Latent kinetic Ising models of neural spike trains
यह शोध पत्र SpiKIsing को प्रस्तुत करता है, जो एक लेटेंट-वेरिएबल फ्रेमवर्क है जो स्पाइक जनरेशन के लिए निरंतर-समय पॉइंट प्रोसेस को सामूहिक नेटवर्क डायनेमिक्स के लिए एक डिस्क्रीट-टाइम काइनेटिक आइसिंग मॉडल के साथ जोड़ता है, जिससे रिफ्रैक्टोरिनेस और हिस्ट्री इफेक्ट्स को स्पष्ट रूप से ध्यान में रखते हुए स्पाइक ट्रेनों से स्पार्स, डेल-कंसिस्टेंट न्यूरल कनेक्टिविटी का सुदृढ़ अनुमान लगाना सक्षम होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
यह समझने के लिए कि मस्तिष्क कैसे सोचता है, वैज्ञानिक अक्सर इसके न्यूरॉन्स को सुनकर शुरुआत करते हैं। ये कोशिकाएं 'स्पाइक्स' नामक सूक्ष्म विद्युत चिंगारियों के माध्यम से संचार करती हैं, और जब शोधकर्ता एक साथ कई न्यूरॉन्स से इन संकेतों को रिकॉर्ड करते हैं, तो उन्हें डेटा का एक अराजक प्रवाह प्राप्त होता है। मुख्य चुनौती यह पता लगाने की है कि कौन किससे बात कर रहा है। क्या दो न्यूरॉन्स इसलिए एक साथ सक्रिय हो रहे हैं क्योंकि वे सीधे जुड़े हुए हैं, या वे केवल एक ही बाहरी घटना पर प्रतिक्रिया दे रहे हैं? यह एक कठिन पहेली है क्योंकि कनेक्शन छिपे हुए हैं, गतिविधि यादृच्छिक (random) है, और हर एक स्पाइक का समय महत्वपूर्ण है। दशकों से, वैज्ञानिकों ने इन अदृश्य नेटवर्क को मैप करने की कोशिश की है, लेकिन एक सामान्य विधि ने अक्सर उन्हें डेटा को बहुत अधिक सरल बनाने के लिए मजबूर किया है, जिससे स्पाइक्स के सटीक समय को ऐसे मान लिया जाता है जैसे कि वह अस्तित्व में ही न हो।
एस्टन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने अब इस पहेली को हल करने का एक नया तरीका पेश किया है, जिसे 'SpiKIsing' कहा जाता है। समय के जटिल और निरंतर प्रवाह को कठोर, कृत्रिम ब्लॉकों में बदलने के बजाय, उनकी यह विधि नेटवर्क की कहानी को दो अलग-अलग परतों में विभाजित करती है। कल्पना कीजिए कि नेटवर्क एक कमरे में मौजूद लोगों का एक समूह है। पहली परत कमरे के सामान्य मिजाज (mood) का वर्णन करती है: क्या समूह उत्साहित है, शांत है, या उत्तेजित है? यह "मिजाज" अलग-अलग चरणों में बदलता है और यह प्रभावित करता है कि आगे किसकी बोलने की संभावना है। दूसरी परत वास्तविक बोलने का वर्णन करती है: जब कोई व्यक्ति बोलने का निर्णय लेता है, तो वह एक विशिष्ट, निरंतर क्षण में बोलता है, और वाक्य समाप्त करने के बाद वह कुछ क्षणों के लिए दोबारा नहीं बोल सकता। इन दोनों परतों को अलग रखकर, शोधकर्ता देख सकते हैं कि समूह का सामूहिक मिजाज व्यक्तिगत कार्यों को कैसे संचालित करता है, बिना दोनों को भ्रमित किए।
शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाया जो इस दो-परतीय प्रणाली की नकल करता है। उनके सिमुलेशन में, प्रत्येक न्यूरॉन का "मिजाज" एक छिपा हुआ अवस्था (hidden state) है जो अपने पड़ोसियों के प्रभाव के आधार पर विकसित होता है। यदि कोई पड़ोसी सक्रिय है, तो वह न्यूरॉन को अपनी सक्रिय अवस्था की ओर धकेल सकता है, या उसे रोक भी सकता है। हालांकि, वास्तविक स्पाइक्स जिन्हें वैज्ञानिक रिकॉर्ड करते हैं, वे मिजाज स्वयं नहीं हैं; वे उस मिजाज और न्यूरॉन के अपने इतिहास के संयोजन का परिणाम हैं। वास्तविक न्यूरॉन की तरह, मॉडल में स्पाइक के बाद शांति की एक संक्षिप्त अवधि शामिल है, जिसे 'रिफ्रैक्टरी पीरियड' (refractory period) कहा जाता है, जहाँ कोशिका दोबारा फायर नहीं कर सकती, और उसके बाद धीरे-धीरे रिकवरी होती है। यह मॉडल को इस तथ्य को ध्यान में रखने की अनुमति देता है कि एक न्यूरॉन का हालिया अतीत यह बदल देता है कि वह अभी कैसा व्यवहार करता है, एक ऐसा विवरण जिसे पुराने तरीकों ने अक्सर छोड़ दिया था।
यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण काम करता है, टीम ने पहले मॉडल को उस डेटा से खिलाया जिसे उसने स्वयं उत्पन्न किया था, जहाँ वास्तविक कनेक्शन पहले से ज्ञात थे। मॉडल ने सफलतापूर्वक छिपे हुए नियमों को सीखा, और न्यूरॉन्स के बीच कनेक्शन की ताकत और दिशा को सटीक रूप से पुनः प्राप्त किया। इसने यह भी सही ढंग से पहचाना कि कौन से न्यूरॉन्स 'एक्साइटेटरी' (excitatory) थे, यानी वे दूसरों को सक्रिय करने के लिए प्रोत्साहित करते हैं, और कौन से 'इनहिबिटरी' (inhibitory) थे, यानी वे गतिविधि को दबाते हैं। यह सफलता प्रभावशाली थी, भले ही मॉडल को रिकवरी अवधि के समय और संकेतों की ताकत का अनुमान शून्य से लगाना पड़ा हो। शोधकर्ताओं ने इस पद्धति को और आगे बढ़ाया और इसे पूरी तरह से अलग, अधिक जटिल जैविक सिमुलेशन से उत्पन्न डेटा पर टेस्ट किया। यह परीक्षण यह देखने के लिए डिज़ाइन किया गया था कि क्या मॉडल अंतर्निहित संरचना को खोज सकता है, भले ही डेटा उन नियमों से पूरी तरह मेल न खाता हो जिनके आधार पर मॉडल बनाया गया था।
परिणामों से पता चला कि यह विधि उल्लेखनीय रूप से सुदृढ़ (robust) है। भले ही टेस्ट डेटा एक ऐसे सिस्टम से आया था जिसमें निरंतर वोल्टेज परिवर्तन और भौतिक देरी थी जिसके बारे में मॉडल को पता नहीं था, फिर भी SpiKIsing ने सही नेटवर्क संरचना को खोजने में सफलता प्राप्त की। इसने सही ढंग से पहचाना कि कौन से न्यूरॉन्स जुड़े हुए थे और महत्वपूर्ण रूप से, इसने टेस्ट ग्रुप के प्रत्येक न्यूरॉन को पूरी सटीकता के साथ या तो एक्साइटेटरी या इनहिबिटरी के रूप में वर्गीकृत किया। मॉडल ने यह काम प्रत्येक न्यूरॉन के दूसरे पर पड़ने वाले प्रभाव के समग्र पैटर्न को देखकर किया, न कि हर एक स्पाइक से सटीक रूप से मेल बिठाने की कोशिश करके। यह सुझाव देता है कि यह विधि तंत्रिका सर्किट (neural circuit) की आवश्यक वास्तुकला को खोज सकती है, भले ही डेटा अव्यवस्थित हो या किसी ऐसे स्रोत से आए जो मॉडल की अपेक्षा से भिन्न व्यवहार करता हो।
शोधकर्ता इस बात पर जोर देते हैं कि जो कनेक्शन वे पाते हैं वे "प्रभावी" (effective) इंटरैक्शन हैं, जिसका अर्थ है कि वे यह वर्णन करते हैं कि न्यूरॉन्स एक-दूसरे की गतिविधि पैटर्न को कैसे प्रभावित करते हैं, न कि भौतिक तारों का सीधा माप। हालांकि यह विधि सिनैप्स (synapse) की सटीक भौतिक शक्ति नहीं बताती है, लेकिन यह नेटवर्क का कार्यात्मक मानचित्र (functional map) प्रकट करती है। यह अंतर महत्वपूर्ण है क्योंकि इसका मतलब है कि यह उपकरण सर्किट के तर्क को खोजने के लिए डिज़ाइन किया गया है, न कि केवल उसके भौतिक आयामों को। टीम ने पूर्व ज्ञान को शामिल करने का एक तरीका भी जोड़ा, जैसे कि यह अपेक्षा कि वास्तविक न्यूरल नेटवर्क 'स्पार्स' (sparse) होते हैं, जिनमें कई न्यूरॉन्स के बहुत कम कनेक्शन होते हैं, और एक अकेला न्यूरॉन आमतौर पर अपने सभी लक्ष्यों को केवल एक प्रकार का संकेत भेजता है, चाहे वह एक्साइटेटरी हो या इनहिबिटरी। जब उन्होंने इन नियमों को लागू किया, तो मॉडल वास्तविक संरचना को खोजने में और भी बेहतर हो गया।
यह कार्य मस्तिष्क की वायरिंग को देखने के लिए एक नया नजरिया प्रदान करता है। समय की निरंतर प्रकृति और प्रत्येक न्यूरॉन के इतिहास का सम्मान करके, SpiKIsing मॉडल उन खामियों से बचता है जो पुराने तरीकों में देखी जाती हैं। यह स्पाइक्स के शोर भरे और अराजक प्रवाह से एक नेटवर्क के छिपे हुए नियमों को निकालने का एक तरीका प्रदान करता है। जबकि वर्तमान परीक्षण सिम्युलेटेड डेटा पर किए गए थे, लेखक पहले से ही इस तकनीक को वास्तविक जैविक संस्कृतियों (biological cultures) से प्राप्त रिकॉर्डिंग पर लागू करने पर काम कर रहे हैं। यदि यह वास्तविक दुनिया में भी सफल रहता है, तो यह दृष्टिकोण वैज्ञानिकों को न्यूरल सर्किट की कार्यात्मक वास्तुकला को डिकोड करने में मदद कर सकता है, जिससे यह पता चल सके कि कोशिकाओं के समूह सूचना को संसाधित करने के लिए खुद को कैसे व्यवस्थित करते हैं, बिना प्रत्येक कनेक्शन के सटीक भौतिक विवरण को पहले से जाने।
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।