PathFinder: Joint Decompositions of Linked Multimodal Datasets
यह शोधपत्र PathFinder को प्रस्तुत करता है, जो एक नवीन विश्लेषण पद्धति है जो जुड़े हुए मल्टीमॉडल डेटासेट के संयुक्त लो-रैंक अपघटन (low-rank decomposition) को सक्षम बनाता है, बशर्ते कि सभी डेटा का एक समान आयाम साझा करना आवश्यक नहीं है, यदि युग्मवार (pairwise) या उपसमूह संबंध मैट्रिसेस में एक लिंकिंग पाथ (linking path) बनाते हैं।
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
मानव मस्तिष्क एक विशाल, जटिल परिदृश्य है, और वैज्ञानिक लंबे समय से इसके छिपे हुए पैटर्न का मानचित्र बनाने की कोशिश कर रहे हैं। ऐसा करने के लिए, वे अक्सर कई अलग-अलग कोणों से डेटा एकत्र करते हैं: मस्तिष्क की विद्युत गतिविधि को स्कैन करना, रक्त के प्रवाह को मापना, या यहाँ तक कि उन जीनों को देखना जो इसे आकार देते हैं। इनमें से प्रत्येक विधि संख्याओं का एक विशाल ग्रिड तैयार करती है, जो एक विशिष्ट दृष्टिकोण से मस्तिष्क की एक झलक होती है। वर्षों से, शोधकर्ताओं ने इन ग्रिडों को तोड़ने के लिए गणितीय उपकरणों का उपयोग किया है, ताकि उन सरल, अंतर्निlying संरचनाओं की खोज की जा सके जो शोर (noise) के बीच भी दोहराई जाती हैं। ये उपकरण शक्तिशाली हैं क्योंकि वे पूरी तरह से डेटा-संचालित होते हैं; उन्हें यह बताने के लिए किसी पूर्व-लिखित स्क्रिप्ट की आवश्यकता नहीं होती कि उन्हें क्या खोजना है, जिससे वे मस्तिष्क जैसे जटिल तंत्रों में छिपे हुए संबंधों को प्रकट करने में सक्षम होते हैं। हालाँकि, एक महत्वपूर्ण बाधा हमेशा मौजूद रही है: इन उपकरणों के लिए आम तौर पर यह आवश्यक होता है कि तुलना किए जाने वाले सभी डेटा में एक समान विशेषता हो, जैसे लोगों का एक ही समूह या मस्तिष्क के समान क्षेत्र। यदि आप एक मानव के मस्तिष्क की तुलना बंदर के मस्तिष्क से करने का प्रयास करते हैं, या यदि आपके पास कुछ लोगों का डेटा है लेकिन दूसरों का नहीं, तो मानक विधियाँ अक्सर विफल हो जाती हैं क्योंकि ग्रिड आपस में मेल नहीं खाते।
ऑक्सफोर्ड विश्वविद्यालय के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिसे वे 'पाथफाइंडर' (PathFinder) कहते हैं। उनका कार्य इस मौलिक सीमा को संबोधित करता है कि वैज्ञानिक विभिन्न प्रकार के मस्तिष्क डेटा को कैसे जोड़ते हैं। कल्पना कीजिए कि आप एक ऐसी पहेली सुलझाने की कोशिश कर रहे हैं जिसके टुकड़े अलग-अलग बक्सों से आए हैं, और कुछ टुकड़े पूरी तरह से गायब हैं। पारंपरिक विधियाँ इस बात पर जोर देंगी कि प्रत्येक टुकड़े को एक ही, पूर्व-निर्धारित फ्रेम में सटीक रूप से फिट होना चाहिए। इसके विपरीत, पाथफाइंडर अधिक लचीला है। यह समझता है कि भले ही डेटा का पूरा संग्रह एक साझा आयाम साझा न करता हो, डेटा के भीतर छोटे समूह अभी भी ओवरलैप (overlap) कर सकते हैं। जब तक कनेक्शन की एक श्रृंखला—एक पथ (path)—है जो डेटा के एक टुकड़े को दूसरे से जोड़ती है, यह विधि उन सभी को एक एकल, सुसंगत चित्र में बुन सकती है। यह वैज्ञानिकों को विभिन्न प्रजातियों, विभिन्न प्रकार के स्कैन, या यहाँ तक कि उन डेटासेटों में भी सामान्य पैटर्न खोजने की अनुमति देता जहाँ कुछ जानकारी गायब है, बिना डेटा को उस कठोर संरचना में फिट होने के लिए मजबूर किए जो स्वाभाविक रूप से उसके पास नहीं है।
शोधकर्ताओं ने कंप्यूटर सिमुलेशन के माध्यम से शुरू करते हुए, परीक्षणों की एक श्रृंखला के माध्यम से इस नए तरीके की शक्ति का प्रदर्शन किया। उन्होंने छह अलग-अलग डेटा सेटों का एक ग्रिड बनाया, जो तीन अलग-अलग समूहों में दो प्रकार के मापों का प्रतिनिधित्व करते थे। अपने परीक्षण में, उन्होंने जानबूझकर दो डेटा सेट हटा दिए, यह मानकर कि वे गायब हैं, और एल्गोरिदम से पूछा कि शेष चार के आधार पर उन लापता टुकड़ों को कैसा दिखना चाहिए। विधि सफल रही, उसने लापता डेटा का सटीक रूप से पुनर्निर्माण किया और शोर वाले डेटा में पुराने तकनीकों से भी बेहतर प्रदर्शन किया। इसने सिद्ध किया कि यह विधि न केवल मौजूद चीज़ों में पैटर्न खोज सकती है, बल्कि अनुपस्थित चीज़ों की भविष्यवाणी भी कर सकती है, जो आसपास के टुकड़ों के तर्क का उपयोग करके जटिल पहेली के खाली स्थानों को प्रभावी ढंग से भर सकती है।
यह देखने के लिए कि क्या यह वास्तविक दुनिया में काम करता है, टीम ने 'ह्यूमन कनेक्टोम प्रोजेक्ट' से वास्तविक मस्तिष्क स्कैन पर पाथफाइंडर को लागू किया। एक प्रयोग में, उन्होंने एक दृश्य कार्य (visual task) के डेटा को देखा जहाँ विषय स्क्रीन पर घूमते हुए वेजेस (wedges) और चलती हुई पट्टियों को देख रहे थे। उनके पास मस्तिष्क की गतिविधि और स्वयं दृश्य पैटर्न की रिकॉर्डिंग थी, जो छह अलग-अलग रन में व्यवस्थित थी। फिर उन्होंने एक विशिष्ट दृश्य पैटर्न—काउंटर-क्लॉकवाइज घूमते हुए वेज—को कंप्यूटर से छिपा दिया। केवल मस्तिष्क के डेटा और अन्य पांच दृश्य पैटर्न का उपयोग करके, पाथफाइंडर ने सफलतापूर्वक लापता दृश्य पैटर्न की भविष्यवाणी की। परिणाम इतना सटीक था कि अनुमानित छवि वास्तविक उद्दीपन (stimulus) से लगभग पूरी तरह मेल खाती थी। हालाँकि, जब उन्होंने उसी तकनीक को आज़माया लेकिन मस्तिष्क का आधा डेटा हटा दिया, तो भविष्यवाणी विफल हो गई, जिससे पता चला कि इस विधि को अंतराल के बीच एक विश्वसनीय पुल बनाने के लिए पर्याप्त जुड़ी हुई जानकारी की आवश्यकता होती है।
टीम ने यह भी दिखाया कि पाथफाइंडर एक सामान्य ढांचा है जो उन कई मौजूदा, अधिक जटिल तरीकों के कार्य कर सकता है, लेकिन एक सरल, एकीकृत तरीके से। उदाहरण के लिए, 'डुअल रिग्रेशन' (dual regression) नामक एक सामान्य तकनीक, जिसका उपयोग व्यक्तिगत लोगों में मस्तिष्क नेटवर्क को मैप करने के लिए किया जाता है, उसे पाथफाइंडर का उपयोग करके एक ही चरण में पुन: बनाया जा सकता है। यह सुझाव देता है कि पाथफाइंडर केवल एक नया तरीका नहीं है, बल्कि एक व्यापक छतरी है जिसके नीचे कई पिछले तरीके स्थित हो सकते हैं, जो डेटा को एक ही बॉक्स में ठीक से फिट न होने पर निपटने का अधिक लचीला तरीका प्रदान करता है।
शायद सबसे उल्लेखनीय अनुप्रयोग कॉर्टेक्स को थैलेमस और बेसल गैन्ग्लिया जैसी गहरी संरचनाओं से जोड़ने वाले मस्तिष्क के लूप्स (loops) का अध्ययन था। ये कनेक्शन एक चक्र बनाते हैं, जैसे एक रिंग रोड, जहाँ सूचना एक क्षेत्र से दूसरे क्षेत्र में बहती है और अंततः वापस शुरू होने वाले स्थान पर पहुँच जाती है। शोधकर्ताओं ने दस मानव विषयों के डिफ्यूजन एमआरआई (diffusion MRI) डेटा का उपयोग करके इन क्षेत्रों के बीच संरचनात्मक कनेक्शन को मैप करने के लिए किया। उन्होंने डेटा को इस तरह व्यवस्थित किया जो इस चक्रीय प्रवाह को दर्शाता है, जिससे मैट्रिसेस (matrices) की एक ऐसी श्रृंखला बनी जहाँ प्रत्येक मैट्रिक्स अपने पड़ोसी के साथ एक आयाम साझा करता है। इस चक्रीय व्यवस्था पर पाथफाइंडर लागू करके, वे इन लूप्स के भीतर तीन प्रमुख कार्यात्मक मार्गों को उजागर करने में सक्षम रहे: मोटर पाथवे, एसोसिएटिव पाथवे और लिम्बिक पाथवे। विधि ने मस्तिष्क के वोक्सेल्स (voxels) को इन विशिष्ट सर्किटों में सफलतापूर्वक समूहित किया, जिससे एक स्पष्ट शारीरिक संगठन प्रकट हुआ जो पहले से ज्ञात मस्तिष्क प्रणालियों से मेल खाता है।
शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि हालांकि यह विधि शक्तिशाली है, यह कोई जादुई छड़ी नहीं है जो हर समस्या को तुरंत हल कर देती है। अपघटन (decomposition) की गणितीय प्रकृति का अर्थ है कि परिणाम कभी-कभी अस्पष्ट हो सकते हैं, जिसके लिए उन्हें अद्वितीय और व्याख्या करने में आसान बनाने के लिए अतिरिक्त चरणों की आवश्यकता होती है। अपने प्रयोगों में, उन्होंने परिणामों को अधिक समझने योग्य रूप में घुमाने के लिए एक फॉलो-अप प्रक्रिया का उपयोग किया, जिसने उन्हें अपने सिमुलेशन में वास्तविक अंतर्निहित संरचनाओं को पुनः प्राप्त करने और वास्तविक डेटा में शारीरिक रूप से समझ में आने वाले मानचित्र बनाने में मदद की। वे यह भी स्वीकार करते हैं कि टूल का वर्तमान संस्करण तब सबसे अच्छा काम करता है जब डेटा को दो-आयामी ग्रिड में व्यवस्थित किया जा सके, हालांकि उन्होंने पहले ही इसे अधिक जटिल, बहु-आयामी डेटा और गैर-रेखीय संबंधों को संभालने के लिए विस्तारित करने के बारे में सोचना शुरू कर दिया है।
अंततः, यह कार्य प्रजातियों और पैमानों के बीच मस्तिष्कों की तुलना करने के द्वार खोलता है जो पहले असंभव था। क्योंकि यह विधि प्रत्येक एकल डेटा बिंदु के बीच एक-से-एक मिलान की आवश्यकता नहीं रखती है, यह शोधकर्ताओं को एक प्रजाति, जैसे कि बंदर, के डेटा का उपयोग दूसरी प्रजाति, जैसे कि मानव, के डेटा की व्याख्या करने में मदद करने के लिए करने की अनुमति देती है, भले ही उनके पास दोनों के लिए सटीक माप न हों। यह विसंगत या असंगत डेटा की चुनौती को जैविक दुनिया में साझा पैटर्न खोजने के अवसर में बदल देता है। बिखरे हुए डेटासेट को सरल, ओवरलैपिंग कनेक्शनों के माध्यम से जोड़ने का एक तरीका प्रदान करके, पाथफाइंडर मस्तिष्क के जटिल, परस्पर जुड़े स्वभाव को देखने के लिए एक नया लेंस प्रदान करता है, जो खंडित सूचनाओं को हमारे सोचने, चलने और महसूस करने की एक एकीकृत कहानी में बदल देता 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।