deepthought: the microscopy acquisition stack as an object of study

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ आपका कैमरा सिर्फ एक तस्वीर लेकर रुक नहीं जाता, बल्कि वास्तव में उस फोटो को देखता है, उसके बारे में सोचता है, और फिर तय करता है कि आगे क्या फोटोग्राफ करना है। यह "एनालिसिस-इन-द-लूप" (analysis-in-the-loop) माइक्रोस्कोपी का सपना है। दशकों से, वैज्ञानिक ऐसे माइक्रोस्कोप चाहते आए हैं जो यह कर सकें: खाली जगहों को छोड़ सकें, दिलचस्प कोशिकाओं (cells) पर ज़ूम इन कर सकें, या प्रयोग चलते समय खुद के फोकस को ठीक कर सकें। यह एक स्मार्ट सहायक होने जैसा है जो न केवल आपको एक किताब लाकर देता है, बल्कि उसका कवर भी पढ़ता है, यह तय करता है कि आपको वह पसंद आएगी या नहीं, और उसके बाद ही उसे आपको थमाता है।

हालाँकि, इन स्मार्ट माइक्रोस्कोपों को बनाना एक दुस्वप्न रहा है। हर बार जब किसी लैब को इसे आज़माना होता था, तो उन्हें पूरी तरह से एक नया, कस्टम मशीन शून्य से बनानी पड़ती थी, जैसे कोई बढ़ई हर बार केक पकाने के लिए एक नया घर बनाता हो। उपकरण आपस में फिट नहीं बैठते थे, और कुछ भी दोबारा इस्तेमाल नहीं किया जा सकता था। यह पेपर एक सरल लेकिन क्रांतिकारी सवाल पूछता है: "क्या होगा अगर हम हर बार नया घर बनाना बंद कर दें और इसके बजाय यह पता लगा लें कि सभी के लिए कौन से हिस्से वास्तव में एक जैसे हैं?" लेखक चाहते थे कि वे एक स्मार्ट माइक्रोस्कोप का सार्वभौमिक "प्लंबिंग" (plumbing) खोजें ताकि वैज्ञानिक पहिए का पुन: आविष्कार करने के बजाय अधिक दिलचस्प विज्ञान करने पर ध्यान केंद्रित कर सकें।

महान माइक्रोस्कोप पहेली

इस पेपर के लेखक, पी.एस. केशवन और उनकी टीम ने इस समस्या को हल करने के लिए कुछ असामान्य करने का निर्णय लिया: उन्होंने किसी विशिष्ट जीव विज्ञान संबंधी समस्या को हल करने के लिए नहीं, बल्कि स्वयं सिस्टम का अध्ययन करने के लिए, शून्य से एक "न्यूनतम" (minimal) स्मार्ट माइक्रोस्कोप सिस्टम बनाया। इसे एक ऐसे शेफ की तरह समझें जो किसी विशेष व्यंजन को पकाने के बजाय, यह समझने के लिए एक छोटा, आदर्श किचन बनाता है कि किसी भी रेसिपी के लिए कौन से उपकरण आवश्यक हैं।

उन्होंने इस छोटे से किचन को चार बहुत अलग "भोजन" (वैज्ञानिक प्रयोग) पकाने के लिए लिया:

1. द स्पीड रन (The Speed Run): चमकते हुए प्रोटीनों को गिनने के लिए हजारों मृत कोशिकाओं को स्कैन करना।
2. द मैराथन (The Marathon): बिना रुके 24 घंटों तक जीवित कोशिकाओं को विभाजित होते हुए देखना।
3. द लाइट शो (The Light Show): अणुओं के घूमने को मापने के लिए प्रकाश को दो दिशाओं में विभाजित करना।
4. द ऑटो-पायलट (The Auto-Pilot): माइक्रोस्कोप को चलते प्रयोग के दौरान अपने आप फोकस और चमक को एडजस्ट करने देना।

इन चार बहुत अलग कार्यों को एक ही सिस्टम के माध्यम से चलाने के लिए मजबूर करके, उन्होंने खोजा कि माइक्रोस्कोप के सॉफ्टवेयर के कौन से हिस्से सार्वभौमिक (सभी के लिए समान) थे और कौन से हिस्से कार्य के लिए विशिष्ट (जैसे किसी एक व्यंजन के लिए विशेष मसाला) थे।

"सार्वभौमिक" भाग (प्लंबिंग)

उन्होंने पाया कि स्मार्ट माइक्रोस्कोप का अधिकांश भारी काम वास्तव में पहले से ही अन्य लोगों के सॉफ्टवेयर द्वारा हल किया जा चुका है। आपको कैमरा या मोटर से बात करने के लिए नया तरीका खोजने की आवश्यकता नहीं है; आपको बस मौजूदा "यूनिवर्सल एडेप्टर" से जुड़ने की आवश्यकता है।

• हार्डवेयर से बात करना: जैसे आपका फोन चार्जर से बात करने के लिए एक मानक USB पोर्ट का उपयोग करता है, वैसे ही माइक्रोस्कोप कैमरा और मोटर से बात करने के लिए मानक सॉफ्टवेयर (जैसे ophyd और micro-manager) का उपयोग करता है।
• शो चलाना: माइक्रोस्कोप को क्या करना है यह बताने का एक मानक तरीका है (जैसे डीजे के लिए एक प्लेलिस्ट), जिसे bluesky नामक सिस्टम का उपयोग करके किया जाता है।
• डेटा सहेजना और दिखाना: डेटा को एक मानक कैटलॉग (databroker) में सहेजा जाता है और इसे एक मानक व्यूअर (napari) में देखा जा सकता है, ठीक वैसे ही जैसे आप अपनी तस्वीरें क्लाउड पर सेव करते हैं और किसी भी फोन पर देखते हैं।

ये हिस्से बिल्कुल नहीं बदले, चाहे उन्होंने कोई भी प्रयोग चलाया हो। ये घर की "दीवारों और फर्श" की तरह हैं—मजबूत और पुन: प्रयोज्य।

दो नए आविष्कार (कस्टम फर्नीचर)

हालाँकि, अध्ययन में पाया गया कि दो विशिष्ट चीजें ऐसी थीं जिन्हें शून्य से बनाया जाना ही था क्योंकि किसी और ने उनके लिए मानक संस्करण नहीं बनाया था। ये इस पेपर का मुख्य योगदान हैं।

1. नमूने का "मानचित्र" (Sample Representation)
कल्पना कीजिए कि आप एक रोबोट वैक्यूम क्लीनर हैं। आपको पता होना चाहिए कि दीवारें कहाँ हैं ताकि आप टकरा न जाएं। अतीत में, वैज्ञानिकों को हर प्रकार के बर्तन (गोल, चौकोर, छेदों वाला) के लिए विशेष कोड लिखना पड़ता था ताकि रोब-वैक्यूम को बताया जा सके कि उसे कहाँ सफाई करनी है।
लेखकों ने नमूने को एक ज्यामितीय वस्तु (geometric object) के रूप में वर्णित करने का एक नया तरीका आविष्कार किया। उन्होंने एक "डिजिटल मैप" बनाया जो कहता है, "ग्लास यहाँ है, प्लास्टिक रिम वहाँ है, और आप केवल ग्लास पर ही सफाई कर सकते हैं।" यह मानचित्र किसी भी बर्तन के आकार के लिए काम करता है। अब, रोबोट को यह जानने की ज़रूरत नहीं है कि बर्तन कैसा दिखता है; उसे बस मानचित्र की आवश्यकता है। यह माइक्रोस्कोप को स्वचालित रूप से ग्लास पर रहने और प्लास्टिक के किनारों से बचने की अनुमति देता है, चाहे कोई भी बर्तन उपयोग किया जाए।

2. "डिटेक्टेड ऑब्जेक्ट" स्ट्रीम (Observation Representation)
आमतौर पर, एक माइक्रोस्कोप एक तस्वीर लेता है, उसे सहेजता है, और फिर एक कंप्यूटर बाद में उस तस्वीर को देखता है ताकि कोशिकाओं को ढूँढा जा सके। यह भीड़ की फोटो लेने, उसे हार्ड ड्राइव में सेव करने और फिर अगले दिन लोगों को गिनने के लिए एक टीम को काम पर रखने जैसा है।
लेखकों ने सिस्टम को बदल दिया ताकि माइक्रोस्कोप केवल कच्ची छवियां (raw images) न फेंके। इसके बजाय, वह इमेज के आते ही उसे देखता है और तुरंत कहता है, "मुझे यहाँ एक कोशिका दिख रही है, और यहाँ इसकी चमक है।" प्रयोग का आउटपुट तस्वीरों का ढेर नहीं है; यह "डिटेक्टेड ऑब्जेक्ट्स" की एक सूची है जिसमें उनके स्थान और माप शामिल हैं।
यह एक गेम-चेंजर है क्योंकि इसका मतलब है कि माइक्रोस्कोप तुरंत निर्णय ले सकता है। यदि योजना कहती है, "यदि आप एक कोशिका देखते हैं जिसमें एक चमकीला बिंदु है, तो उस पर करीब से नज़र डालें," तो माइक्रोस्कोप ऐसा तुरंत कर सकता है क्योंकि वह पहले से ही "पिक्सेल" के बजाय "कोशिकाओं" के बारे में बात कर रहा है।

गायब कड़ी (द "वेयर नेक्स्ट?" प्रॉब्लम)

अध्ययन में एक ऐसी चीज़ भी मिली जिसे वे अभी तक पूरी तरह से हल नहीं कर सके थे: टारगेटिंग (Targeting)।
यह सवाल है: "मुझे आगे कहाँ देखना चाहिए?"
कुछ प्रयोगों में, उत्तर एक साधारण ग्रिड (जैसे सीधी रेखाओं में घास काटना) होता है। अन्य में, उत्तर है "वहाँ देखें जहाँ दिलचस्प चीजें हैं।" लेखकों ने एक ऐसा सिस्टम बनाने की कोशिश की जो दोनों को संभाल सके, लेकिन उन्होंने महसूस किया कि उन्होंने अभी तक इसके लिए एक "यूनिवर्सल स्विच" नहीं बनाया है। उन्होंने अधिकांश चीजों के लिए ग्रिड रणनीति का उपयोग किया, लेकिन वे बिना कोड दोबारा लिखे इसे "स्मार्ट सर्च" रणनीति में आसानी से नहीं बदल सके। उन्होंने इसे अगला बड़ा काम बनाने के रूप में पहचाना।

उन्होंने वास्तव में इसके साथ क्या किया

यह साबित करने के लिए कि उनका नया सिस्टम काम करता है, उन्होंने दो वास्तविक जैविक प्रयोग चलाए:

1. 22,000-सेल मैराथन: उन्होंने मानव कोशिकाओं को डीएनए को नुकसान पहुँचाने वाले एजेंट से उपचारित किया और माइक्रोस्कोप को अपने आप 22,000 कोशिकाओं को स्कैन और विश्लेषण करने दिया। कंप्यूटर शुरू होने के बाद किसी इंसान ने उसे छुआ तक नहीं। उन्होंने पाया कि कोशिकाओं के डीएनए रिपेयर मार्कर्स उम्मीद के मुताबिक बढ़ गए।
2. 24-घंटे की निगरानी: उन्होंने 24 घंटों तक जीवित कोशिकाओं को विभाजित होते हुए देखा। चूंकि सिस्टम (उनके द्वारा बनाए गए "मैप" का उपयोग करके) बार-बार उन्हीं सटीक कोशिकाओं पर वापस जा सकता था और उन्हें फोकस में रख सकता था, इसलिए वे एक दुर्लभ घटना देख सके: एक कोशिका का विभाजित होना और अपने बच्चों को अपने डीएनए रिपेयर "स्कार्स" (scars) सौंपना।

मुख्य निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि हमें हर नए प्रयोग के लिए एक नया माइक्रोस्कोप सॉफ्टवेयर स्टैक बनाने की आवश्यकता नहीं है। स्टैक का अधिकांश हिस्सा पहले से ही बना हुआ और काम कर रहा है। हमें बस दो नए "इंटरफेस" बनाने की आवश्यकता है: नमूने के आकार को वर्णित करने का एक तरीका और परिणामों को केवल "इमेज" के बजाय "ऑब्जेक्ट्स" के रूप में वर्णित करने का एक तरीका।

एक बार जब आपके पास वे दो हिस्से होते हैं, तो माइक्रोस्कोप का "स्मार्ट" हिस्सा एक सामान्य कंप्यूटर प्रोग्राम जितना सरल हो जाता है। माइक्रोस्कोप देख सकता है, सोच सकता है और तय कर सकता है कि आगे क्या करना है, बिना किसी इंसान के हर बार एक नया प्रोग्राम लिखे। एकमात्र चीज़ जो अभी भी तय करनी बाकी है, वह यह है कि "अगला कहाँ देखना है?" का निर्णय को बाकी सिस्टम की तरह कितना लचीला बनाया जाए।

संक्षेप में, लेखकों ने केवल एक बेहतर माइक्रोस्कोप नहीं बनाया; उन्होंने भविष्य में किसी भी स्मार्ट माइक्रोस्कोप को बनाने के लिए ब्लूप्रिंट तैयार किया है, जिससे वैज्ञानिकों को हर बार पहिए का पुन: आविष्कार करने से बचाया जा सके।