Do we understand orientation selectivity? A simulation study

कल्पना कीजिए कि आपका मस्तिष्क एक विशाल, हलचल भरा शहर है जहाँ अरबों नन्हे संदेशवाहक (न्यूरॉन्स) लगातार एक-दूसरे को संदेश चिल्लाकर भेज रहे हैं। इस शहर में सबसे दिलचस्प कामों में से एक "विजुअल डिस्ट्रिक्ट" (दृश्य क्षेत्र) में हो रहा है, जो एक ऐसा मोहल्ला है जो इस बात को प्रोसेस करने के लिए समर्पित है कि आप क्या देखते हैं। दशकों से, वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि ये संदेशवाहक यह कैसे तय करते हैं कि किन आकृतियों पर ध्यान देना है। विशेष रूप से, वे यह जानना चाहते थे कि क्यों कुछ न्यूरॉन्स केवल तभी उत्तेजित होते हैं जब वे एक ऊर्ध्वाधर (vertical) रेखा देखते हैं, जबकि अन्य को केवल क्षैतिज (horizontal) रेखाओं की परवाह होती है। इसे ओरिएंटेशन चयनात्मकता (orientation selectivity) कहा जाता है। यह एक क्लब के सुरक्षा गार्ड की तरह है जो केवल उन लोगों को अंदर जाने देता है जिन्होंने लाल टोपी पहनी हो; मस्तिष्क में, ये गार्ड केवल "ऊर्ध्वाधर रेखा" वाले संकेतों को ही गुजरने देते हैं।

लंबे समय तक, वैज्ञानिकों को लगा कि उनके पास इस क्लब के काम करने का ब्लूप्रिंट (खाका) है। उनका मानना था कि यदि आप संदेशवाहकों को सही ढंग से व्यवस्थित कर दें—यह सुनिश्चित करते हुए कि ऊर्ध्वाधर रेखाओं को पसंद करने वाले पड़ोसी हों और वे सभी निर्देश सही स्रोत से प्राप्त करें—तो मस्तिष्क स्वाभाविक रूप से रेखाओं को छाँटना शुरू कर देगा। ऐसा लग रहा था कि यह वायरिंग का एक सरल मामला है: यदि आप सही सड़क मानचित्र बनाते हैं, तो यातायात सुचारू रूप से चलेगा। लेकिन जैसा कि हम देखेंगे, मस्तिष्क एक साधारण मानचित्र से कहीं अधिक जटिल है, और कभी-कभी, सबसे अच्छी योजनाओं को भी वास्तविक दुनिया में काम करने के लिए थोड़े अतिरिक्त सहयोग की आवश्यकता होती है।

---

द ग्रेट ब्रेन सिमुलेशन: क्यों ब्लूप्रिंट काफी नहीं था

इस अध्ययन में, ब्लू ब्रेन प्रोजेक्ट के शोधकर्ताओं की एक टीम ने पुराने ब्लूप्रिंट का परीक्षण करने का निर्णय लिया। इसके लिए उन्होंने अब तक का सबसे यथार्थवादी, हाई-डेफिनिशन माउस विजुअल कॉर्टेक्स सिमुलेशन बनाया। इसे एक छोटे से चूहे के मस्तिष्क के डिजिटल जुड़वां (डिजिटल ट्विन) के निर्माण के रूप में सोचें, लेकिन साधारण, कार्टून जैसे ब्लॉकों के बजाय, उन्होंने न्यूरॉन्स के अविश्वसनीय रूप से विस्तृत, 3D मॉडल का उपयोग किया जिनमें वास्तविक आकार, आकार और कनेक्शन थे। वे देखना चाहते थे कि क्या रेखाओं को छाँटने के पुराने नियम अभी भी काम करेंगे जब मस्तिष्क को इस स्तर की वास्तविक दुनिया की जटिलता के साथ बनाया जाएगा।

लाइन-सॉर्टिंग नियमों का परीक्षण करने से पहले ही, टीम ने आँखों से मस्तिष्क तक निर्देश लाने वाले "रास्तों" का मानचित्र बनाने की कोशिश की। उन्होंने माना कि न्यूरॉन्स का भौतिक आकार और उनके तारों (एक्सोन) के ऊपर से गुजरने का तरीका स्वाभाविक रूप से यह निर्धारित करेगा कि किस विशिष्ट प्रकार के न्यूरॉन्स से जुड़ाव होगा। यह यह मानने जैसा था कि यदि आप एक शहर का लेआउट और यह जानते हैं कि मेल ट्रक कहाँ चलते हैं, तो आप सटीक रूप से भविष्यवाणी कर सकते हैं कि किन घरों को मेल मिलेगा।

पहला आश्चर्य: मानचित्र गलत था
शोधकर्ताओं ने पाया कि उनके मस्तिष्क के विस्तृत 3D मानचित्र ने वास्तविक कनेक्शनों की भविष्यवाणी करने में विफल रहा। न्यूरॉन्स के आकार और स्थिति के पूर्ण ज्ञान के बावजूद, भौतिक लेआउट यह समझाने के लिए पर्याप्त नहीं था कि क्यों कुछ विशिष्ट प्रकार के न्यूरॉन्स को आँखों से मजबूत संकेत मिलते हैं जबकि अन्य को लगभग कोई संकेत नहीं मिलता। मस्तिष्क का "रोड मैप" सरल ज्यामिति द्वारा समझाया जाने वाला बहुत अधिक अव्यवस्थित और जटिल था। इसका मतलब था कि अन्य अदृश्य कारक—शायद रासायनिक संकेत या तारों के बीच प्रतिस्पर्धा—तय कर रहे थे कि किसे कनेक्शन मिलेगा, न कि केवल भौतिक लेआउट।

टीम ने फिर दो प्रसिद्ध विचारों को फिर से बनाने की कोशिश की जो यह समझाने के लिए होने चाहिए थे कि न्यूरॉन्स अपनी पसंदीदा रेखा के कोणों को कैसे चुनते हैं, इस उम्मीद में कि वे सॉर्टिंग समस्या को ठीक कर सकें:

1. "स्पेशल डिलीवरी" थ्योरी: यह विचार कि मस्तिष्क आँखों से निर्देश इस तरह प्राप्त करता है जो स्वाभाविक रूप से "प्रकाश" और "अंधेरे" के संकेतों को विशिष्ट पैटर्न में अलग करता है, जैसे कि डाक सेवा मेल को अलग-अलग डिब्बों में छाँटती है।
2. "बर्ड्स ऑफ अ फेदर" थ्योरी: यह विचार कि जो न्यूरॉन्स एक ही रेखा कोणों को पसंद करते हैं, वे स्वाभाविक रूप से एक-दूसरे से जुड़ते हैं, जिससे एक घनिष्ठ क्लब बनता है जहाँ वे एक-दूसरे की प्राथमिकताओं को मजबूत करते हैं।

टीम ने अपना सुपर-यथार्थवादी मॉडल बनाया, इसे इन दो सिद्धांतों (और सुधारे गए कनेक्शन डेटा) के साथ प्रोग्राम किया, और फिर यह देखने के लिए "रन" बटन दबाया कि क्या होता है। उन्होंने सिम्युलेटेड मस्तिष्क को चलती हुई रोशनी की पट्टियाँ देखीं, बिल्कुल वैसे ही जैसे एक चूहा वास्तव में देखता है।

बड़ा आश्चर्य:
सिमुलेशन विफल रहा। "स्पेशल डिलीवरी" निर्देशों और "बर्ड्स ऑफ अ फेदर" क्लबों के होने के बावजूद, डिजिटल माउस ब्रेन के न्यूरॉन्स रेखा कोणों को पहचानने में बहुत अच्छे नहीं हो पाए। ऊर्ध्वाधर रेखा और क्षैतिज रेखा के बीच अंतर करने की उनकी क्षमता वास्तविक चूहों में देखी जाने वाली क्षमता से बहुत कमजोर थी। वास्तव में, जब शोधकर्ताओं ने न्यूरॉन्स के बीच स्थानीय कनेक्शन ( "बर्ड्स ऑफ अ फेदर" वाला हिस्सा) जोड़े, तो इसने सॉर्टिंग को बेहतर बनाने के बजाय और भी खराब कर दिया।

यह एक बहुत बड़ी बात थी क्योंकि इसका मतलब था कि पुराने, सरल स्पष्टीकरण—जो बुनियादी, कम-विस्तार वाले कंप्यूटर मॉडल में ठीक से काम करते थे—यह समझाने के लिए पर्याप्त नहीं थे कि एक वास्तविक, जटिल मस्तिष्क कैसे काम करता है। यह एक स्केच का उपयोग करके काम करने वाला कार इंजन बनाने की कोशिश करने जैसा है; स्केच सही दिखता है, लेकिन जब आप इसमें सभी वास्तविक, भारी धातु के पुर्जे डालते हैं, तो इंजन झटके लेता है और शुरू नहीं हो पाता।

शोधकर्ताओं ने क्या खारिज किया

टीम केवल "यह काम नहीं किया" पर नहीं रुकी। उन्होंने जासूस की भूमिका निभाई ताकि यह पता लगाया जा सके कि क्यों यह काम नहीं किया। उन्होंने कई संभावनाओं का परीक्षण किया और उन्हें खारिज कर दिया:

• यह "स्पेशल डिलीवरी" सॉर्टिंग नहीं थी: उन्होंने आँखों से प्रकाश और अंधेरे के संकेतों को अलग करने के विभिन्न तरीकों को आज़माया, लेकिन चाहे उन्होंने उन्हें कैसे भी व्यवस्थित किया, मस्तिष्क रेखाओं को चुनने में सक्षम नहीं हुआ। इन संकेतों की भौतिक व्यवस्था अकेले जादुई कुंजी नहीं थी।
• यह केवल "बर्ड्स ऑफ अ फेदर" कनेक्शन नहीं था: उन्होंने जांचा कि क्या न्यूरॉन्स का आपस में जुड़ना समस्या थी। भले ही उन्होंने न्यूरॉन्स को ठीक वैसे ही जोड़ने के लिए मजबूर किया जैसा कि "बर्ड्स ऑफ अ फेदर" सिद्धांत भविष्यवाणी करता है, मस्तिष्क फिर भी रेखाओं को ठीक से छाँटने में विफल रहा।
• यह गणित में गलती नहीं थी: उन्होंने अपने कोड और नंबरों की दोबारा जाँच की, यह सुनिश्चित करते हुए कि उन्होंने कनेक्शनों की गणना करने में कोई साधारण त्रुटि नहीं की है।

नया परिकल्पना: मस्तिष्क को एक "स्व-समायोजन" प्रणाली की आवश्यकता है

तो, यदि वायरिंग और निर्देश पर्याप्त नहीं हैं, तो क्या कमी है? शोधकर्ता सुझाव देते हैं कि वास्तविक मस्तिष्क के पास एक गुप्त हथियार है जिसकी उनके सिमुलेशन में कमी थी: होमियोस्टैटिक प्लास्टिसिटी (homeostatic plasticity)।

इसे मस्तिष्क के लिए एक "स्व-समायोजन करने वाले थर्मोस्टेट" के रूप में सोचें। एक वास्तविक मस्तिष्क में, न्यूरॉन्स लगातार यह निगरानी करते हैं कि वे कितनी बार सक्रिय (fire) हो रहे हैं। यदि एक न्यूरॉन को बहुत अधिक इनपुट मिल रहा है और वह पागल होने वाला है, तो वह चुपचाप अपनी संवेदनशीलता को कम कर देता है। यदि उसे बहुत कम मिल रहा है, तो वह अपनी आवाज़ बढ़ा देता है। यह हर समय होता है, जिससे पूरा नेटवर्क संतुलित रहता है और काम करने के लिए तैयार रहता है।

सिमुलेशन में, न्यूरॉन्स स्थिर थे; वे खुद को समायोजित नहीं कर सकते थे। वे उन्हीं सेटिंग्स के साथ फंसे हुए थे जिनके साथ वे पैदा हुए थे। शोधकर्ताओं को संदेह है कि इस "स्व-समायोजन" क्षमता के बिना, एक वास्तविक मस्तिष्क के जटिल, अव्यवस्थित कनेक्शनों पर नियंत्रण नहीं रह पाता और वे अभिभूत हो जाते हैं। वे प्रस्ताव करते हैं कि मस्तिष्क को तारों के ढेर को एक सटीक, रेखा-पहचानने वाली मशीन में बदलने के लिए इस गतिशील संतुलन की आवश्यकता होती है।

निष्कर्ष

यह शोध पत्र मस्तिष्क वैज्ञानिकों के लिए एक वास्तविकता की जाँच है। यह दिखाता है कि केवल इसलिए कि कोई सिद्धांत एक सरल, स्वच्छ कंप्यूटर मॉडल में काम करता है, इसका मतलब यह नहीं है कि वह एक जीवित मस्तिष्क की अव्यवस्थित, जटिल वास्तविकता में भी काम करेगा। रेखाओं को छाँटने के बारे में पुराने विचार कहानी का हिस्सा तो हैं, लेकिन वे पूरी कहानी नहीं हैं।

लेखक सुझाव देते हैं कि दुनिया को देखने के लिए हमें मस्तिष्क को एक स्थिर सर्किट बोर्ड के रूप में देखना बंद करना होगा और इसे एक गतिशील, स्व-सुधारने वाली प्रणाली के रूप में देखना शुरू करना होगा। उन्होंने यह साबित नहीं किया है कि यह नया विचार निश्चित रूप से सही उत्तर है (क्योंकि वे अभी तक स्व-समायोजन प्रक्रिया को पूरी तरह से सिम्युलेट नहीं कर सकते), लेकिन उनके परिणाम दृढ़ता से संकेत देते हैं कि इसके बिना, मस्तिष्क की दृश्य प्रणाली उस तरह से काम नहीं करेगी जैसा वह करती है। यह एक याद दिलाता है कि मस्तिष्क केवल पुर्जों से बनी एक मशीन नहीं है, बल्कि एक जीवित प्रणाली है जो संतुलन बनाए रखने के लिए खुद को लगातार ट्यून करती रहती है।