Trophic structure predicts seizure propagation in brain network models
यह अध्ययन प्रदर्शित करता है कि निर्देशित मस्तिष्क नेटवर्क के विशिष्ट संरचनात्मक गुण, विशेष रूप से ट्रॉफिक कोहेरेंस (trophic coherence) और स्पेक्ट्रल रेडियस (spectral radius), दौरे की प्रवृत्ति (seizure propensity) की महत्वपूर्ण रूप से भविष्यवाणी करते हैं, जो यह सुझाव देता है कि मस्तिष्क की सूचना प्रसंस्करण की समग्र दिशात्मकता मिर्गी के दौरों की संभावना को प्रभावित कर सकती 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
अपने मस्तिष्क की कल्पना एक हलचल भरे, उच्च-तकनीकी शहर के रूप में करें जहाँ अरबों न्यूरॉन्स नागरिक हैं, जो लगातार एक-दूसरे को संदेश भेज रहे हैं। आमतौर पर, यह शहर एक सुचारू, व्यवस्थित यातायात प्रणाली पर चलता है। लेकिन कभी-कभी, अचानक एक अराजक ट्रैफिक जाम उत्पन्न हो सकता है, जहाँ संकेत नियंत्रण से बाहर होकर घूमते रहते हैं और दौरे (सीज़र) का कारण बनते हैं। वैज्ञानिक लंबे समय से जानते हैं कि मिर्गी केवल मस्तिष्क के किसी एक टूटे हुए हिस्से के बारे में नहीं है, बल्कि इस बारे में है कि पूरे कनेक्शन का नेटवर्क कैसे वायर्ड (wired) है। ये विद्युत तूफान क्यों होते हैं, इसे समझने के लिए, शोधकर्ता कंप्यूटर मॉडल—मस्तिष्क नेटवर्क के डिजिटल जुड़वां (डिजिटल ट्विन्स)—का उपयोग विभिन्न वायरिंग पैटर्न का परीक्षण करने के लिए करते हैं। वे उन विशिष्ट "ब्लूप्रिंट्स" की तलाश कर रहे हैं जो एक शहर को ग्रिडलॉक (जाम) के प्रति संवेदनशील बनाते हैं। इन ब्लूप्रिंट्स को देखने में दो प्रमुख विचार मदद करते हैं: साइकिल (cycles), जो ऐसे लूप हैं जहाँ संदेश बार-बार घूम सकते हैं, और पदानुक्रम (hierarchy), जो एक वन-वे स्ट्रीट सिस्टम की तरह है जहाँ सूचना का प्रवाह सख्ती से ऊपर से नीचे की ओर होता है। बड़ा सवाल यह है: क्या इन लूप्स और सड़कों का विन्यास मस्तिष्क को दौरे के प्रति अधिक प्रवण बनाता है?
इस अध्ययन में, यूनिवर्सिटी ऑफ बर्मिंघम और लैंकेस्टर यूनिवर्सिटी की एक टीम ने यह देखने के लिए मस्तिष्क नेटवर्क के डिजिटल मॉडल बनाए कि विभिन्न वायरिंग पैटर्न दौरे की संभावना को कैसे प्रभावित करते हैं। उन्होंने केवल कनेक्शनों की संख्या को नहीं देखा; उन्होंने नेटवर्क के आकार को देखा। उन्होंने परीक्षण किया कि न्यूरॉन्स एक-दूसरे से बात करने के दो मुख्य तरीकों का उपयोग कर सकते थे: एडिटिव कपलिंग (additive coupling) (जहाँ एक न्यूरॉन बस दूसरे के सिग्नल में अपना सिग्नल जोड़ देता है, जैसे भीड़ में चिल्लाना) और डिफ्यूसिव कपलिंग (diffusive coupling) (जहाँ न्यूरॉन्स एक-दूसरे के संकेतों से मेल खाने की कोशिश करते हैं, जैसे पड़ोसी वॉल्यूम पर सहमत होने की कोशिश कर रहे हों)। उन्होंने हजारों आभासी नेटवर्क बनाए, कुछ छोटे (20 नोड्स, एक मानक EEG रिकॉर्डिंग की तरह) और कुछ बड़े (128 नोड्स, एक अधिक विस्तृत मानचित्र), और यह देखा कि एक सिम्युलेटेड दौरा कितनी बार शुरू होता और फैलता है।
शोधकर्ताओं ने पाया कि नेटवर्क की वायरिंग का "व्यक्तित्व" दौरे के जोखिम का एक बड़ा भविष्यवक्ता है। उन्होंने पाया कि जिन नेटवर्क में उच्च ट्रोफिक इनकोहेरेंस (high trophic incoherence) होता है, उनमें दौरे पड़ने की संभावना बहुत अधिक होती है। इस उदाहरण का उपयोग करने के लिए, कल्पना करें कि एक पूरी तरह से पदानुक्रमित (hierarchical) शहर है जहाँ हर सड़क सख्ती से ऊपर की ओर जाती है। ऐसे शहर में, एक संदेश लूप में नहीं फंस सकता क्योंकि यह केवल एक दिशा में जा सकता है। यह "ट्रोफिक कोहेरेंस" है। हालाँकि, अध्ययन बताता है कि जब एक नेटवर्क "इनकोहेरेंट" होता है, तो यह एक अस्त-व्यस्त शहर की तरह होता है जिसमें वन-वे सड़कों, टू-वे एवेन्यू और गोलाकार राउंडअबाउट्स का एक अव्यवset मिश्रण होता है। इन अव्यवस्त नेटवर्क में, संकेत जटिल लूपों में फंस सकते हैं, आगे-पीछे उछल सकते हैं और ऊर्जा जमा कर सकते हैं जब तक कि एक दौरा उत्पन्न न हो जाए।
यह पेपर इस विचार को स्पष्ट रूप से खारिज करता है कि "फर्स्ट ट्रांजिटिव कंपोनेंट" (नोड्स का एक विशिष्ट प्रकार का मौलिक समूह) के आकार जैसे सरल माप, बड़े नेटवर्क में दौरों के मुख्य चालक हैं। जबकि यह कारक कुछ छोटे पैमाने के परीक्षणों में महत्वपूर्ण था, सिमुलेशन ने दिखाया कि जैसे-जैसे नेटवर्क बड़ा हुआ, इस विशिष्ट माप ने यह अनुमान लगाने की अपनी शक्ति खो दी कि क्या होगा। इसके बजाय, अध्ययन स्पेक्ट्रल रेडियस (spectral radius) (नेटवर्क में लूप कितने "बड़े" हैं, इसे मापने का एक गणितीय तरीका) और नॉन-नॉर्मलिटी (non-normality) (कनेक्शन कितने असममित हैं, इसका एक माप) को वास्तविक अपराधी के रूप में इंगित करता है। शोधकर्ताओं ने गणितीय रूप से सिद्ध किया कि यदि एक नेटवर्क में ओवरलैपिंग लूप हैं (जैसे कि एक आकृति-आठ ट्रैक जहाँ दो वृत्त एक बिंदु साझा करते हैं), तो स्पेक्ट्रल रेडियस 1 से ऊपर बढ़ जाता है, जो नेटवर्क के अस्थिर होने और दौरों के प्रति संवेदनशील होने के साथ मजबूती से सहसंबंधित है।
परिणाम दोनों छोटे और बड़े नेटवर्क में सुसंगत थे, और वे इस बात पर भी खरे उतरे कि चाहे न्यूरॉन्स एडिटिव या डिफ्यूसिव कपलिंग का उपयोग कर रहे हों, हालांकि कनेक्शन एडिटिव मॉडल में और भी मजबूत था। बड़े 128-नोड वाले नेटवर्क में, एक अव्यवस्त, लूप-भरे संरचना और दौरे के जोखिम के बीच का संबंध अविश्वसनीय रूप से मजबूत था, जिसमें स्पेक्ट्रल रेडियस के लिए सहसंबंध गुणांक 0.957 और ट्रोफिक इनकोहेरेंस के लिए 0.969 था। यह सुझाव देता है कि मस्तिष्क में सूचना प्रसंस्करण की समग्र दिशात्मकता—विशेष रूप से, यह कि यह सख्त ऊपर-से-नीचे के प्रवाह से कितना बचती है और जटिल, ओवरलैपिंग लूपों को कितना अपनाती है—एक प्रमुख कारक हो सकती है कि क्या कोई व्यक्ति मिर्गी के प्रति प्रवण है। हालाँकि ये निष्कर्ष कंप्यूटर सिमुलेशन से आए हैं और अभी तक सीधे मानव रोगी डेटा से नहीं, लेखक सुझाव देते हैं कि इन संरचनात्मक विशेषताओं को मापना अंततः डॉक्टरों को यह पहचानने में मदद कर सकता है कि कौन से मस्तिष्क नेटवर्क सबसे अधिक जोखिम में हैं, जो मस्तिष्क के "वायरिंग आरेख" को देखने का एक नया तरीका प्रदान करता 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।