Computational simulation reveals the critical role of spike-timing-dependent plasticity in synchrony

मानव मस्तिष्क अरबों सूक्ष्म विद्युत कोशिकाओं का एक विशाल नेटवर्क है, जो हमारे विचारों, स्मृतियों और धारणाओं को बनाने के लिए लगातार संकेत भेजता रहता है। दशकों से, वैज्ञानिक इस बात पर बहस कर रहे हैं कि ये कोशिकाएं सूचना संग्रहीत करने के लिए खुद को कैसे व्यवस्थित करती हैं। तर्क का एक पक्ष सुझाव देता है कि सीखना तब होता है जब न्यूरॉन्स के समूह एक ही सुर में, जैसे कि एक समूह गान (choir) एक ही समय में एक ही स्वर गा रहा हो, पूरी तरह से एक साथ फायर करते हैं। यह सिंक्रोनाइज़्ड (तुल्यकालिक) गतिविधि एक स्मृति बनने की भौतिक पहचान मानी जाती है। दूसरी ओर, विचारों का एक अलग स्कूल तर्क देता है कि जानकारी के उपयोगी होने के लिए, उसे विविध और अप्रत्याशित होना चाहिए। यदि प्रत्येक कोशिका ठीक उसी क्षण फायर करती है, तो संकेत बहुत अधिक एकसमान हो जाता है, जिससे जटिल विवरण ले जाने में कठिनाई होती है, ठीक वैसे ही जैसे एक रेडियो स्टेशन जो केवल एक ही स्वर प्रसारित करता है। सीखने के लिए एकता की आवश्यकता और सूचना को एनकोड करने के लिए विविधता की आवश्यकता के बीच का यह तनाव तंत्रिका विज्ञान (neuroscience) में एक लंबे समय से चले आ रहे पहेली का कारण बना हुआ है।

शोधकर्ता लंबे समय से जानते हैं कि मस्तिष्क न्यूरॉन्स के बीच संबंधों को मजबूत करने के लिए एक विशिष्ट नियम का उपयोग करता है: जब दो कोशिकाएं एक सटीक क्रम में फायर करती हैं, तो उनके बीच का लिंक मजबूत हो जाता है। यह प्रक्रिया, जिसे 'स्पाइक-टाइमिंग-डिपेंडेंट प्लास्टिसिटी' कहा जाता है, सीखने के पीछे का जैविक तंत्र है। हालांकि, यह स्पष्ट नहीं था कि यह सीखने का नियम इस विचार के साथ कैसे सह-अस्तित्व में रह सकता है कि सूचना के लिए एक अराजक, असिंक्रोनस अवस्था की आवश्यकता होती है। यदि सीखने के लिए कोशिकाओं का एक साथ फायर करना आवश्यक है, तो मस्तिष्क विस्तृत स्मृतियों को संग्रहीत करने के लिए उन्हें अलग-अलग समय पर फायर करने पर कैसे निर्भर कर सकता है? टोरंटो विश्वविद्यालय और क्रेम्बिल ब्रेन इंस्टीट्यूट के कम्प्यूटेशनल वैज्ञानिकों द्वारा किए गए एक नए अध्ययन का प्रस्ताव है कि ये दो प्रतीत होने वाले विपरीत बल दुश्मन नहीं हैं, बल्कि एक निरंतर फीडबैक लूप के भागीदार हैं।

इस रहस्य को सुलझाने के लिए, शोधकर्ताओं ने न्यूरॉन्स के एक छोटे नेटवर्क का एक विस्तृत कंप्यूटर मॉडल बनाया, जो हिप्पोकैम्पस (मस्तिष्क का स्मृति केंद्र) में पाए जाने वाले कोशिकाओं के व्यवहार की नकल करता है। उन्होंने इस आभासी नेटवर्क को उन्हीं जैविक नियमों के साथ प्रोग्राम किया जिनका वास्तविक न्यूरॉन पालन करते हैं, जिसमें उत्तेजित या बाधित करने वाले रासायनिक संकेत भी शामिल हैं। टीम ने मॉडल को चूहों द्वारा किए गए एक विजुअल टास्क से प्राप्त वास्तविक डेटा दिया, जहाँ जानवरों को विभिन्न चमक वाली छवियों के बीच अंतर करना था। इसके बाद उन्होंने सिमुलेशन के दो संस्करण चलाए: एक जहाँ सीखने का तंत्र सक्रिय था, और दूसरा जहाँ इसे बंद कर दिया गया था। दोनों परिदृश्यों में आभासी न्यूरॉन्स की विद्युत गतिविधि की तुलना करके, वे देख सके कि सीखने की प्रक्रिया ने स्पाइक्स के समय को वास्तव में कैसे बदला।

परिणामों ने सीखने और समय (timing) के बीच एक गतिशील और आश्चर्यजनक संबंध का खुलासा किया। जब सीखने का तंत्र सक्रिय था, तो न्यूरॉन्स केवल सिंक्रोनाइज़्ड रहे या असिंक्रोनाइज़्ड नहीं रहे। इसके बजाय, वे एक लयबद्ध चक्र (rhythmic cycle) में प्रवेश कर गए। सीखने की प्रक्रिया के प्रारंभ में, न्यूरॉन्स अपने फायरिंग समय में अलग होने लगे, जिससे डिसिंक्रोनाइज़ेशन (असिंक्रोनस अवस्था) की स्थिति पैदा हुई। यह बदलाव सिस्टम की विफलता नहीं थी, बल्कि सीखने का एक आवश्यक परिणाम था। संकेतों के समय में बढ़ी हुई विविधता ने वास्तव में सीखने की शक्ति को नियंत्रित करने का काम किया, जिससे नेटवर्क एक कठोर पैटर्न में फंसने से बच गया।

जैसे-जैसे सिमुलेशन कई सेकंड तक चलता रहा, शोधकर्ताओं ने सिंक्रोनाइज़ेशन और डिसिंक्रोनाइज़ेशन के एक जटिल नृत्य को देखा, हालाँकि यह पैटर्न सरल उतार-चढ़ाव नहीं था। नेटवर्क एक सिंक्रोनाइज़्ड अवस्था से डिसिंक्रोनाइज़्ड अवस्था की ओर बढ़ता था, और फिर, कुछ समय की विरल गतिविधि के बाद, यह फिर से संक्षिप्त रूप से सिंक्रोनाइज़ होता था और फिर से अलग होने लगता था। यह उतार-चढ़ाव पूरी तरह से सीखने के नियमों द्वारा संचालित था। अध्ययन बताता है कि मस्तिष्क सूचना को प्रबंधित करने के लिए इस बदलते संतुलन का उपयोग करता है। प्रारंभिक सिंक्रोनाइज़ेशन मस्तिष्क को नई जानकारी कैप्चर करने की अनुमति देता है, जबकि बाद का डिसिंक्रोनाइज़ेशन यह सुनिश्चित करता है कि उस जानकारी को इतनी लचीलापन के साथ संग्रहीत किया जाए कि उसे बाद में अन्य स्मृतियों में हस्तक्षेप किए बिना पुनः प्राप्त किया जा सके।

महत्वपूर्ण रूप से, सिमुलेशन ने दिखाया कि सीखने के तंत्र के बिना, न्यूरॉन्स इस प्रकार की विनियमित उतार-चढ़ाव प्रदर्शित नहीं करते थे। जब लर्निंग को अक्षम किया गया, तो नेटवर्क सिंक्रोनाइज़ेशन और डिसिंक्रोनाइज़ेशन की एक मिश्रित अवस्था में बना रहा जो समय के साथ विकसित नहीं हुई। यह निष्कर्ष इंगित करता है कि इन अवस्थाओं के बीच स्विच करने की क्षमता एक यादृच्छिक घटना नहीं है, बल्कि मस्तिष्क की सीखने की प्रक्रिया का सीधा परिणाम है। अध्ययन सुझाव देता है कि मस्तिष्क इन दोनों के बीच चयन नहीं करता है; बल्कि, वह इनके बीच स्विच करने के लिए सीखने की प्रक्रिया का उपयोग करता है, जिससे एक स्व-विनियमित (self-regulating) प्रणाली बनती है।

यह दृष्टिकोण इस बात को समझने का एक नया तरीका प्रदान करता है कि मस्तिष्क व्यवस्था (order) और अराजकता (chaos) के बीच संतुलन कैसे बनाता है। यह सुझाव देता है कि सीखने और सूचना सिद्धांत के बीच का स्पष्ट विरोधाभास उन्हें एक एकल, निरंतर प्रक्रिया के हिस्से के रूप में देखकर हल किया जा सकता है। सीखना उस सिंक्रोनाइज़ेशन को शुरू करता है जो स्मृति बनाने के लिए आवश्यक है, लेकिन सीखने की यही क्रिया सिस्टम को डिसिंक्रोनाइज़ेशन की ओर धकेल देती है, जो उस स्मृति के लचीलेपन को बनाए रखती है। शोधकर्ताओं ने पाया कि यह लूप मस्तिष्क को एक स्वस्थ स्तर की परिवर्तनशीलता बनाए रखने में मदद करता है, जो मिर्गी जैसी स्थितियों में देखी जाने वाली अत्यधिक सिंक्रोनाइज़ेशन या स्मृति हानि से जुड़ी अत्यधिक डिसिंक्रोनाइज़ेशन को रोकता है।

पूरी तरह से कंप्यूटर सिमुलेशन के माध्यम से किया गया यह अध्ययन एक सैद्धांतिक ढांचा प्रदान करता है कि ये जैविक प्रक्रियाएं वास्तविक मस्तिष्क में कैसे काम कर सकती हैं। हालांकि मॉडल स्थापित जैविक डेटा और यथार्थवादी इनपुट पर आधारित था, लेकिन निष्कर्ष इस बात का एक प्रस्ताव हैं कि ये तंत्र आपस में कैसे क्रिया करते हैं, न कि जीवित ऊतक का प्रत्यक्ष अवलोकन। लेखक सुझाव देते हैं कि यह नियामक लूप यह समझने की कुंजी हो सकता है कि हम अपने दैनिक जीवन के जटिल विवरणों को कैसे एनकोड करते हैं। यह दिखाकर कि सीखना और डिसिंक्रोनाइज़ेशन गहराई से जुड़े हुए हैं, यह शोध एक सुसंगत स्पष्टीकरण प्रदान करता है कि कैसे मस्तिष्क एक स्थिर रिकॉर्डर और एक लचीला प्रोसेसर दोनों होने का प्रबंधन करता है।