Emergent topological structure in spontaneous brain-organoid activity
मानव और चूहे के कॉर्टिकल ऑर्गेनॉइड्स के स्वतःस्फूर्त गतिविधि रिकॉर्डिंग पर पर्सिस्टेंट होमोलॉजी (persistent homology) लागू करके, यह अध्ययन प्रदर्शित करता है कि तंत्रिका नेटवर्क (neural networks) मजबूत, गैर-अतिरेकपूर्ण टोपोलॉजिकल लूप संरचनाएं प्रदर्शित करते हैं जो नल मॉडल्स (null models) से काफी ऊपर उभरती हैं और नेटवर्क के आकार के साथ बढ़ती हैं, जो प्रयोगात्मक तंत्रिका डेटा में अंतर्निहित संरचना को हल करने के लिए टोपोलॉजिकल डेटा एनालिसिस को एक उपकरण के रूप में मान्य करती है।
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
विचार का छिपा हुआ आकार
कल्पना कीजिए कि आपका मस्तिष्क एक विशाल, हलचल भरे शहर की तरह है जहाँ लाखों न्यूरॉन्स नागरिक हैं। लंबे समय तक, वैज्ञानिकों को लगा कि इस शहर के काम करने के तरीके को समझने के लिए उन्हें बस यह गिनने की ज़रूरत है कि कितने लोग बात कर रहे हैं और वे कितनी ज़ोर से चिल्ला रहे हैं। लेकिन इसमें एक पेंच है: शहर केवल एक सपाट मानचित्र नहीं है; यह एक जटिल, बहु-परतीय संरचना है जिसमें छिपे हुए सुरंग, लूप और गुप्त कक्ष हैं। यह सिस्टम्स न्यूरोसाइंस (systems neuroscience) का क्षेत्र है, जो यह समझने की कोशिश कर रहा है कि मस्तिष्क अपनी अराजक गतिविधि को सार्थक पैटर्न में कैसे व्यवस्थित करता है।
इसे समझने के लिए, वैज्ञानिक अक्सर टोपोलॉजी (topology) नामक उपकरण का उपयोग करते हैं। टोपोलॉजी को उस "आकार" के अध्ययन के रूप में सोचें जिसे सटीक दूरियों या आकारों की परवाह नहीं है, बल्कि इस बात की परवाह है कि चीजें आपस में कैसे जुड़ी हुई हैं। इस दुनिया में, एक कॉफी मग और एक डोनट वास्तव में एक ही आकार के होते हैं क्योंकि दोनों में ठीक एक छेद होता है। यदि आप मग को खींचते या सिकोड़ते हैं, तो भी वह एक डोनट ही रहता है। वैज्ञानिक इस विचार का उपयोग मस्तिष्क के डेटा को केवल संख्याओं की एक सूची के रूप में नहीं, बल्कि एक ज्यामितीय आकार के रूप में देखने के लिए करते हैं। वे लूप (loops) (जैसे दोस्तों का एक घेरा जो आपस में बात कर रहा हो) और रिक्तियों (voids) (दोस्तों के एक समूह से घिरी खाली जगह) की तलाश कर रहे हैं। बड़ा सवाल हमेशा से यह रहा है: "क्या हम वास्तव में इन आकारों को उन सीमित मस्तिष्क कोशिकाओं के साथ देख सकते हैं जिन्हें हम एक बार में रिकॉर्ड कर सकते हैं, या हमें पैटर्न देखने के लिए लाखों कोशिकाओं को रिकॉर्ड करने की आवश्यकता है?"
ब्रेन-ऑर्गनॉइड डिटेक्टिव स्टोरी
यह शोध पत्र इन ब्रेन ऑर्गेइड्स (brain organoids) का उपयोग करके इस प्रश्न का उत्तर देने के लिए एक जासूसी दृष्टिकोण अपनाता है। ये पूर्ण मस्तिष्क नहीं हैं, बल्कि मानव या चूहे की कोशिकाओं से लैब में उगाए गए मस्तिष्क ऊतकों के छोटे, स्व-व्यवस्थित पिंड हैं। ये मस्तिष्क के कॉर्टेक्स के सूक्ष्म, 3D संस्करणों की तरह हैं जो वास्तविक मस्तिष्क की तरह ही स्वतः बिजली (इलेक्ट्रिसिटी) उत्पन्न करते हैं। शोधकर्ताओं ने एक माइक्रोइलेक्ट्रोड एरे (microelectrode array - MEA) नामक सेंसर के हाई-टेक ग्रिड का उपयोग करके इन ऑर्गेइड्स से विद्युत "स्पाइक्स" को रिकॉर्ड किया। वे एक समय में 26 से 234 व्यक्तिगत न्यूरॉन्स तक को सुनने में सक्षम रहे।
टीम ने इन न्यूरॉन्स के फायरिंग पैटर्न को एक आकार में बदलने के लिए परसिस्टेंट होमोलॉजी (persistent homology) नामक एक गणितीय तकनीक का उपयोग किया। कल्पना कीजिए कि किसी भी दिए गए क्षण में कौन किससे बात कर रहा है, उसका एक स्नैपशॉट लेना। यदि दो न्यूरॉन्स एक साथ फायर करते हैं, तो वे आपस में एक धागे से जुड़ जाते हैं। यदि तीन न्यूरॉन्स एक साथ फायर करते हैं, तो वे एक त्रिभुज बनाते हैं। यदि पूरा समूह कनेक्शन का एक घेरा बनाता है, तो वह एक लूप (loop) है। शोधकर्ताओं ने फिर पूछा: "क्या ये लूप इसलिए मौजूद हैं क्योंकि न्यूरॉन्स संयोग से एक ही समय में फायर कर रहे हैं, या डेटा में कोई वास्तविक, संरचित आकार छिपा हुआ है?"
यह पता लगाने के लिए, उन्होंने एक "नल मॉडल" (null model) बनाया, जो मूल रूप से डेटा का एक नकली संस्करण है। उन्होंने प्रत्येक न्यूरॉन के लिए स्पाइक्स की सटीक संख्या और पूरे समूह के लिए कुल गतिविधि को समान रखा, लेकिन उनके समय (timing) को यादृच्छिक (randomly) रूप से बदल दिया। यह ताश की गड्डी को फेंटने जैसा है ताकि लाल और काले कार्डों की कुल संख्या समान रहे, लेकिन क्रम यादृच्छिक हो जाए। यदि वास्तविक मस्तिष्क डेटा इस शफल किए गए, यादृच्छिक संस्करण की तुलना में अधिक लूप रखता था, तो इसका मतलब होगा कि लूप मस्तिष्क के संगठन की एक वास्तविक विशेषता है, न कि केवल इस बात का संयोग कि न्यूरॉन्स कितनी बार फायर हुए।
उन्हें क्या मिला
परिणाम रोमांचक थे। 18 में से 14 ऑर्गेइड डेटासेट्स में, शोधकर्ताओं ने पाया कि वास्तविक मस्तिष्क गतिविधि में यादृच्छिक, शफल किए गए डेटा की तुलना में काफी अधिक लूप संरचनाएं (गणितीय रूप से "फर्स्ट होमोलॉजी" या H1 कहा जाता है) थीं। इसका अर्थ है कि न्यूरॉन्स केवल यादृच्छिक रूप से फायर नहीं कर रहे थे; वे विशिष्ट, गोलाकार पैटर्न में खुद को व्यवस्थित कर रहे थे।
यहाँ मुख्य खोजें दी गई हैं, जिन्हें सरल रूप में समझाया गया है:
- लूप वास्तविक और सुदृढ़ हैं: लूप केवल एक इत्तेफाक नहीं थे। जब शोधकर्ताओं ने डेटा से 10% न्यूरॉन्स को यादृच्छिक रूप से हटाया, तो लूप काफी हद तक बरकरार रहे। हालाँकि, जब उन्होंने विशेष रूप से उन "स्टार" न्यूरॉन्स को हटाया जो लूप का हिस्सा थे, तो संरचना ढह गई। यह सुझाव देता है कि लूप एक विशिष्ट, गैर-अतिरेक (non-redundant) कोर समूह के न्यूरॉन्स पर निर्भर करते हैं, न कि इस तरह फैले हुए हैं जहाँ कोई भी न्यूरॉन काम कर सके।
- आकार मायने रखता है: जितने अधिक न्यूरॉन्स रिकॉर्ड किए गए, आकार उतना ही समृद्ध होता गया। छोटे समूहों (लगभग 26 न्यूरॉन्स) में, शोर (noise) से ऊपर किसी भी आकार को देखना कठिन था। लेकिन जैसे-जैसे न्यूरॉन्स की संख्या बढ़ी, लूप अधिक स्पष्ट होते गए। दिलचस्प बात यह है कि सबसे बड़े नेटवर्क (जिनमें 119 से अधिक न्यूरॉन्स थे) में, उन्होंने रिक्तियां (voids) (गणितीय रूप से "सेकंड होमोलॉजी" या H2 कहा जाता है) देखना शुरू कर दिया। एक रिक्तता को न्यूरॉन्स के बुलबुले के भीतर एक खोखली जगह के रूप में सोचें। ये 3D जैसी खाली जगहें तभी दिखाई दीं जब नेटवर्क इतना बड़ा था कि उन्हें सहारा दे सके।
- यह केवल सेंसर नहीं है: इस तरह के शोध में एक बड़ी चिंता यह होती है कि आकार केवल सेंसर के कारण होने वाला एक आर्टिफैक्ट (artifact) हो सकता है। उदाहरण के लिए, यदि सेंसर एक घेरे में व्यवस्थित हैं, तो शायद डेटा केवल एक घेरा जैसा दिखेगा। शोधकर्ताओं ने सेंसरों के बीच भौतिक दूरी को देखकर इसकी जाँच की। उन्होंने पाया कि कुछ मामलों में, लूपों का सेंसरों की निकटता से कोई लेना-देना नहीं था; लूप पूरी तरह से इस बारे में थे कि न्यूरॉन्स कैसे संवाद कर रहे थे। अन्य मामलों में, दूरी ने भूमिका निभाई, लेकिन समग्र संरचना अभी भी मस्तिष्क की गतिविधि की एक वास्तविक विशेषता थी, न कि रिकॉर्डिंग उपकरण का कोई छल।
यह क्यों महत्वपूर्ण है
यह शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि ये आकार केवल उच्च दर पर फायर करने वाले न्यूरॉन्स के कारण होने वाला यादृच्छिक शोर हैं। वास्तविक डेटा की तुलना शफल किए गए "नल" डेटा से करके, उन्होंने साबित कर दिया कि लूप और रिक्तियां मस्तिष्क की गतिविधि में निहित एक संरचित टोपोलॉजी (structured topology) हैं। उन्होंने यह भी दिखाया कि आपको यह देखने के लिए लाखों न्यूरॉन्स रिकॉर्ड करने की आवश्यकता नहीं है; केवल कुछ सौ (वर्तमान प्रयोगों के पैमाने) के साथ भी, ये जटिल आकार पता लगाने योग्य हैं।
लेखक सावधानीपूर्वक नोट करते हैं कि हालांकि उन्होंने ये संरचनाएं पाई हैं, वे केवल शुरुआत हैं। जो लूप उन्होंने पाए हैं, वे एक सीढ़ी के पहले पायदान हैं; रिक्तियां अगला कदम हैं। उनका सुझाव है कि यदि हम और भी उच्च रिज़ॉल्यूशन के साथ 3D में रिकॉर्ड कर सकें, तो हम और भी अधिक जटिल आकार देख सकते हैं। लेकिन फिलहाल, यह अध्ययन पुष्टि करता है कि परसिस्टेंट होमोलॉजी (persistent homology) हमारे पास मौजूद डेटा के लिए एक उपयोगी उपकरण है। यह दिखाता है कि इन छोटे, स्व-व्यवस्थित मस्तिष्क पिंडों में भी, न्यूरॉन्स गतिविधि के जटिल, ज्यामितीय आर्किटेक्चर बना रहे हैं जो साधारण "ऑन" और "ऑफ" संकेतों से कहीं आगे जाते हैं। मस्तिष्क, यहाँ तक कि एक पेट्री डिश में भी, आकार बना रहा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।