பைத்தானுடன் உயிரியல் தரவு பகுப்பாய்வு அடிப்படைகள்

ஆதாயங்கள்:

• செயற்கை நுண்ணறிவுக்கு உயிரியல் தரவைப் படித்து சுத்தம் செய்யும் குறியீட்டை எழுதுவதன் மூலம் தீர்மானிக்கும் வெளியீட்டை நம்பும் திறன் மற்றும் அதையே பாண்டாஸ், நம்பி மற்றும் பயோபிதான் மூலம் இயக்குகிறது.
• ஒரு சிறிய சூழ்நிலையுடன் குறியீட்டைச் சோதிப்பதன் மூலம் 'தவறான குறியீடு பிழைகள் இல்லாமல் வேலை செய்யும்' அபாயத்தைத் தவிர்க்க முடியும்.
• பதிப்பு பின்னிங், சீரற்ற விதைப்பு மற்றும் மூல தரவு பாதுகாப்பு பழக்கவழக்கங்களுடன் மீண்டும் மீண்டும் செய்யக்கூடிய பகுப்பாய்வை நிறுவும் திறன்

நவீன உயிரியலின் மொழி பெருகிய முறையில் பைத்தானாக மாறுகிறது. லேப் நோட்புக்கில் கைமுறையாகச் செயலாக்குவது இப்போது வினாடிக்கு பல்லாயிரக்கணக்கான டேபிள்களின் குறியீடு செயலாக்க வரிகளாக மாறுகிறது. இந்த யூனிட்டில், உங்கள் உயிரியல் தரவைப் படிக்கும், சுத்தப்படுத்தும் மற்றும் சுருக்கமான பைதான் குறியீட்டை அச்சிடும் இணை புரோகிராமராக AI ஐப் பயன்படுத்த கற்றுக்கொள்வோம். முக்கியமான விஷயம் என்னவென்றால், செயற்கை நுண்ணறிவுக்கு குறியீட்டை எழுதி, அதை நீங்களே இயக்கி முடிவை சரிபார்க்கவும்; ஏனென்றால், இது மாதிரியின் வாய்மொழிக் கணிப்பைச் சார்ந்து இல்லை, ஆனால் குறியீட்டின் நிர்ணயமான (ஒவ்வொரு ஓட்டத்திலும் ஒரே முடிவை வழங்கும்) வெளியீட்டை நம்பியிருக்கிறது.

இந்த யூனிட்டில் குறியிடுவது எப்படி என்று உங்களுக்குத் தெரிய வேண்டியதில்லை; நோக்கத்தை சரியாக வெளிப்படுத்தவும், வெளியீட்டை வழங்கவும் நீங்கள் கற்றுக் கொள்வீர்கள்.

ஏன் பைதான் மற்றும் எந்த நூலகங்கள்?

உயிரியலில் அதிகம் பயன்படுத்தப்படும் பைதான் நூலகங்கள் (நூலகம்: ஆயத்த செயல்பாடுகளின் தொகுப்பு):

• pandas: அட்டவணை தரவைப் படிக்க (CSV, Excel) மற்றும் வரிசை-நெடுவரிசை செயல்பாடுகளைச் செய்ய. மரபணு வெளிப்பாடு அட்டவணையை வடிகட்ட, குழுவாக்க, ஒன்றிணைப்பதற்கான அடிப்படைக் கருவி.
• NumPy: எண் வரிசைகள் மற்றும் மேட்ரிக்ஸ் செயல்பாடுகளுக்கு; இது பாண்டாக்களின் கீழ் இயங்குகிறது.
• Biopython: டிஎன்ஏ/ஆர்என்ஏ/புரோட்டீன் வரிசைகளுடன் பணிபுரிய, ஃபாஸ்டா கோப்புகளைப் படிக்க, மொழிபெயர்ப்பு (டிஎன்ஏவை புரதமாக மொழிபெயர்ப்பது).
• matplotlib / seaborn: சதித்திட்டத்திற்கு.
• SciPy/statsmodels: புள்ளியியல் சோதனைகளுக்கு.

செயற்கை நுண்ணறிவுக்கு இந்த நூலகங்கள் நன்றாகவே தெரியும். எந்த நூலகத்தில் நீங்கள் என்ன செய்ய விரும்புகிறீர்கள் என்பதைத் தெளிவாகக் கூறுவதும் உருவாக்கப்பட்ட குறியீட்டை இயக்கிச் சரிபார்ப்பதும் உங்கள் வேலை.

குறிப்பு: மாதிரியானது சில சமயங்களில் இல்லாத நூலகச் செயல்பாட்டை "மேக் அப்" (மாயத்தோற்றம்) செய்யலாம். குறியீடு பிழையைக் கொடுத்தால், பீதி அடைய வேண்டாம்; வழக்கமாக மாதிரியில் பிழையை மீண்டும் ஒட்டுவது அதை சரிசெய்கிறது. அது இன்னும் வேலை செய்யவில்லை என்றால், அதிகாரப்பூர்வ ஆவணத்தை சரிபார்க்கவும்.

படிப்படியாக: எண்ணும் அட்டவணையை சுத்தம் செய்தல்

உங்களிடம் counts.csv உள்ளது என்று வைத்துக் கொள்வோம்: வரிசைகள் மரபணுக்கள், நெடுவரிசைகள் மாதிரிகள், செல்கள் மூல வாசிப்பு எண்ணிக்கைகள். வழக்கமான முதல் படிகள்:

1. ஏற்றுகிறது: பாண்டாக்களுடன் அட்டவணையைப் படியுங்கள்.
2. கண்டுபிடிப்பு: அளவை சரிபார்க்கவும் (எத்தனை மரபணுக்கள், எத்தனை மாதிரிகள்), விடுபட்ட மதிப்புகள், நகல் மரபணு பெயர்கள்.
3. வடிகட்டுதல்: எந்த மாதிரியிலும் படிக்கப்படாத மரபணுக்களை நிராகரிக்கவும் (மொத்த எண்ணிக்கை 0); இவை சத்தம்.
4. சுருக்கம்: ஒரு மாதிரியின் மொத்த வாசிப்புகளின் எண்ணிக்கையைக் கணக்கிடுக (நூலக அளவு); மிகவும் குறைவாக உள்ள மாதிரி தோல்வியடைந்திருக்கலாம்.

செயற்கை நுண்ணறிவுக்கு நீங்கள் இந்த பணிப்பாய்வுகளை அவுட்சோர்ஸ் செய்யலாம்:

பங்கு: நீங்கள் ஒரு பைதான் உதவியாளர், உயிர் தகவலியலில் கவனம் செலுத்துகிறீர்கள். பணி: பாண்டாக்களுடன் counts.csv கோப்பைப் படிக்கவும். தரவு: வரிசைகள் மரபணு (index=gene_id), நெடுவரிசைகள் 24 மாதிரிகள், மதிப்புகள் முழு எண் மூல எண்ணிக்கைகள். எனக்கு வேண்டும்: (1) அளவை அச்சிடவும், (2) படிக்காத மரபணுக்களை நிராகரிக்கவும், (3) ஒரு மாதிரியின் மொத்த வாசிப்புகளை பார் வரைபடத்தில் காட்டவும். ஒவ்வொரு வரியிலும் குறுகிய துருக்கிய கருத்துகளைச் சேர்க்கவும். வேலை செய்யும் குறியீட்டை மட்டும் கொடுங்கள்.

மாதிரி குறியீட்டை உருவாக்குகிறது; நீ அதை இயக்கு. வெளியீட்டில் 24 நெடுவரிசைகள் மற்றும் நியாயமான எண்ணிக்கையிலான மரபணுக்கள் (எ.கா. 15,000-25,000) இருந்தால், நீங்கள் பாதையில் இருக்கிறீர்கள். ஒரு மாதிரி மற்றவற்றை விட பத்தில் ஒரு பங்கைக் கொண்டிருந்தால், அந்த மாதிரியை எழுதுங்கள்.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 — காணாமல் போன மதிப்பு பொறி: ஒரு மாணவர் 30-மாதிரி வளர்சிதை மாற்ற அட்டவணையில் சராசரியாக கணக்கிடப்பட்டுள்ளார்; முடிவு அபத்தமானது. சிக்கல்: விடுபட்ட செல்கள் NaNக்கு பதிலாக "ND" என்ற உரையால் நிரப்பப்பட்டன (எண் அல்ல), எனவே நெடுவரிசை உரையாக வாசிக்கப்பட்டது. "ND மதிப்புகளை NaN ஐ உருவாக்கவும் மற்றும் நெடுவரிசையை எண்களாக மாற்றவும்" என்று நான் செயற்கை நுண்ணறிவைச் செய்தபோது அது சரி செய்யப்பட்டது. பாடம்: எப்போதும் மூலத் தரவை முதலில் ஆராயுங்கள்.

வழக்கு 2 — ஒன்றிணைப்பு பிழை: ஒரு ஆராய்ச்சியாளர் இரண்டு அட்டவணைகளை (வெளிப்பாடு மற்றும் மரபணு சிறுகுறிப்பு) ஒன்றிணைத்தார், ஆனால் 2,000 மரபணுக்கள் தொலைந்துவிட்டன. காரணம்: ஒரு அட்டவணையில் ஐடிகள் "ENSG00000141510", மற்றொன்றில் "ENSG00000141510.14" (பதிப்பு எண்ணுடன்) இருந்தன. பதிப்பு எண்ணை அழிக்கும் ஒற்றை வரி குறியீட்டை மாடல் எழுதினார்; இழப்பு 40 மரபணுக்களாக குறைக்கப்பட்டது. பாடம்: ஐடி வடிவங்களை ஒன்றிணைக்கும் முன் அவற்றை சீரமைக்கவும்.

வழக்கு 3 — அமைதியான தரவு இழப்பு: வடிகட்டலுக்குப் பிறகு, மரபணுக்களின் எண்ணிக்கை 22,000 இலிருந்து 8,000 ஆகக் குறைந்ததை ஒரு தொழில்நுட்ப வல்லுநர் கவனிக்கவில்லை; வாசல் தவறாக அமைக்கப்பட்டது (>ஒவ்வொரு மாதிரியிலும் > 10 அளவீடுகளுக்குப் பதிலாக மொத்தம் 10). அறியப்பட்ட மரபணு (ஹவுஸ் கீப்பிங் ஜீன்: ஒவ்வொரு கலத்திலும் தொடர்ந்து வெளிப்படுத்தப்படும் GAPDH போன்ற மரபணுக்கள்) இறுதியில் காணவில்லை. பாடம்: வடிகட்டலுக்குப் பின் "இருக்க வேண்டும்" மரபணுவைச் சரிபார்க்கவும்.

தெரிந்த சூழ்நிலையுடன் சோதனை செய்தல் (மிக முக்கியமான பழக்கம்)

செயற்கை நுண்ணறிவால் எழுதப்பட்ட குறியீட்டின் துல்லியத்தை நம்புவதற்கான உறுதியான வழி, அதை ஒரு சிறிய மாதிரி மூலம் சோதிப்பதாகும், அதன் முடிவு உங்களுக்கு முன்பே தெரியும். உதாரணமாக, 5 வரிசைகள் கொண்ட போலி அட்டவணையை கொடுங்கள்; மொத்தத்தை கைமுறையாக கணக்கிடுங்கள்; குறியீடு அதே முடிவைக் கொடுக்கிறதா என்பதைப் பார்க்கவும்.

நீங்கள் எழுதிய வடிகட்டுதல் குறியீட்டில் ஒரு சோதனையைச் சேர்க்கவும்: 5 மரபணுக்கள், 3 மாதிரிகள் அடங்கிய சிறிய டேட்டாஃப்ரேமை உருவாக்கவும், வேண்டுமென்றே 2 மரபணுக்களை பூஜ்ஜியமாக அமைக்கவும், வடிகட்டி இந்த 2 மரபணுக்களை சரியாக நிராகரிக்கிறது என்பதை உறுதிப்படுத்தவும். சோதனையை செயல்படுத்தக்கூடியதாக ஆக்குங்கள்.

குறியீடு எதிர்பார்க்கப்படும் நடத்தையிலிருந்து விலகினால், உறுதிப்படுத்தல் உங்களை எச்சரிக்கிறது. இது "அமைதியான தவறான முடிவு" என்ற அபாயத்திற்கு எதிரான வலுவான கவசமாகும்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமானது: "எனது விளக்கப்படத்தை சுத்தம் செய்."

சக்தி வாய்ந்தது: "counts.csv: வரிசைகள் மரபணு (gene_id இன்டெக்ஸ்), 24 நெடுவரிசைகள் மாதிரி, மதிப்புகள் மூல முழு எண். பின்வருவனவற்றைச் செய்யுங்கள்: விடுபட்ட மதிப்புகளைப் புகாரளிக்கவும், அனைத்து மாதிரிகள் முழுவதும் 0 ஆக இருக்கும் மரபணுக்களை நிராகரிக்கவும், ஒவ்வொரு மாதிரிக்கும் மொத்த வாசிப்புகளை அச்சிடவும், வடிகட்டிக்கு முன்/பின் மரபணு எண்ணிக்கையை ஒப்பிடவும். வேலை செய்யும், கருத்து தெரிவித்த பைதான் குறியீட்டைக் கொடுங்கள்."

வேறுபாடு: வலுவான வரியில் தரவு அமைப்பு, படிகள் மற்றும் சரிபார்ப்பு வெளியீடு (ஒப்பிடுவதற்கு முன்/பின்) ஆகியவற்றைக் குறிப்பிடுகிறது. மாதிரி யூகிக்க வேண்டியதில்லை.

ஒப்பீட்டு விளக்கப்படம்: AI அல்லது கையேடு?

பரிவர்த்தனை

செயற்கை நுண்ணறிவுக்கு அச்சிடவும்

அதை நீங்களே சரிபார்க்கவும்

CSV வாசிப்பு, வடிவமைப்பு மாற்றம்

ஆம்

அளவு மற்றும் வகைகளை சரிபார்க்கவும்

வடிகட்டுதல், தொகுத்தல்

ஆம்

முன்/பின் எண்ணுங்கள்

புள்ளியியல் சோதனை

ஆம் (குறியீடு)

அனுமானங்களை உறுதிப்படுத்தவும் மற்றும் சோதனை செய்யவும்

"எத்தனை வரிகள் உள்ளன?"

இல்லை (குறியீடு எண்ணட்டும்)

வெளியீட்டைப் படிக்கவும்

முடிவின் உயிரியல் பொருள்

ஓரளவு

நிபுணர் கருத்து தேவை

பொதுவான தவறுகள்

• மாதிரி உற்பத்தி செய்யும் எண்ணை நம்பி: "சராசரி வெளிப்பாடு என்ன?" குறியீட்டைக் கேட்கவும், மாதிரியை அல்ல.
• தரவு வகைகளைச் சரிபார்க்கவில்லை: உரையைப் போன்று படிக்கப்பட்ட எண்களின் நெடுவரிசைகள் தவறான முடிவுகளை அமைதியாகத் தரும்.
• பிந்தைய வடிப்பானைச் சரிபார்க்கவில்லை: எதிர்பார்க்கப்படும் மரபணு இன்னும் இருக்கிறதா என்று சரிபார்க்கவும்.
• சீரற்ற தன்மையின் விதையை மறத்தல்: சீரற்ற செயல்பாடுகளைக் கொண்ட குறியீட்டில் விதை நிலைப்படுத்தப்படவில்லை என்றால், ஒவ்வொரு முறையும் முடிவு மாறுகிறது; மீண்டும் மீண்டும் திறன் குறைபாடு உள்ளது.
• குறியீட்டைப் படிக்காமல் இயக்குதல்: குறைந்தபட்சம் கருத்துகளைப் படித்து தர்க்கத்தைப் பின்பற்றவும்.

கவனம்: குறியீடு செயல்படுவதால் குறியீடு சரியானது என்று அர்த்தமல்ல. "பிழைகள் இல்லாமல் செயல்படும் தவறான குறியீடு" என்பது உயிரியலில் மிகவும் ஆபத்தான சூழ்நிலை; ஏனெனில் தவறான முடிவு அமைதியாக உருவாக்கப்படுகிறது. தெரிந்த நிலையில் சோதனை செய்வது இந்த ஆபத்தை நீக்குகிறது.

மறுஉருவாக்கம்: குறியீட்டின் அறிவியல் மதிப்பு

உயிரியலில், ஒரு முடிவின் விஞ்ஞான மதிப்பு, அதை இனப்பெருக்கம் செய்யும் மற்றவர்களின் (மற்றும் உங்கள் எதிர்கால சுயம்) திறனைப் பொறுத்தது. கையேடு அட்டவணை செயல்பாடுகள் பதிவு செய்யப்படவில்லை; எந்த செல் மாறுகிறது, எப்படி மாறுகிறது என்பது யாருக்கும் தெரியாது. குறியீடு ஒவ்வொரு அடியையும் ஆவணப்படுத்துகிறது. எனவே, செயற்கை நுண்ணறிவுடன் நீங்கள் உருவாக்கும் பகுப்பாய்வை ஒரு முறைப் பெட்டியாக இல்லாமல் சேமிக்கப்பட்ட மற்றும் பகிரப்பட்ட பதிவாகக் கருதுங்கள்.

மீண்டும் மீண்டும் செய்யக்கூடிய பகுப்பாய்விற்கு மூன்று பழக்கங்கள் முக்கியம். முதலாவது பதிப்பு பின்னிங்: நீங்கள் எந்த நூலகப் பதிப்பைப் பயன்படுத்துகிறீர்கள் என்பதைக் கவனியுங்கள் (எ.கா. பாண்டாஸ் 2.2); வெவ்வேறு பதிப்பு வெவ்வேறு முடிவுகளைத் தரலாம். இரண்டாவது சீரற்ற தன்மை விதை: சீரற்ற செயல்பாடுகளைக் கொண்ட ஒவ்வொரு குறியீட்டிலும் விதையை சரிசெய்யவும், இதன் விளைவாக ஒவ்வொரு ஓட்டத்திலும் ஒரே மாதிரியாக இருக்கும். மூன்றாவதாக, மூலத் தரவை ஒருபோதும் மாற்ற வேண்டாம்: அசல் கோப்பைத் தொடாதீர்கள், குறியீட்டில் அனைத்து மாற்றங்களையும் செய்யுங்கள், இதனால் அதை மீண்டும் உருட்ட முடியும்.

நீங்கள் எழுதிய பகுப்பாய்வுக் குறியீட்டின் தொடக்கத்தில் பயன்படுத்தப்பட்ட நூலகங்களின் பதிப்புகளை அச்சிடும் வரிகளைச் சேர்க்கவும், சீரற்ற செயல்முறை இருந்தால், விதையை sanp.random.seed(42) மூலம் சரிசெய்யவும். மூல CSV ஐ மாற்றவேண்டாம், எல்லா வெளியீட்டையும் ஒரு தனி கோப்பில் சேமிக்கவும்.

ஜூபிடர் நோட்புக்: பகுப்பாய்வு மற்றும் கதைகளின் கலவை

பயோ-இன்ஃபர்மேட்டிக்ஸில் அதிகம் பயன்படுத்தப்படும் சூழல் Jupyter நோட்புக் (நோட்புக்: ஒரே ஆவணத்தில் குறியீடு, வெளியீடு மற்றும் விளக்கத்தை இணைக்கும் கருவி). AI ஆனது நோட்புக் செல்களுக்கு ஏற்ப குறியீட்டை உருவாக்குவது, ஒவ்வொரு அடியும் மார்க் டவுன் விளக்கத்தால் பிரிக்கப்பட்டு, நீங்களும் உங்கள் சக ஊழியர்களும் பகுப்பாய்வைப் பின்பற்றுவதை எளிதாக்குகிறது. இது பகுப்பாய்வை படிக்கக்கூடிய ஆய்வக குறிப்பேடாக மாற்றுகிறது, "கருப்பு பெட்டி" அல்ல.

உயிரியல் கோப்பு வடிவங்களை அங்கீகரித்தல்

பைதான் மூலம் உயிரியல் தரவை செயலாக்கும் போது, நீங்கள் தொடர்ந்து சில கோப்பு வடிவங்களை சந்திப்பீர்கள். மாதிரியானது கோப்பைச் சரியாகப் படிக்கும் முன், அது எந்த வடிவத்தில் உள்ளது என்பதைத் தெரிந்துகொள்ள வேண்டும்; நீங்கள் வடிவமைப்பை தவறாகப் பெற்றால், நீங்கள் "பிழைகள் இல்லாமல் செயல்படும் தவறான குறியீடு" வலையில் விழுவீர்கள். மிகவும் பொதுவானவை:

வடிவம்

உள்ளடக்கம்

பொருத்தமான வாகனம்

CSV/TSV

அட்டவணை தரவு (வெளிப்பாடு, அளவீடு)

பாண்டாக்கள்

ஃபாஸ்டா (.fa/.fasta)

டிஎன்ஏ/ஆர்என்ஏ/புரத வரிசைகள்

பயோபிதான்

FASTQ (.fq)

Raw sequencing Reads + தரம்

Biopython, தனிப்பயன் கருவிகள்

வி.சி.எஃப்

மாறுபாடு (பிறழ்வு) பட்டியல்

பாண்டாக்கள்/பைசம்

GFF/GTF

மரபணு சிறுகுறிப்பு (மரபணு நிலைகள்)

பாண்டாக்கள், gffutils

நீங்கள் ஒரு வடிவமைப்பை அடையாளம் காணவில்லை எனில், முதலில் சில மாதிரி வரிகளைக் காண்பிப்பதன் மூலம் மாதிரியை அடையாளம் காணச் செய்து, பின்னர் படிக்கும் குறியீட்டைக் கேட்கவும்:

கோப்பின் முதல் 5 வரிகளை கீழே தருகிறேன். இது என்ன பயோஃபைல் வடிவம்? நெடுவரிசைகள்/புலங்களின் அர்த்தத்தை விளக்கவும், பின்னர் பைத்தானில் இந்தக் கோப்பைப் பாதுகாப்பாகப் படிக்கும் (வடிவமைப்பு சரிபார்க்கும்) குறியீட்டைக் கொடுங்கள். முதல் 5 வரிகள்: [ஒட்டு]

இந்த அணுகுமுறை முதலில் வடிவத்தின் அனுமானத்திலிருந்து எழும் அமைதியான பிழைகளைத் தடுக்கிறது.

சுருக்கமாக

உயிரியல் தரவுகளுக்கான முக்கிய செயலாக்க மொழி பைதான்; பாண்டாக்கள், NumPy மற்றும் Biopython ஆகியவை அடிப்படை கருவிகள். AI இந்த குறியீட்டை விரைவாக எழுதுகிறது, ஆனால் நீங்கள் அதை இயக்கி சரிபார்க்கவும். மிகவும் முக்கியமான பழக்கம் என்னவென்றால், குறியீட்டை ஒரு சிறிய மாதிரி மூலம் சோதித்து, அதன் முடிவு உங்களுக்குத் தெரியும் மற்றும் உறுதியுடன் குறியீட்டில் எதிர்பார்ப்பை உட்பொதிக்க வேண்டும். நீங்கள் இயக்கும் குறியீட்டின் உறுதியான வெளியீட்டை நம்புங்கள், வாய்மொழி யூகங்கள் அல்ல.

விண்ணப்ப பணி

உங்களிடம் உள்ள CSV அட்டவணையை (அல்லது ஒரு மாதிரி) AI படிக்கும் குறியீட்டை அச்சிடவும், அதன் அளவை அச்சிடவும் மற்றும் வெற்று மரபணுக்களை வடிகட்டவும். பின்னர் 5 வரிகள் போலி தரவுகளுடன் மாதிரியிலிருந்து உறுதியான சோதனையைச் சேர்க்கவும். குறியீட்டை இயக்கவும்; வடிகட்டிக்கு முன்னும் பின்னும் மரபணுக்களின் எண்ணிக்கையைக் கவனியுங்கள். ஹவுஸ் கீப்பிங் மரபணு (எ.கா. GAPDH/ACTB) இன்னும் முடிவில் உள்ளதா எனச் சரிபார்க்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] தரவைச் செயலாக்குவதற்கு முன் அதன் அளவு மற்றும் வகைகளைச் சரிபார்த்தேன்.
• [ ] விடுபட்ட மதிப்புகளை நான் வெளிப்படையாகக் கையாண்டுள்ளேன்.
• [ ] வடிகட்டிக்கு முன்/பின் வரிசைகளின் எண்ணிக்கையை ஒப்பிட்டுப் பார்த்தேன்.
• அறியப்பட்ட நிபந்தனையுடன் உறுதியான சோதனையைச் சேர்த்துள்ளேன்.
• [ ] எண்ணி/கணக்கீட்டை குறியீட்டிற்கு விட்டுவிட்டேன், மாதிரி அல்ல.
• [ ] நான் குறியீட்டின் கருத்துகளைப் படித்து தர்க்கத்தைப் பின்பற்றினேன்.