Split trial analysis reveals the information capacity of neural population codes

अपने मस्तिष्क की कल्पना एक विशाल ऑर्केस्ट्रा के रूप में करें जो यह बताने के लिए कि कोई ध्वनि कहाँ से आ रही है, एक ही सटीक स्वर (नोट) बजाने की कोशिश कर रहा है। प्रत्येक संगीतकार (एक न्यूरॉन) उस स्वर को बजाने की कोशिश कर रहा है, लेकिन उन सभी के हाथों में थोड़ा सा "जिटर" (कंपन) या थरथराहट है। कभी-कभी, वे सभी एक ही समय में एक ही तरह से हिलते हैं; अन्य समय में, वे बेतरतीब ढंग से और स्वतंत्र रूप से हिलते हैं।

लंबे समय से, वैज्ञानिक यह समझने की कोशिश कर रहे थे: क्या इससे कोई फर्क पड़ता है कि पूरा ऑर्केस्ट्रा एक साथ हिलता है, या क्या केवल व्यक्तिगत कंपन ही संगीत को खराब कर रहा है?

यह शोध पत्र यह पता लगाने का एक नया, चतुर तरीका पेश करता है कि वह "साझा कंपन" (कोरिलेटेड नॉइज़) मस्तिष्क की स्पष्ट संदेश भेजने की क्षमता को वास्तव में कितना बाधित कर रहा है।

समस्या: मशीन में "भूत" (The Ghost in the Machine)

वैज्ञानिक जानते थे कि यदि सभी न्यूरॉन्स एक विशिष्ट दिशा में एक साथ हिलते हैं, तो यह मस्तिष्क की सीखने की क्षमता में एक "अंध बिंदु" (ब्लाइंड स्पॉट) बना देता है। यह वैसा ही है जैसे यदि एक पूरा समूह एक ही गलत सुर में गाता है; चाहे आप कितने भी गायक जोड़ लें, गाना कभी भी एकदम सटीक नहीं होगा। इसे सूचना-सीमित करने वाला शोर (information-limiting noise) कहा जाता है।

समस्या यह थी कि वास्तविक मस्तिष्क डेटा में इस "साझा कंपन" को पहचानना अविश्वसनीय रूप से कठिन था। यह एक धुंधले कमरे में टॉर्च की रोशनी के माध्यम से एक विशिष्ट भूत को खोजने जैसा था जो पर्याप्त चमकदार नहीं थी।

समाधान: "स्प्लिट-ट्रायल" जादू का कमाल (The Split-Trial Magic Trick)

लेखकों ने स्प्लिट-ट्रायल विश्लेषण (Split-Trial Analysis) नामक एक नया टूल बनाया। इसे इस प्रकार समझें:

कल्पना कीजिए कि आप दोस्तों के एक समूह से एक तरबूज का वजन बताने को कहते हैं। आप उनसे दो बार, लगातार, बिना एक-दूसरे से बात किए, अनुमान लगाने के लिए कहते हैं।

• यदि उनके अनुमान हर बार पूरी तरह से अलग होते हैं, तो वे बस बेतरतीब ढंग से अनुमान लगा रहे हैं (रैंडम नॉइज़)।
• लेकिन, यदि वे दोनों बार लगातार एक ही गलत नंबर का अनुमान लगाते हैं, तो वे सभी एक ही गलत दिशा में "एक साथ हिल" रहे हैं (इंफॉर्मेशन-लिमिटिंग नॉइज़)।

एक ही प्रयोग के डेटा को दो हिस्सों में विभाजित करके और उनकी तुलना करके, यह नई विधि "बेतरतीब अनुमान" को "व्यवस्थित सामूहिक त्रुटि" से अलग करने में सक्षम है। यह एक सरल तरकीब है, लेकिन यह बहुत प्रभावी है, भले ही आपके पास बहुत अधिक डेटा न हो। शोध पत्र दिखाता है कि यह तरीका इस पहेली को सुलझाने के पुराने तरीकों की तुलना में बहुत बेहतर, तेज़ और अधिक विश्वसनीय है।

उन्होंने क्या पाया: तीन नई खोजें

इस नए "स्प्लिट-ट्रायल" लेंस का उपयोग करते हुए, शोधकर्ताओं ने तीन अलग-अलग पशु प्रणालियों से वास्तविक मस्तिष्क डेटा का अध्ययन किया और कुछ दिलचस्प बातें पाईं:

1. चूहे का आंतरिक दिशा-सूचक (The Mouse's Internal Compass): चूहे के मस्तिष्क के उस हिस्से में, जो यह जानता है कि "उत्तर" दिशा कौन सी है (हेड डायरेक्शन सिस्टम), उन्होंने इस साझा कंपन की एक विशाल मात्रा पाई। यह ऐसा है जैसे पूरा दिशा-सूचक दल एक साथ डगमगा रहा है, जो यह सीमित करता है कि चूहा अपनी दिशा को कितनी सटीकता से जान सकता है।
2. चूहे की दृष्टि (The Mouse's Vision): चूहे के मस्तिष्क के उस भाग में जो रेखाओं और कोणों को देखता है (V1), उन्होंने बहुत थोड़ा सा साझा कंपन पाया। यह वहां मौजूद है, लेकिन बहुत कम है, जिसका अर्थ है कि चूहे की दृष्टि कोड काफी स्पष्ट है, हालांकि पूर्ण नहीं।
3. बंदर का ध्यान (The Monkey's Focus): बंदर के मस्तिष्क में जब वह एक त्वरित नेत्र-संचलन (सैकैड) कर रहा होता है, तो उन्होंने पाया कि यह साझा कंपन बहुत सुसंगत है। यह ऐसा है जैसे बंदर के मस्तिष्क में "शोर" एक स्थिर गूँज है जो समय के साथ बहुत अधिक नहीं बदलती है, जिससे उस विशिष्ट कार्य के दौरान मस्तिष्क का संकेत आश्चर्यजनक रूप से स्थिर रहता है।

निष्कर्ष (The Bottom Line)

यह शोध पत्र यह वादा नहीं करता कि यह अभी बीमारियों को ठीक करेगा या रोबोट बनाएगा। इसके बजाय, यह वैज्ञानिकों को एक नया, शक्तिशाली आवर्धक लेंस (मैग्निफाइंग ग्लास) प्रदान करता है। इस उपकरण के साथ, वे अंततः देख सकते हैं कि मस्तिष्क के विभिन्न हिस्सों में कितना "सामूहिक कंपन" हो रहा है, जिससे हमें यह समझने में मदद मिलती है कि हमारे न्यूरल नेटवर्क सूचना ले जाने में कितने सक्षम हैं।