One Circuit, Many Flow Fields: Mechanistic Models of Single-Trial Neural Dynamics
यह शोध पत्र एक लो-रैंक रिकरेंट नेटवर्क मॉडल प्रस्तावित करता है जो सिंगल-ट्रायल न्यूरल वेरिएबिलिटी को ट्रायल-विशिष्ट कंट्रोल पैरामीटर्स द्वारा संचालित एक साझा सर्किट के फ्लो फील्ड के निरंतर विरूपण (continuous deformations) के रूप में पुनर्गठित करता है, जो सफलतापूर्वक ग्राउंड-ट्रुथ डायनेमिक्स को रिकवर करता है और मोटर कॉर्टेक्स डेटा में व्याख्या योग्य व्यवहारिक जुड़ाव और कार्य संरचना को प्रकट करता है।
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
मस्तिष्क की कल्पना अक्सर एक विशाल, स्थिर मशीन के रूप में की जाती है, जहाँ एक ही विद्युत सर्किट एक ही अनुमानित पैटर्न में फायर होकर वही समान गतिविधियाँ उत्पन्न करते हैं। दशकों से, वैज्ञानिकों ने तंत्रिका गतिविधि (neural activity) को गतिशील प्रणालियों (dynamical systems) की भाषा का उपयोग करके वर्णित किया है, जिसमें मस्तिष्क को पहाड़ियों और घाटियों के एक परिदृश्य के रूप में देखा जाता है जो विचारों और कार्यों को विशिष्ट पथों पर निर्देशित करते हैं। इस पारंपरिक दृष्टिकोण में, परिदृश्य का आकार स्थिर होता है; यदि कोई व्यक्ति कप उठाने के लिए हाथ बढ़ाता है, तो उसकी मस्तिष्क गतिविधि एक निर्धारित मार्ग का अनुसरण करती है, और एक प्रयास से दूसरे प्रयास के बीच कोई भी अंतर केवल यादृच्छिक शोर (random noise) होता है, जैसे रेडियो लाइन पर स्टेटिक। हालाँकि, हाल के अवलोकनों ने इस चित्र को चुनौती दी है। जब जानवर एक ही कार्य को बार-बार करते हैं, तो उनकी मस्तिष्क गतिविधि केवल एक एकल पथ के इर्द-गिर्द नहीं डगमगाती; बल्कि यह संगठित, अर्थपूर्ण तरीकों से बदलती है। ये बदलाव अक्सर जानवर की आंतरिक स्थिति, जैसे कि वह कितना सतर्क या व्यस्त है, के साथ सह-संबंधित होते हैं, जो यह सुझाव देते हैं कि सूचना को संसाधित करने के मस्तिष्क के नियम स्वयं लचीले हो सकते हैं, जो स्थिति के अनुसार क्षण-प्रति-क्षण बदलते रहते हैं।
तेल अवीव यूनिवर्सिटी और एलन इंस्टीट्यूट के शोधकर्ताओं का एक नया अध्ययन इन उतार-चढ़ावों को समझने के हमारे तरीके में एक क्रांतिकारी बदलाव का प्रस्ताव करता है। इन प्रयासों के बीच के अंतर को केवल औसत निकालने योग्य त्रुटियों के रूप में मानने के बजाय, टीम का सुझाव है कि एक एकल तंत्रिका सर्किट विभिन्न ऑपरेटिंग मोडों का एक निरंतर परिवार उत्पन्न कर सकता है। उनका तर्क है कि मस्तिष्क केवल एक निश्चित मानचित्र के चारों ओर नहीं घूमता; वास्तव में वह मानचित्र को स्वयं फिर से बनाता है। इसकी परीक्षा करने के लिए, शोधकर्ताओं ने एक गणितीय मॉडल विकसित किया जो प्रत्येक मस्तिष्क गतिविधि के क्षण को एक साझा सर्किट के अद्वितीय विन्यास (configuration) के रूप में मानता है। उन्होंने पाया कि प्रत्येक प्रयास के लिए कुछ छिपे हुए नियंत्रण मापदंडों (control parameters) का अनुमान लगाकर, वे यह समझा सकते हैं कि मस्तिष्क का आंतरिक परिदृश्य कैसे विकृत होता है, जो अंतर्निहित वायरिंग को बदले बिना एक स्थिर अवस्था से दूसरी अवस्था में स्थानांतरित हो जाता है।
शोधकर्ताओं ने पहले एक नियंत्रित सिमुलेशन में इस विचार का परीक्षण किया, एक कृत्रिम मस्तिष्क सर्किट बनाया जिसके ज्ञात नियम थे और फिर अपने मॉडल से उन नियमों को केवल गतिविधि को देखकर पहचानने के लिए कहा। मॉडल सफल रहा और उसने छिपी हुई संरचना को पुनः प्राप्त किया, यह पहचानते हुए कि कैसे नियंत्रण संकेत में छोटे बदलाव एक ऐसी प्रणाली को बना सकते हैं जिसमें दो स्थिर अवस्थाएँ थीं, जबकि अब केवल एक ही अवस्था बची थी। इसने सिद्ध किया कि यह पद्धति यादृच्छिक शोर और सर्किट के संचालन में वास्तविक, संरचित परिवर्तनों के बीच अंतर कर सकती है। टीम ने इस दृष्टिकोण को वास्तविक डेटा पर लागू किया जो एक विलंबित आंदोलन कार्य (delayed movement task) करने वाले चूहों के मस्तिष्क से रिकॉर्ड किया गया था। इन प्रयोगों में, चूहों को इनाम पाने के लिए एक सिग्नल का इंतजार करना था और फिर एक स्प्राउट को चाटना था। शोधकर्ताओं ने देखा कि कुछ प्रयासों में, चड़ों ने सिग्नल को अनदेखा कर दिया और कोई हलचल नहीं की। मस्तिष्क गतिविधि का विश्लेषण करके, मॉडल ने नियंत्रण स्थान (control space) में एक विशिष्ट दिशा की पहचान की जो इस विमुखता (disengagement) के अनुरूप थी। जब शोधकर्ताओं ने एक व्यस्त चूहे की गतिविधि को इस दिशा में गणितीय रूप से स्थानांतरित किया, तो मॉडल की सिम्युलेटेड मस्तिष्क गतिविधि बिल्कुल विमुख अवस्था की तरह दिखने लगी, जिससे भौतिक कनेक्शनों को बदले बिना सर्किट को "काम करने" से "अनदेखा करने" की स्थिति में प्रभावी रूप से बदल दिया गया।
अध्ययन ने बंदरों द्वारा किए जाने वाले रीचिंग टास्क (पहुंचने के कार्य) के दौरान मोटर कॉर्टेक्स से प्राप्त रिकॉर्डिंग का भी अवलोकन किया। यहाँ, लक्ष्य यह देखना था कि क्या मॉडल ध्यान जैसी आंतरिक स्थितियों के बजाय विशिष्ट कार्य से संबंधित नियंत्रण दिशाओं को खोज सकता है। शोधकर्ताओं ने पाया कि मॉडल ने नियंत्रण स्थान के भीतर एक सुचारू, द्वि-आयामी तल (plane) में बंदर के विभिन्न दिशाओं में पहुँचने के तरीकों को व्यवस्थित किया। सिमुलेशन में इस तल के साथ एक प्रयास की गतिविधि को चलाने से डिकोड की गई गति अनुमानित रूप से घूम जाती थी, जो नए लक्ष्य की दिशा से मेल खाती थी। इसने प्रदर्शित किया कि मॉडल ने एक निरंतर नियंत्रण तंत्र की खोज की थी जहाँ मस्तिष्क गति को निर्देशित करने के लिए अपने डायनेमिक्स को सुचारू रूप से समायोजित करता है, न कि कुछ अलग-अलग विकल्पों के बीच स्विच करता है। इसके अलावा, शोधकर्ताओं ने दिखाया कि एक बंदर से सीखे गए इन नियंत्रण मापदंडों के सांख्यिकीय पैटर्न को उसी कार्य को करने वाले दूसरे बंदर पर स्थानांतरित किया जा सकता था। यह सुझाव देता है कि मस्तिष्क जिस तरह से अपने डायनेमिक्स को नया आकार देता है, वह किसी एक जानवर की यादृच्छिक विचित्रता नहीं है, बल्कि यह कि कैसे ये सर्किट संचालित होते हैं, इसका एक साझा, मौलिक गुण है।
इस कार्य का महत्व एक पद्धतिगत समस्या को वैज्ञानिक खोज में बदलने की इसकी क्षमता में निहित है। उतार-चढ़ाव को एक निम्न-आयामी नियंत्रण स्थान (low-dimensional control space) के माध्यम से एक संचलन के रूप में पुनर्गठित करके, शोधकर्ता मस्तिष्क की आंतरिक सेटिंग्स को सीधे उसकी गतिविधि से पढ़ने का एक तरीका प्रदान करते हैं। यह मॉडल केवल एक वर्णनात्मक उपकरण नहीं है; यह यांत्रिक (mechanistic) है, जिसका अर्थ है कि यह विशिष्ट इनपुट पैटर्न की पहचान करता है जिन्हें जीवित जानवर में परखा जा सकता है। शोधकर्ताओं का सुझाव है कि अनुमानित नियंत्रण संकेतों की नकल करने के लिए लक्षित प्रकाश उत्तेजना (targeted light stimulation) का उपयोग करके, वैज्ञानिक एक मस्तिष्क सर्किट को एक डायनामिकल रिजीम से दूसरे में धकेल सकते हैं, जैसे कि एक विमुख जानवर को पुनः व्यस्त करना या पहुँच की दिशा को बदलना। यह दृष्टिकोण केवल यह वर्णन करने से आगे बढ़कर कि मस्तिष्क क्या करता है, यह समझाने की ओर बढ़ता है कि वह विविध व्यवहारों को उत्पन्न करने के लिए अपने समान हार्डवेयर का इतनी लचीले ढंग से पुन: उपयोग कैसे करता है, जो मन की गतिशील और अनुकूलन योग्य प्रकृति को देखने के लिए एक नया दृष्टिकोण प्रदान करता 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।