीनों समूहों का होना महत्वपूर्ण है। यदि आपके पास केवल एक डोमेन विशेषज्ञ विशेषज्ञ है, तो आप केवल एक ही क्षेत्र में मजबूत होंगे। या, यदि आपके पास पुल बनाने वाले नहीं हैं, तो आपके पास ऐसे लोगों की भीड़ है जो एक-दूसरे से बात नहीं कर पाएंगे। इष्टतम रूप से, टीमों को इन तीनों प्रकार के लोगों में से प्रत्येक को एमएल और जीव विज्ञान दोनों की गहरी समझ के साथ-साथ इन दोनों क्षेत्रों के प्रभावी तालमेल प्रदान करने के लिए शामिल करना चाहिए।

क्या आप इस बात में अंतर देखते हैं कि तकनीक या अभिकलन के विशेषज्ञ कैसे समस्याओं पर हमला करते हैं बनाम कैसे जीवविज्ञानी समस्याओं का सामना करते हैं? 

हाँ। एक चरम पर, हमारे पास निश्चित रूप से ऐसे लोग हैं जो सांख्यिकीय और मात्रात्मक पृष्ठभूमि से आते हैं और वे कोड और समीकरणों में बोलते हैं। हमें उन समीकरणों को लेने और इसे स्पष्ट तरीके से समझाने में उनकी मदद करने की ज़रूरत है ताकि आम दर्शक समझ सकें। 

जीवविज्ञानियों के पास बड़ी कल्पना है क्योंकि वे अदृश्य चीजों के साथ काम करते हैं। आणविक रूप से क्या हो रहा है, इसकी कल्पना करने में मदद करने के लिए वे प्रस्तुतियों में बहुत सारे दृष्टांतों का उपयोग करते हैं, और उन्हें तंत्र और जटिलता के बारे में बहुत अंतर्ज्ञान है। इस सोच का एक बहुत अधिक गुणात्मक है। यह सोचने और संवाद करने का एक अलग तरीका प्रदान करता है।

तो, लोग कैसे संवाद करते हैं, यह बहुत अलग होगा। कुंजी है - हम मजाक में कहते हैं - हमें इस तरह से संवाद करने की ज़रूरत है कि आपकी दादी भी समझ सकें। 

इसे सरल बनाने में सक्षम होने के लिए आपके ज्ञान की सच्ची महारत की आवश्यकता है ताकि एक नौसिखिया भी समझ सके। मुझे लगता है कि किसी के लिए सामान्य शॉर्टकट, शब्दजाल और तकनीकी भाषा के बाहर बहुत कठिन अवधारणाओं को संप्रेषित करना सीखना वास्तव में बहुत अच्छा प्रशिक्षण है।

मशीन लर्निंग और बायोलॉजी से शादी करने के बारे में आपके विशेष दृष्टिकोण ने क्या प्रेरित किया है?

तो, समस्या नई नहीं है, बल्कि एक पुरानी समस्या का नवीनतम पुनरावृत्ति है। जब के खेतों कम्प्यूटेशनल जीव विज्ञान और जैव सूचना विज्ञान पहले बनाए गए थे, वही समस्या मौजूद थी। कंप्यूटर वैज्ञानिक, सांख्यिकीविद, डेटा वैज्ञानिक, या यहां तक ​​कि भौतिक विज्ञानी जीव विज्ञान के क्षेत्र में शामिल हुए और अपनी मात्रात्मक सोच को क्षेत्र में लाया। साथ ही, जीवविज्ञानियों को जीन को अप-विनियमित और डाउन-विनियमित के रूप में चिह्नित करने से परे मॉडलिंग शुरू करना पड़ा, और डेटा को अधिक मात्रात्मक रूप से देखना शुरू करना पड़ा। जैविक डेटा का डिजिटलीकरण अब बड़े पैमाने पर तेजी से बढ़ा है। समस्या अधिक तीव्र और व्यापक है, लेकिन मूलभूत चुनौतियाँ जस की तस बनी हुई हैं।

आप सफलता मेट्रिक्स या लाल झंडे के रूप में क्या देखते हैं जो आपको बताते हैं कि शादी काम कर रही है या नहीं?

यदि आप उन कंपनियों को देखते हैं जो क्षेत्रों को संयोजित करने का प्रयास कर रही हैं, तो आप बहुत जल्दी देख सकते हैं कि वे एक तरफ या दूसरे में कितना निवेश करते हैं। इसलिए, अगर यह एक ऐसी कंपनी है जहां 90% लोग प्रयोगशाला वैज्ञानिक हैं, और फिर उन्होंने सिर्फ एक या दो मशीन सीखने वाले वैज्ञानिकों को काम पर रखा है और वे खुद को एक एमएल कंपनी कह रहे हैं, तो शायद यह एक बाद की बात है।

क्या बायोलॉजी और मशीन लर्निंग से शादी करने की इस पूरी प्रक्रिया में एक टेक-होम सबक है जो आपने सीखा है?

मुझे लगता है कि बौद्धिक विनम्रता, विशेष रूप से तकनीकी पक्ष से आ रही है। उदाहरण के लिए, खोज के लिए समाधान जैसी किसी चीज़ के साथ, सभी जानकारी पहले से ही एक टेक्स्ट रूप में होती है जिसे आप आसानी से एक्सेस कर सकते हैं, और आप जानते हैं कि आप क्या खोज रहे हैं। तो, यह एक हल करने योग्य समस्या बन जाती है, है ना? जीव विज्ञान के साथ समस्या यह है कि हम यह भी नहीं जानते कि हम कौन से डेटासेट की तलाश कर रहे हैं, क्या हमारे पास सही क्षेत्रों पर चमकने के लिए सही टॉर्च भी है। 

इसलिए, कभी-कभी जब तकनीकी विशेषज्ञ जैव में कूदते हैं तो वे अतिसरलीकरण के जाल में पड़ जाते हैं। मान लीजिए, एक उदाहरण के रूप में, अगली पीढ़ी के अनुक्रमण के लिए वे कह सकते हैं, “वाह। हम डीएनए अनुक्रम कर सकते हैं। हम बहुत सारे और बहुत सारे डीएनए का अनुक्रम क्यों नहीं करते? यह एक डेटा समस्या बन जाती है, और फिर हम जीव विज्ञान को हल करते हैं।" 

लेकिन समस्या यह है कि डीएनए शरीर के दर्जनों विभिन्न विश्लेषणों में से एक है। आरएनए, प्रोटीन है,अनुवाद के बाद के संशोधन, अलग-अलग डिब्बे जैसे बाह्य कोशिकीय पुटिका, और समय, स्थान, कोशिका प्रकार में अंतर, दूसरों के बीच में। हमें संभावनाओं के साथ-साथ हमारे द्वारा उपयोग किए जाने वाले प्रत्येक डेटा तौर-तरीके की सीमाओं को समझने की आवश्यकता है।

हालांकि यह विश्वास करना कठिन हो सकता है, जीव विज्ञान अभी भी अपनी प्रारंभिक अवस्था में एक क्षेत्र है। हमने अभी एक मानव जीनोम अनुक्रमित दो दशक से थोड़ा अधिक पहले। अधिकांश समय, हम व्यक्तिगत जैविक संकेतों तक नहीं पहुंच सकते हैं, इसलिए हम अभी भी ऐसे माप ले रहे हैं जो बहुत सारे संकेतों में एक समूह या औसत हैं। हम एक बार में एक सेल को मापना शुरू कर रहे हैं। अभी भी बहुत कुछ करना बाकी है और यही कारण है कि जीव विज्ञान में जाने का यह एक रोमांचक समय है। 

लेकिन उस शैशवावस्था के साथ उन समस्याओं को हल करने की काफी संभावनाएं आती हैं जिनका मानव स्वास्थ्य और भलाई पर भारी प्रभाव पड़ेगा। यह बहुत ही अद्भुत समय है क्योंकि हम जीव विज्ञान के नए मोर्चे खोल रहे हैं।

किस प्रकार की सीमाएँ? क्या जीव विज्ञान या चिकित्सा का कोई क्षेत्र है जहाँ आप गणना को लागू होते देखने के लिए सबसे अधिक उत्साहित हैं?

हाँ - सब कुछ! लेकिन मुझे सोचने दो। कैंसर में, मेरा मानना ​​है कि हमारी पीढ़ी के भीतर जो नई चिकित्सा और शुरुआती पहचान के प्रयास सामने आ रहे हैं, वे कैंसर को एक पुरानी बीमारी में बदल देंगे, जो अब इतना डरावना नहीं है, जैसा कि हमने एचआईवी के लिए किया है। और हम शायद बीमारी का पता लगाने और रोकथाम को अधिक सामान्य रूप से देखने के लिए बहुत समान प्रकार के तरीकों का उपयोग कर सकते हैं। मैं जिस महत्वपूर्ण चीज को लेकर उत्साहित हूं, वह यह है कि हम यह पता लगाना शुरू कर सकते हैं कि क्या रोग पहले से ही लक्षणों से पहले है। 

कैंसर निदान के अलावा, जो वास्तव में अच्छा है वह है केवल पढ़ने और लिखने के बजाय जीव विज्ञान के साथ निर्माण करना। मैं सिंथेटिक जीव विज्ञान के क्षेत्रों के बारे में उत्साहित हूं जहां हम जीव विज्ञान का उपयोग एक तकनीक के रूप में कर रहे हैं, चाहे वह सीआरआईएसपीआर हो या सिंथेटिक पेप्टाइड्स या सिंथेटिक न्यूक्लियोटाइड। एक उपकरण के रूप में जीव विज्ञान का लाभ उठाने से पारंपरिक संसाधन पैदा करने वाले उद्योगों को कृषि से ऊर्जा में पूरी तरह से बदलने की व्यापक संभावनाएं पैदा होती हैं। जीवविज्ञानी होने के लिए यह वास्तव में एक अद्भुत समय है!

5 अक्टूबर 2022 को पोस्ट किया गया

प्रौद्योगिकी, नवाचार और भविष्य, जैसा कि इसे बनाने वालों ने बताया।

साइन अप करने के लिए धन्यवाद।

स्वागत नोट के लिए अपना इनबॉक्स देखें।

स्पॉट_आईएमजी

नवीनतम खुफिया

स्पॉट_आईएमजी