🧠 neuroscience

Gaussian Process Inference Reveals Non-separability of Positionand Velocity Tuning in Grid Cells

स्वतंत्र रूप से चरने वाले चूहों में ग्रिड कोशिकाओं के चार-आयामी ट्यूनिंग कर्व्स का विश्लेषण करने के लिए गॉसियन प्रोसेस विधियों को लागू करके, यह अध्ययन प्रकट करता है कि स्थिति और वेग ट्यूनिंग अक्सर गैर-पृथकरणीय होते हैं, जो एक जटिल अंतःक्रिया है जो पारंपरिक द्वि-आयामी विश्लेषणों में अनकही रह जाती है।

मूल लेखक: Warton, L., Ganguli, S., Giocomo, L.

प्रकाशित 2026-02-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Warton, L., Ganguli, S., Giocomo, L.

मूल पेपर CC BY 4.0 (https://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

कल्पना कीजिए कि आपके मस्तिष्क में एक इन-बिल्ट जीपीएस (GPS) है, एक परिष्कृत आंतरिक मानचित्र जो आपको रास्ता खोजने में मदद करता है। दशकों से, वैज्ञानिक मस्तिष्क के उन "ग्रिड सेल्स" (grid cells) का अध्ययन कर रहे हैं जो इस मानचित्र पर ग्रिड लाइनों की तरह कार्य करते हैं। जैसे-जैसे आप चलते हैं, ये कोशिकाएं एक सुंदर, दोहराते हुए षट्कोणीय (hexagonal) पैटर्न में सक्रिय होती हैं, जिससे आपको यह जानने में मदद मिलती है कि आप ठीक कहाँ हैं।

लेकिन यहाँ बड़ा सवाल यह है: क्या यह मानचित्र वैसा ही रहता है चाहे आप किसी भी तरह से चलें?

यदि आप धीरे चलते हैं, तो क्या मानचित्र वैसा ही दिखता है जैसा कि तब दिखता है जब आप दौड़ते हैं? यदि आप बाईं ओर चलते हैं, तो क्या मानचित्र दाईं ओर चलने के समान ही होता है?

लंबे समय तक, वैज्ञानिकों ने माना कि उत्तर "हाँ" है। उन्होंने सोचा कि मस्तिष्क आप कहाँ हैं (स्थिति) और आप कितनी तेज़ी से/किस दिशा में चल रहे हैं (वेग) को दो पूरी तरह से अलग चीज़ों के रूप में संभालता है। यह ऐसा था जैसे यह सोचना कि मानचित्र कागज का एक स्थिर टुकड़ा है, और आपकी गति बस एक डायल को घुमाती है जो मानचित्र को अधिक चमकीला या धुंधला बनाती है, लेकिन कभी भी सड़कों के आकार को नहीं बदलती।

यह नया शोध पत्र कहता है: वास्तव में, मानचित्र हमारी सोच से कहीं अधिक गतिशील है।

समस्या: खाली कुर्सियों वाला एक भीड़भाड़ वाला कमरा

यह पता लगाने के लिए, शोधकर्ताओं को यह देखने की आवश्यकता थी कि चूहे एक खुले क्षेत्र में इधर-उधर दौड़ रहे हों, तो मस्तिष्क कैसा व्यवहार करता है। वे "ट्यूनिंग कर्व" (tuning curve) देखना चाहते थे—जो एक फैंसी शब्द है जिसका अर्थ है एक ऐसा मानचित्र जो हर उस संभावित संयोजन के लिए दिखाता है कि मस्तिष्क कोशिका कितनी सक्रिय होती है:

चूहा कहाँ है (बाएँ/दाएँ, ऊपर/नीचे)।
चूहा कितनी तेज़ी से और किस दिशा में चल रहा है (तेज़ बाएँ, धीमा दाएँ, आदि)।

यह एक 4-आयामी स्थान (4-dimensional space) बनाता है (स्थिति X, स्थिति Y, वेग X, वेग Y)।

उपमा: कल्पना कीजिए कि आप एक भीड़ भरे डांस फ्लोर की फोटो लेने की कोशिश कर रहे हैं, लेकिन आपको केवल तभी फोटो लेने को मिलता है जब नर्तक एक विशिष्ट टाइल पर उतरते हैं। क्योंकि चूहे सीधी रेखाओं में और स्थिर गति से नहीं दौड़ते, वे डांस फ्लोर के बहुत बड़े हिस्सों को छोड़ देते हैं। कुछ टाइल्स हज़ारों बार देखी जाती हैं; अन्य को कभी छुआ ही नहीं जाता।

यदि आप केवल उन टाइल्स के आधार पर एक मानचित्र बनाने की कोशिश करते हैं जिन्हें चूहों ने वास्तव में देखा, तो आपका मानचित्र बड़े गड्ढों से भरा होगा। आप यह नहीं बता पाएंगे कि मानचित्र बदल रहा था या आपने बस पर्याप्त गहराई से नहीं देखा था।

समाधान: "जादुई भविष्यवक्ता" (Gaussian Processes)

इन खाली जगहों को भरने के लिए, शोधकर्ताओं ने एक सांख्यिकीय उपकरण का उपयोग किया जिसे गौसियन प्रोसेस (Gaussian Process - GP) कहा जाता है।

उपमा: गैसियन प्रोसेस को एक सुपर-स्मार्ट, कलात्मक भविष्यवक्ता के रूप में सोचें। यदि आप इसे कागज पर कुछ बिंदु दिखाते हैं, तो यह केवल उन्हें सीधी रेखाओं से नहीं जोड़ता; बल्कि यह बिंदुओं के पैटर्न का उपयोग यह अनुमान लगाने के लिए करता है कि खाली स्थानों में चित्र कैसा दिखता है। यह कहता है, "यहाँ और वहाँ के बिंदुओं के आधार पर, मुझे 90% यकीन है कि यहाँ एक वक्र (curve) है, और शायद वहाँ एक पहाड़ी है।"

इस "जादुई भविष्यवक्ता" का उपयोग करके, शोधकर्ता चूहों की गति के डेटा के अंतराल को भरने में सक्षम हुए और यह बनाने में सफल रहे कि मस्तिष्क की कोशिकाएं कैसे सक्रिय हो रही थीं, जिसका एक सुचारू और पूर्ण 4D मानचित्र तैयार हुआ।

खोज: मानचित्र अपना आकार बदलता है

एक बार जब उनके पास पूर्ण मानचित्र आ गया, तो उन्होंने "पुराने स्कूल" के सिद्धांत (कि स्थिति और गति अलग-अलग हैं) के साथ इसकी तुलना की।

पुराना सिद्धांत (Separable): कल्पना कीजिए कि एक प्रोजेक्टर दीवार पर एक मानचित्र दिखा रहा है। यदि आप गति बढ़ाते हैं, तो प्रोजेक्टर बस छवि को अधिक चमकीला बना देता है। सड़कें नहीं हिलतीं; वे बस अधिक चमकती हैं।
नई वास्तविकता (Non-Separable): शोधकर्ताओं ने पाया कि कई मस्तिष्क कोशिकाओं के लिए, मानचित्र वास्तव में अपना आकार बदलता है। जब चूहा तेज़ दौड़ता है, तो आंतरिक मानचित्र पर "सड़कें" खिसक सकती हैं, खिंच सकती हैं, या यहाँ तक कि गायब होकर नई जगहों पर फिर से प्रकट हो सकती हैं।

रूपक: यह कार चलाने जैसा है।

सेपरेबल (Separable) दृष्टिकोण: सड़क के संकेत उसी स्थान पर रहते हैं चाहे आप 20 मील प्रति घंटे या 60 मील प्रति घंटे की गति से चलें; आप बस उन्हें तेज़ी से देखते हैं।
नॉन-सेपरेबल (Non-separable) दृष्टिकोण: 20 मील प्रति घंटे की गति पर, सड़क एक सीधी हाईवे जैसी दिखती है। 60 मील प्रति घंटे पर, सड़क अचानक मुड़ जाती है, या एक नया निकास (exit) दिखाई देने लगता है। सड़क स्वयं आपकी गति के प्रति प्रतिक्रिया कर रही है।

यह क्यों मायने रखता है?

शोधकर्ताओं ने पाया कि यह "आकार बदलने वाला" व्यवहार केवल तभी स्पष्ट हुआ जब उनके पास मानचित्र भरने के लिए पर्याप्त डेटा था। उन सत्रों में जहाँ चूहों ने बहुत अधिक दौड़ लगाई (अधिक डांस फ्लोर कवर किया), "जादुई भविष्यवक्ता" (GP) ने दिखाया कि मस्तिष्क कोशिकाएं कुछ जटिल और संवादात्मक (interactive) कर रही थीं। उन सत्रों में जहाँ चूहे पर्याप्त रूप से इधर-उधर नहीं घूमे, डेटा बहुत कम था, और यह पुराने, सरल सिद्धांत के सही होने जैसा लग रहा था।

निष्कर्ष:
हमारा मस्तिष्क GPS केवल गति के लिए वॉल्यूम नॉब वाला एक स्थिर मानचित्र नहीं है। यह एक जीवंत, सांस लेता हुआ, 4D प्रतिनिधित्व है जहाँ आप कहाँ हैं और आप कैसे चल रहे हैं आपस में गहराई से जुड़े हुए हैं। मानचित्र आपकी गति के आधार पर लचीला और परिवर्तनशील होता है, जो यह सुझाव देता है कि हमारा मस्तिष्क वास्तविक समय में हमारी वास्तविकता की निरंतर पुनर्गणना कर रहा है, न कि केवल एक निश्चित स्थान को ट्रैक कर रहा है।

यह अध्ययन हमें याद दिलाता है कि मस्तिष्क की जटिल मशीनरी को समझने के लिए, कभी-कभी हमें खाली स्थानों को भरने के लिए बेहतर उपकरणों की आवश्यकता होती है, क्योंकि सत्य अक्सर उन स्थानों में छिपा होता है जहाँ हमने देखने की उम्मीद भी नहीं की थी।

यहाँ शोध पत्र "Gaussian Process Inference Reveals Non-separability of Position and Velocity Tuning in Grid Cells" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मीडियल एन्टोरहिनल कॉर्टेक्स (MEC) में ग्रिड कोशिकाएं (grid cells) स्थानिक नेविगेशन के लिए मौलिक हैं, जिन्हें पारंपरिक रूप से 2D स्थान में आवधिक, षट्कोणीय (hexagonal) फायरिंग पैटर्न द्वारा पहचाना जाता है। हालांकि यह स्थापित है कि ग्रिड कोशिकाएं गति (speed) और सिर की दिशा जैसे चरों (variables) को भी एनकोड करती हैं, लेकिन स्थिति (position) और वेग (velocity) के बीच परस्पर क्रिया की प्रकृति अभी भी अस्पष्ट है।

मुख्य प्रश्न: क्या ग्रिड कोशिकाएं स्थिति और वेग को स्वतंत्र रूप से एनकोड करती हैं (एक सेपरेबल (separable) कोड जहाँ वेग केवल एक स्थिर स्थिति मानचित्र पर 'गेन मॉड्यूलेशन' के रूप में कार्य करता है), या क्या वे इन चरों को एक जटिल, नॉन-सेपरेबल (non-separable) 4D प्रतिनिधित्व में एकीकृत करती हैं जहाँ वेग के आधार पर स्थिति ट्यूनिंग स्वयं बदल जाती है?
चुनौती: इसकी जांच करने के लिए 4D व्यवहारिक स्थान (2D स्थिति $\times$ 2D वेग) के व्यापक नमूनाकरण (sampling) की आवश्यकता है। प्राकृतिक खोज व्यवहार (foraging behavior) में, जानवर शायद ही कभी स्थिति और वेग के सभी संयोजनों पर जाते हैं, जिससे 4D स्थान में अत्यधिक डेटा विरलता (sparsity) उत्पन्न होती है। पारंपरिक बिनिंग विधियाँ (binning methods) बिना देखे गए बिंदुओं पर फायरिंग दर का अनुमान लगाने में विफल रहती हैं, जिससे वास्तविक नॉन-सेपरेबिलिटी और सैंपलिंग आर्टिफ़ेक्ट्स (sampling artifacts) के बीच अंतर करना कठिन हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखकों ने गार्डनर एट अल. (2022) के एक बड़े पैमाने के डेटासेट का लाभ उठाया, जिसमें एक खुले क्षेत्र में स्वतंत्र रूप से घूमते चूहों के न्यूरोपिक्सेल्स (Neuropixels) रिकॉर्डिंग शामिल हैं।

डेटा प्रीप्रोसेसिंग:
- आयाम (Dimensions): $x$ -स्थिति, $y$ -स्थिति, $x$ -वेग, और $y$ -वेग से मिलकर एक 4D व्यवहारिक स्थान बनाया गया।
- बिनिंग (Binning): स्थान को $30 \times 30$ स्थिति बिनों (5 सेमी) और $5 \times 5$ वेग बिनों (10 सेमी/सेकंड) में विभाजित किया गया, जिसके परिणामस्वरूप कुल 22,500 बिन बने।
- विरलता की समस्या (Sparsity Issue): विश्लेषण से पता चला कि अधिकांश सत्रों में, चूहों ने इन बिनों में से 50% से कम का दौरा किया, जिससे डेटा में महत्वपूर्ण अंतराल उत्पन्न हो गए।
गौसियन प्रोसेस (GP) इन्फरेंस:
- इस विरलता से निपटने के लिए, लेखकों ने 4D स्थान में अनदेखे बिंदुओं पर फायरिंग दर का अनुमान लगाने के लिए गौसियन प्रोसेस (GP) रिग्रेशन लागू किया।
- कर्नेल (Kernel): सीखा गया लेंथ स्केल (learned length scales) (स्थिति के लिए 10, वेग के लिए 10 सेमी/सेकंड) के साथ एक माटेर्न कर्नेल ( $\nu = 5/2$ ) का उपयोग किया गया।
- वैलिडेशन (Validation): मॉडल यह सुनिश्चित करने के लिए कि वह पैटर्न की कल्पना (hallucinating) नहीं कर रहा है, $k$ -फोल्ड क्रॉस-वैलिडेशन (80/20 स्प्लिट) का उपयोग किया गया। मॉडल के प्रदर्शन को होल्ड-आउट डेटा पर फ्रैक्शन ऑफ वेरिएंस एक्सप्लेंड (FVE) का उपयोग करके मापा गया।
- नल मॉडल (Null Model): यह पुष्टि करने के लिए कि देखी गई नॉन-सेपरेबिलिटी GP इंटरपोलेशन का आर्टिफ़ेक्ट नहीं है, शून्य-वेग डेटा पर आधारित इनवेरिएंट ट्यूनिंग वाले नल मॉडल का उपयोग करके स्पाइक ट्रेनों को सिम्युलेट किया गया।
तुलनात्मक मॉडलिंग (Comparative Modeling):
- सेपरेबल मॉडल: एक बेसलाइन मॉडल जो यह मानता है कि फायरिंग दर $r(x, y, v_x, v_y)$ स्वतंत्र स्थिति और वेग फलनों का गुणनफल है: $f_{pos}(x, y) \cdot f_{vel}(v_x, v_y)$ । इसे नॉन-नेगेटिविटी बाधाओं के साथ ग्रेडिएंट डिसेंट (PyTorch) का उपयोग करके अनुकूलित किया गया।
- तुलना: लेखकों ने होल्ड-आउट डेटा पर पूर्ण GP मॉडल के मुकाबले सेपरेबल मॉडल के FVE की तुलना की। सेपरेबल मॉडल की तुलना में GP मॉडल द्वारा FVE में महत्वपूर्ण सुधार नॉन-सेपरेबिलिटी का संकेत देता है।
मात्रात्मक मेट्रिक्स (Quantitative Metrics):
- $\Delta$ FVE: इसे $FVE_{GP} - FVE_{separable}$ के रूप में परिभाषित किया गया। धनात्मक मान नॉन-सेपरेबिलिटी का सुझाव देते हैं।
- SDCS (कोसाइन सिमिलरिटी का मानक विचलन): विशिष्ट वेग बिनों के बीच और मार्जिनलाइज्ड पोजीशन ट्यूनिंग कर्व के बीच कोसाइन सिमिलरिटी की गणना की गई। उच्च SDCS इंगित करता है कि वेग के विभिन्न स्तरों पर ग्रिड फील्ड का आकार महत्वपूर्ण रूप से बदल जाता है।

3. मुख्य परिणाम (Key Results)

नॉन-सेपरेबिलिटी के प्रमाण:
- उच्च डेटा घनत्व वाले सत्रों में (विशेष रूप से चूहा R, दिन 1), GP मॉडल सेपरेबल मॉडल की तुलना में काफी बेहतर प्रदर्शन करता है ( $\Delta$ FVE > 0)। यह दर्शाता है कि कई कोशिकाओं के लिए, स्थिति ट्यूनिंग स्थिर नहीं है बल्कि वेग के साथ परस्पर क्रिया करती है।
- सिंगल-सेल ट्यूनिंग कर्व्स के विज़ुअलाइज़ेशन से पता चला कि ग्रिड फील्ड्स वेग वेक्टर के आधार पर स्थान बदल सकते हैं, आकार बदल सकते हैं, प्रकट हो सकते हैं या गायब हो सकते हैं, न कि केवल परिमाण (magnitude) को स्केल करते हैं (गेन मॉड्यूलेशन)।
डेटा कवरेज थ्रेशोल्ड (Data Coverage Threshold):
- नॉन-सेपरेबिलिटी का पता लगाने की क्षमता डेटा कवरेज पर सख्ती से निर्भर है। कम डेटा घनत्व (छोटे सत्रों) वाले सत्रों में, सेपरेबल मॉडल अक्सर GP मॉडल के बराबर या उससे बेहतर प्रदर्शन करता है।
- डेटा घनत्व (विजिट किए गए बिनों का अंश) और $\Delta$ FVE के बीच एक मजबूत सकारात्मक सहसंबंध पाया गया। यह सुझाव देता है कि नॉन-सेपरेबिलिटी खोजने में विफल रहे पिछले अध्ययन अपर्याप्त व्यवहारिक सैंपलिंग द्वारा सीमित रहे होंगे।
कोशिकीय परिवर्तनशीलता (Cellular Variability):
- नॉन-सेपरेबिलिटी सभी कोशिकाओं में समान नहीं है। कुछ कोशिकाओं ने ट्यूनिंग में क्रमिक परिवर्तन दिखाया, जबकि अन्य ने नाटकीय बदलाव (जैसे ग्रिड फील्ड का गायब होना) प्रदर्शित किए।
- सहसंबंध (Correlations): $\Delta$ FVE का मीन फायरिंग रेट और SDCS के साथ महत्वपूर्ण सहसंबंध था, लेकिन ग्रिड स्कोर या ग्रिड स्केल के साथ नहीं। इसका तात्पर्य है कि यह घटना ग्रिड की ज्यामितीय गुणवत्ता के बजाय न्यूरल सिग्नल की समृद्धि और ट्यूनिंग इंटरैक्शन की जटिलता द्वारा संचालित होती है।
वैलिडेशन:
- पर्याप्त डेटा होने पर भी, नल मॉडल (जहाँ ट्यूनिंग वास्तव में सेपरेबल थी) का उपयोग करके किए गए सिमुलेशन ने दिखाया कि GP मॉडल ने गलत नॉन-सेपरेबिलिटी उत्पन्न नहीं की, जो निष्कर्षों की मजबूती की पुष्टि करता है।

4. मुख्य योगदान (Key Contributions)

मेथोडोलॉजिकल इनोवेशन: स्पार्स व्यवहारिक डेटा से 4D न्यूरल ट्यूनिंग कर्व्स (Position $\times$ Velocity) को पुनर्गठित करने के लिए गौसियन प्रोसेस को सफलतापूर्वक लागू किया, जो उच्च-आयामी न्यूरोसाइंस विश्लेषण में एक बड़ी सीमा को दूर करता है।
सैद्धांतिक अंतर्दृष्टि: इस बात के पुख्ता सबूत दिए कि ग्रिड सेल कोडिंग नॉन-सेपरेबल है। स्थिति और वेग एक संयुक्त 4D न्यूरल मैनिफोल्ड में एकीकृत होते हैं, जो इस विचार को चुनौती देते हैं कि वेग केवल एक स्थिर स्थानिक मानचित्र पर मल्टीप्लिकेटिव गेन के रूप में कार्य करता है।
सैंपलिंग बायस की पहचान: एक महत्वपूर्ण डेटा कवरेज थ्रेशोल्ड स्थापित किया जो नॉन-सेपरेबल ट्यूनिंग को देखने के लिए आवश्यक है। यह साहित्य में मौजूद विसंगतियों की व्याख्या करता है और भविष्य के उच्च-आयामी न्यूरल रिकॉर्डिंग अध्ययनों के लिए एक मानक निर्धारित करता है।
ट्यूनिंग डायनेमिक्स का लक्षण वर्णन: यह प्रदर्शित किया कि वेग निर्भरता सरल गेन मॉड्यूलेशन के बजाय ग्रिड फील्ड्स में जटिल संरचनात्मक परिवर्तनों (स्थानांतरण, विरूपण, उपस्थिति/विलुप्ति) के रूप में प्रकट होती है।

5. महत्व (Significance)

न्यूरल नेविगेशन मॉडल का संशोधन: ये निष्कर्ष सुझाव देते हैं कि MEC के कम्प्यूटेशनल मॉडल, जैसे कि कंटीन्यूअस अट्रैक्टर नेटवर्क (CANs), को एक कठोर मीट्रिक मानने के बजाय, गतिशील, वेग-निर्भर स्थानिक प्रतिनिधित्व को ध्यान में रखना चाहिए।
मैकेनिस्टिक निहितार्थ: नॉन-सेपरेबिलिटी यह संकेत देती है कि ग्रिड कोशिकाओं के अंतर्निहित न्यूरल सर्किटरी में ट्रैवलिंग वेव्स (traveling waves), प्रोस्पेक्टिव कोडिंग, या थीटा स्वीप्स (theta sweeps) जैसे तंत्र शामिल हो सकते हैं जो स्थान कोड में सीधे गति और दिशा को एकीकृत करते हैं।
भविष्य की दिशाएं: यह ढांचा और भी उच्च-आयामी प्रतिनिधित्वों (जैसे पुतली का आकार, व्हिस्किंग, या कार्य संदर्भ जोड़ना) का विश्लेषण करने के लिए एक ब्लूप्रिंट प्रदान करता है ताकि उन इंटरैक्शन कारकों को उजागर किया जा सके जो निम्न-आयामी विश्लेषणों में औसत (average out) हो जाते हैं। यह बाहरी स्थान के लिए न्यूरल कोड को पूरी तरह से समझने के लिए उच्च-आयामी मॉडलिंग की आवश्यकता को रेखांकित करता है।