🧬 biology

Stochastic modeling of long-legged ant A. gracilipes locomotion in laboratory experiments

यह शोध पत्र एक स्टोकेस्टिक मॉडल प्रस्तुत करता है जो प्रयोगशाला ट्रैकिंग डेटा के आधार पर अलग किए गए लंबे पैरों वाले चींटियों (*A. gracilipes*) के संचलन प्रक्षेपवक्र (मूवमेंट ट्राजेक्टरीज़) को सटीक रूप से पुनरुत्पादित और पूर्वानुमानित करने के लिए सक्रिय ब्राउनियन (एक्टिव ब्राउनियन) और रन-एंड-टम्बल दृष्टिकोणों को संयोजित करता है।

मूल लेखक: Jack Featherstone, Anouk Béraud, Meta Virant-Doberlet, Antonio Celani, Mahesh Bandi

प्रकाशित 2026-03-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jack Featherstone, Anouk Béraud, Meta Virant-Doberlet, Antonio Celani, Mahesh Bandi

मूल पेपर CC BY 4.0 (http://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 एक प्रयोगशाला में एक नन्ही, लंबी टांगों वाली चींटी (एक "येलो क्रेजी एंट") को एक छोटे, खाली कमरे में इधर-उधर घूमते हुए देख रहे हैं। नंगी आंखों से देखने पर, ऐसा लगता है जैसे वह बस बेतरतीब ढंग से दौड़ रही है। लेकिन वैज्ञानिकों के लिए, वह छोटी सी चींटी एक जटिल रोबोट है जो एक रहस्यमय आंतरिक प्रोग्राम पर चल रही है।

यह शोध पत्र एक जासूसी कहानी की तरह है जहाँ शोधकर्ता उस आंतरिक प्रोग्राम को रिवर्स-इंजीनियर करने की कोशिश कर रहे हैं। उन्होंने केवल चींटी को देखा ही नहीं; उन्होंने उसे फिल्माया, उसे मापा और यह समझाने के लिए एक गणितीय "नुस्खा" बनाया कि वह वास्तव में कैसे चलती है।

यहाँ उनकी खोज का विवरण दिया गया है, कुछ रोजमर्रा के उपमाओं का उपयोग करते हुए:

1. लक्ष्य: अराजकता के कोड को तोड़ना

चींटियाँ बड़े समूहों में मिलकर काम करने के लिए प्रसिद्ध हैं, लेकिन इस अध्ययन ने अकेली चींटियों पर ध्यान केंद्रित किया। शोधकर्ता जानना चाहते थे: यदि आप एक चींटी को उसके दोस्तों से दूर ले जाएं और एक खाली बॉक्स में रख दें, तो वह निर्णय कैसे लेती है कि उसे कहाँ जाना है?

वे देखना चाहते थे कि क्या चींटी की गति शुद्ध अराजकता थी या क्या वह नियमों के एक छिपे हुए, सरल सेट का पालन करती थी। यदि वे उन नियमों को खोज लेते, तो वे भविष्यवाणी कर सकते थे कि चींटी कैसे चलती है, जिससे हमें यह समझने में मदद मिलती है कि वे भोजन कैसे खोजती हैं या नए क्षेत्रों पर कैसे आक्रमण करती हैं।

2. प्रयोग: "बॉक्स में चींटी"

टीम ने लगभग 100 चींटियों को पकड़ा और उन्हें एक-एक करके एक पारदर्शी प्लास्टिक के बॉक्स (लगभग एक जूते के डिब्बे के आकार का) में रखा। उन्होंने प्रत्येक को 20 मिनट तक फिल्माया।

सेटअप: उन्होंने सुनिश्चित किया कि बॉक्स साफ हो (पुरानी चींटियों की गंध न हो), तापमान एकदम सही हो, और उन्होंने यहाँ तक भी जांचा कि दिन का समय मायने रखता है या नहीं।
परिणाम: चींटियों को इन छोटे बदलावों से कोई फर्क नहीं पड़ा। चाहे वे अकेली हों या पहले अपने दोस्तों के साथ रही हों, या बॉक्स को साबुन से धोया गया हो या नहीं, वे एक ही तरह से चलती रहीं। इससे वैज्ञानिकों को पता चला: चींटी की गति उसके अपने आंतरिक क्लॉक (घड़ी) द्वारा संचालित होती है, न कि बाहरी विकर्षणों द्वारा।

3. खोज: "रन-एंड-टम्बल" नृत्य

जब उन्होंने वीडियो का विश्लेषण किया, तो उन्होंने पाया कि चींटी की गति यादृच्छिक (रैंडम) नहीं थी। यह एक विशिष्ट पैटर्न का पालन करती है जिसे वे "रन-एंड-टम्बल" (दौड़ना और लुढ़कना) कहते हैं।

इसे "पॉज बटन के साथ पिनबॉल" के खेल की तरह समझें:

दौड़ (The Run): चींटी एक दिशा चुनती है और एक सीधी रेखा में तेजी से चलती है (जैसे पिनबॉल एक बंपर से टकराता है)। वह तब तक चलती रहती है जब तक कि वह ऊब नहीं जाती या भ्रमित नहीं हो जाती।
लुढ़कना (The Tumble): अचानक, वह रुक जाती है। वह थोड़ी देर के लिए "सोचने" (या हवा को महसूस करने) के लिए रुक सकती है, और फिर वह घूमती है और एक नया यादृच्छिक दिशा चुनती है।
दीवार से सटकर चलना (The Wall Hug): यदि चींटी बॉक्स के किनारे से टकराती है, तो वह रबर की गेंद की तरह टकराकर वापस नहीं आती। वह किनारे का पीछा करते हुए अपने शरीर को घुमाकर दीवार के साथ चलती है, जैसे कोई व्यक्ति गलियारे में दीवार से सटकर चलता है।

4. "सीक्रेट सॉस": तीन सामग्रियां

शोधकर्ताओं ने महसूस किया कि वे केवल तीन सरल सामग्रियों का उपयोग करके एक कंप्यूटर मॉडल के साथ चींटी की पूरी यात्रा को फिर से बना सकते हैं:

सीधी रेखा (दौड़): चींटी एक स्थिर गति से आगे बढ़ती है।
घूमना (लुढ़कना): हर कुछ सेकंड में, चींटी रुकती है, एक यादृच्छिक दिशा में घूमती है (कभी थोड़ा हिलना, कभी पूरा 180-डिग्री का मोड़), और फिर से शुरू करती है।
विराम (प्रतीक्षा): नई दिशा चुनने से पहले, चींटी अक्सर कुछ देर के लिए स्थिर रहती है। अध्ययन में पाया गया कि ये विराम एक विशिष्ट पैटर्न का पालन करते हैं: छोटे विराम आम हैं, लेकिन लंबे विराम कभी-कभी होते हैं, जैसे कि एक "पावर लॉ" (इसे ऐसे सोचें जैसे कि एक लॉटरी: आप अक्सर छोटे पुरस्कार जीतते हैं, लेकिन बड़े पुरस्कार दुर्लभ होते हैं)।

5. "मैजिक मिरर" (जादुई दर्पण) की उपमा

इस शोध पत्र का सबसे शानदार हिस्सा वह है जो उन्होंने इसके बाद किया। उन्होंने वास्तविक चींटियों से मापे गए नंबरों (वे कितनी तेजी से दौड़ीं, उन्होंने कितनी देर तक प्रतीक्षा की, वे कितना घूमीं) को लिया और उन्हें एक कंप्यूटर में डाल दिया।

फिर कंप्यूटर ने नकली चींटियाँ बनाईं जिनका वास्तविक जीवन में कभी अस्तित्व ही नहीं था।

परिणाम: ये नकली चींटियाँ बिल्कुल वैसी ही दिखती थीं और चलती थीं जैसी असली चींटियाँ थीं।
यह क्यों महत्वपूर्ण है: यह ऐसा ही है जैसे यदि आप एक वास्तविक पक्षी के दिल की धड़कन और पंख फड़फड़ाने की गति को जानकर ठीक वैसा ही दिखने वाला रोबोट बना सकें। यदि कंप्यूटर सिमुलेशन वास्तविक चींटी से मेल खाता है, तो यह साबित करता है कि वैज्ञानिकों ने चींटी के व्यवहार का "सोर्स कोड" खोज लिया है।

6. यह क्यों मायने रखता है?

आप पूछ सकते हैं, "तो क्या हुआ? यह तो सिर्फ एक चींटी है।"

प्रकृति को समझना: यह हमें यह समझने में मदद करता है कि जानवर कैसे अन्वेषण करते हैं। क्या वे बेतरतीब ढंग से भटकते हैं, या उनकी कोई रणनीति होती है? यह चींटी "रुकने और जांचने" की रणनीति का उपयोग करती है, जो एक नए वातावरण में भोजन खोजने के लिए बहुत अच्छी है।
आक्रमण की भविष्यवाणी करना: ये चींटियाँ "आक्रामक" (इनवेसिव) हैं, जिसका अर्थ है कि वे नई जगहों पर कब्जा कर लेती हैं। यदि हम समझते हैं कि वे कैसे चलती हैं, तो हम भविष्यवाणी कर सकते हैं कि वे किसी शहर या जंगल में कितनी तेजी से फैलेंगी।
रोबोटिक्स: इंजीनियर जो छोटे रोबोट बना रहे हैं, वे इन नियमों का उपयोग आपदा क्षेत्रों का पता लगाने या बिना जटिल कैमरों या जीपीएस के जीवित बचे लोगों की तलाश करने वाले रोबोट बनाने के लिए कर सकते हैं।

निचोड़

शोधकर्ताओं ने सिद्ध किया कि भले ही एक चींटी की गति जटिल और अस्त-व्यस्त दिखाई दे, लेकिन वास्तव में यह बहुत सरल, दोहराए जाने वाले ब्लॉकों से बनी है: दौड़ो, रुको, घूमो, दोहराओ।

इन सरल ब्लॉकों को समझकर, उन्होंने चींटी का एक "डिजिटल ट्विन" बनाया जो वास्तविक चींटी की तरह ही व्यवहार करता है। यह हमें याद दिलाता है कि प्रकृति के सबसे जटिल व्यवहार अक्सर आश्चर्यजनक रूप से सरल नियमों से आते हैं।

यहाँ प्रयोगशाला प्रयोगों में लंबी टांगों वाली चींटी A. gracilipes की गतिशीलता के स्टोकेस्टिक मॉडलिंग (stochastic modeling) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यद्यपि चींटियों के सामूहिक व्यवहार और संचार (फेरोमोन-आधारित) का गहन अध्ययन किया गया है, लेकिन अलगाव में व्यक्तिगत नमूनों के संचलन प्रतिमान (movement paradigms) अभी भी कम अध्ययन किए गए विषय हैं। मौजूदा मॉडल अक्सर सरल मेट्रिक्स (जैसे, मीन-स्क्वेर्ड डिस्प्लेसमेंट) पर निर्भर करते हैं या सीमित स्थानों को अलग-अलग "बल्क" (bulk) और "वॉल" (wall) क्षेत्रों के बीच विभाजित खंडित मॉडलों (piecewise models) के रूप में देखते हैं, जिसके लिए जीवों द्वारा सीमाओं को महसूस करने के बारे में धारणाओं की आवश्यकता होती है।

लेखकों का लक्ष्य है:

एक सीमित, विशेषताहीन अरीना (arena) में आक्रामक लंबी टांगों वाली चींटी (Anoplolepis gracilipes) के संचलन सांख्यिकी (locomotion statistics) का लक्षण वर्णन करना।
एक एकीकृत स्टोकेस्टिक मॉडल विकसित करना जो गति की पूरी सीमा (सीधी दौड़ से लेकर पुन: अभिविन्यास और दीवार के साथ संपर्क तक) को कैप्चर कर सके, बिना विभिन्न स्थानिक क्षेत्रों के लिए अलग-अलग शासी समीकरणों (governing equations) पर निर्भर रहे।
गति के अंतर्निहित जनरेटिव तंत्र को समझने के लिए अनुभवजन्य प्रक्षेपवक्र डेटा (empirical trajectory data) और विश्लेषणात्मक भविष्यवाणियों के बीच के अंतर को पाटना।

2. कार्यप्रणाली (Methodology)

प्रायोगिक सेटअप (Experimental Setup)

विषय: ~100 व्यक्तिगत वर्कर नमूने (A. gracilipes के लगभग 5 मिमी लंबे)।
पर्यावरण: एक आयताकार ऐक्रेलिक अरीना (15x21x16.5 सेमी)।
डेटा संग्रह: प्रत्येक चींटी के लिए ~20 मिनट तक 60 Hz पर रिकॉर्ड किए गए वीडियो।
नियंत्रण (Controls): प्रयोगों में पूर्व सामाजिक संपर्क (अलग बनाम समरूप), अरीना स्वच्छता (फेरोमोन हटाना), और दिन के समय को नियंत्रित किया गया। इन नियंत्रण समूहों में कोई महत्वपूर्ण सांख्यिकीय अंतर नहीं पाया गया।
ट्रैकिंग: एक डीप कनवल्शनल न्यूरल नेटवर्क (SLEP) ने द्रव्यमान केंद्र (center of mass) निर्धारित करने के लिए तीन प्रमुख बिंदुओं (सिर, वक्ष, उदर) को ट्रैक किया। शोर को कम करने के लिए प्रक्षेपववृत्तों (trajectories) को विंडोकृत औसत (0.15s विंडो) के माध्यम से स्मूथ किया गया।

स्टोकेस्टिक मॉडलिंग ढांचा (Stochastic Modeling Framework)

लेखक एक रन-एंड-टम्बल (Run-and-Tumble) मॉडल प्रस्तावित करते हैं जिसे एक्टिव ब्राउनियन (Active Brownian) तत्वों और विशिष्ट सीमा स्थितियों (boundary conditions) के साथ संवर्धित किया गया है। गति लैंग्विन समीकरणों (Langevin equations) द्वारा शासित होती है:

स्थानांतरण गति (Translational Motion): $\frac{d\vec{x}}{dt} = v\hat{e}(t)H(t) + \vec{F}_x$ $\frac{d x}{d t} = v \overset{e}{^} (t) H (t) + F_{x}$
- $v$ : निरंतर गति।
- $H(t)$ : एक "वेटिंग फंक्शन" (ठहराव के दौरान 0, अन्यथा 1) जो रुकने और चलने के व्यवहार को मॉडल करता है।
- $\vec{F}_x$ : दीवारों के भीतर प्रवेश को रोकने के लिए सीमाओं पर एक रिजिड बॉडी फोर्स।
घूर्णी गति (Rotational Motion): $\frac{d\theta}{dt} = \sum \Delta\theta_i \delta(t-t_i) + \sqrt{2D_r}\xi(t)H(t) + F_r$ $\frac{d θ}{d t} = \sum Δ θ_{i} δ (t - t_{i}) + 2 D_{r} ξ (t) H (t) + F_{r}$
- टम्बलिंग (Tumbling): पुन: अभिविन्यास की घटनाएं ( $\Delta\theta_i$ ) जो वॉन मिसेस वितरण (चौड़ाई $\sigma$ ) से ली गई हैं।
- घूर्णी विसरण (Rotational Diffusion): पथ वक्रता (path curvature) को मॉडल करने के लिए निरंतर छोटे-कोण उतार-चढ़ाव ( $D_r$ )।
- वेटिंग टाइम्स ( $\gamma_i$ ): दौड़ के बीच के ठहराव जो पावर-लॉ वितरण से लिए गए हैं।
- बाउंड्री टॉर्क ( $F_r$ ): एक टॉर्क जो दीवार के संपर्क में आने पर चींटी को दीवार के स्पर्शरेखीय (tangent) के साथ संरेखित करता है, न कि केवल एक इलास्टिक रिफ्लेक्शन।

डेटा विश्लेषण और विविक्तीकरण (Data Analysis & Discretization)

विविक्तीकरण (Discretization): निरंतर प्रक्षेपववृत्तों को "रन" और "टम्बल" में विभाजित किया गया। एक नया रन तब परिभाषित किया गया जब दौड़ के औसत दिशा और अगली स्थिति के बीच का कोण एक थ्रेशोल्ड ( $\theta_c$ ) से अधिक हो गया या वेग एक थ्रेशोल्ड ( $v_c$ ) से नीचे गिर गया।
पैरामीटर निष्कर्षण: विविक्त डेटा से, लेखकों ने निम्नलिखित के वितरण निकाले:
- टर्न कोण ( $\Delta\theta$ )
- रन का समय ( $\tau$ )
- वेटिंग टाइम ( $\gamma$ )
वैधीकरण (Validation): फोकर-प्लांक फॉर्मूलेशन (जैसे, पर्सिस्टेंस टाइम $\tau_p$ ) से प्राप्त विश्लेषणात्मक अभिव्यक्तियों की तुलना कच्चे प्रक्षेपववृत्तों (अभिविन्यास के ऑटोकोरिलेशन) से गणना किए गए "डायरेक्ट फिट" मानों से की गई।

3. मुख्य योगदान (Key Contributions)

एकीकृत बाउंड्री मॉडल: पिछले खंडित दृष्टिकोणों के विपरीत, यह मॉडल पूरे अरीना के लिए समीकरणों का एक ही सेट उपयोग करता है, जो सीमाओं के साथ बातचीत को संभालने के लिए एक स्थानीय बाउंड्री फोर्स/टॉर्क पेश करता है। यह सीमाओं के दीर्घ-रेंज संवेदी पता लगाने की धारणाओं से बचता है।
हाइब्रिड मोशन मॉडल: एक्टिव ब्राउनियन मोशन (घूर्णी विसरण) के साथ रन-एंड-टम्बल डायनेमिक्स (विशिष्ट पुन: अभिविन्यास + वेटिंग टाइम्स) का एकीकरण, शुद्ध बैलिस्टिक या शुद्ध विसरित मॉडलों की तुलना में कीट संचलन का अधिक यथार्थवादी वर्णन प्रदान करता है।
विश्लेषणात्मक-अनुभवजन्य सहमति: पेपर स्टोकेस्टिक मॉडल से प्राप्त प्रमुख मेट्रिक्स (पर्सिस्टेंस टाइम, वेलोसिटी) के लिए क्लोज्ड-फॉर्म विश्लेषणात्मक अभिव्यक्तियाँ प्रदान करता है और वास्तविक प्रक्षेपववृत्तों से उनके करीबी मिलान को प्रदर्शित करता है।
जनरेटिव सिमुलेशन: मान्य मॉडल चींटी जैसे प्रक्षेपववृत्त का अनुकरण करने की अनुमति देता है जो वास्तविक प्रयोगों में देखे गए जटिल सांख्यिकीय लक्षणों (जैसे, दीवारों के पास मल्टी-मोडल टर्न एंगल वितरण) को पुनरुत्पादित करता है।

4. परिणाम (Results)

स्थानिक अधिभोग (Spatial Occupation): चींटियाँ मजबूत थिगमोटैक्सिस (thigmotaxis) (दीवार का अनुसरण करना) प्रदर्शित करती हैं, जिससे वे सीमाओं के पास अधिकांश समय बिताती हैं। ओरिएंटेशन मैप दिखाते हैं कि चींटियाँ निकटतम दीवार के समानांतर संरेखित होती हैं।
गति शासन (Motion Regimes): मीन स्क्वेर्ड डिस्प्लेसमेंट (MSD) विश्लेषण तीन शासन प्रकट करता है:
1. बैलिस्टिक ( $\langle r^2 \rangle \sim t^2$ ) लघु समय-पैमाने पर।
2. ब्राउनियन ( $\langle r^2 \rangle \sim t$ ) मध्यवर्ती समय-पैमाने पर।
3. फाइनाइट-साइज़ सैचुरेशन (Finite-size saturation) दीर्घ समय-पैमाने पर।
  संक्रमण बिंदु $\sim 1$ सेकंड पर होता है, जो पर्सिस्टेंस टाइम को परिभाषित करता है।
सांख्यिकीय वितरण (Statistical Distributions):
- टर्न कोण: अरीना के केंद्र में, टर्न कोण एक जीरो-सेंटर्ड वॉन मिसेस वितरण ( $\sigma \approx 1.0$ ) का पालन करते हैं। दीवारों के पास, वितरण मल्टी-मोडल ("क्राउन-शेप्ड") हो जाता है, जिसमें दीवार संरेखण के कारण $0^\circ, \pm 90^\circ, \pm 180^\circ$ पर शिखर होते हैं।
- रन का समय: $\sim 1.27$ सेकंड के माध्य के साथ एक एक्सपोनेंशियल वितरण का पालन करता है।
- वेटिंग टाइम: एक पावर-लॉ वितरण ( $P(\gamma) \sim \gamma^{-\alpha}$ ) का पालन करता है जिसका घातांक $\alpha \approx 1.64$ है। यह एक इंटरमिटेंट सर्च रणनीति का सुझाव देता है जहाँ लंबे ठहराव उच्च सूचना एकत्र करने से संबंधित होते हैं।
मॉडल वैधीकरण:
- पर्सिस्टेंस टाइम: "डिस्क्रीट फिट" (मॉडल-आधारित) मीडियन $1.86 $s था, जो "डायरेक्ट फिट" (अनुभवजन्य) मीडियन$ 1.66$s के करीब था।
- वेलोसिटी: मॉडल-व्युत्पन्न वेग ($12.2$ mm/s) डायरेक्ट प्रक्षेपवक्र डेरिवेटिव ($16.3$ mm/s) के साथ संरेखित था।
- सिमुलेशन: फिट किए गए मापदंडकों का उपयोग करके सिम्युलेटेड प्रक्षेपववृत्त ने सफलतापूर्वक "क्राउन-शेप्ड" टर्न एंगल वितरण को पुनरुत्पादित किया, जो बाउंड्री कंडीशन कार्यान्वयन को मान्य करता है।

5. महत्व (Significance)

मूवमेंट इकोलॉजी: यह कार्य सीमित स्थानों में व्यक्तिगत कीट संचलन को समझने के लिए एक मजबूत, न्यूनतम स्टोकेस्टिक ढांचे के रूप में कार्य करता है, जो साधारण स्टेप-साइज़ विश्लेषण से आगे जाता है।
खोज रणनीतियाँ (Search Strategies): पावर-लॉ वेटिंग टाइम वितरण इस परिकल्पना का समर्थन करता है कि चींटियाँ केवल ऊर्जा संरक्षण के लिए नहीं, बल्कि सक्रिय संवेदन और सूचना प्रसंस्करण के लिए ठहराव का उपयोग करती हैं।
भविdt शक्ति (Predictive Power): मॉडल विविध अनुप्रयोगों के लिए व्यक्तिगत प्रक्षेपववृत्तियों के सिमुलेशन को सक्षम बनाता है, जिसमें आक्रामक प्रजातियों के प्रसार की भविष्यवाणी करने से लेकर बायो-इंस्पायर्ड रोबोटिक्स और जटिल वातावरण में खोज एल्गोरिदम को अनुकूलित करना शामिल है।
पद्धतिगत कठोरता (Methodological Rigor): विविक्तीकरण मापदंडों (discretization parameters) का कड़ाई से परीक्षण करके और विश्लेषणात्मक भविष्यवाणियों की जैविक डेटा के साथ तुलना करके, यह अध्ययन स्टोकेस्टिक मॉडलों को जैविक डेटा के विरुद्ध मान्य करने के लिए एक मानक स्थापित करता है।