How sparse can a fly-brain model be? Connection strength, wiring placement, network state and task jointly determine function-preserving compression of the Drosophila connectome
यह अध्ययन यह स्थापित करता है कि स्पारसिफिकेशन (sparsification) के माध्यम से एक *Drosophila* होल-ब्रेन मॉडल के कार्यात्मक व्यवहार को संरक्षित करना, वैश्विक नेटवर्क सांख्यिकी के बजाय विशिष्ट मजबूत सिनैप्स और उनके सटीक वायरिंग प्लेसमेंट को बनाए रखने पर महत्वपूर्ण रूप से निर्भर करता है, जिसमें आवश्यक एज बजट (edge budget) और विफलता के मोड विभिन्न कार्यों और नेटवर्क अवस्थाओं में महत्वपूर्ण रूप से भिन्न होते हैं।
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
वैज्ञानिकों ने आखिरकार एक फल मक्खी (फ्रूट फ्लाई) के मस्तिष्क के संपूर्ण वायरिंग आरेख का मानचित्र तैयार कर लिया है। यह मानचित्र, जिसे 'कनेक्टोम' कहा जाता है, प्रत्येक एकल न्यूरॉन और उन्हें जोड़ने वाले अरबों सूक्ष्म कनेक्शनों की एक विशाल सूची है। यह आधुनिक जीव विज्ञान की एक बड़ी उपलब्धि है, जो एक जीवित अंग को एक स्थिर ब्लूप्रिंट में बदल देती है जिसे कंप्यूटर पढ़ सकते हैं। लेकिन यह ब्लूप्रिंट इतना विशाल है कि इसका उपयोग करना कठिन है। मस्तिष्क कैसे काम करता है, इसका अनुकरण करने या मक्खियों की तरह चलने वाले रोबोट बनाने के लिए, शोधकर्ताओं को अक्सर इस मानचित्र को एक प्रबंधनीय आकार तक छोटा करना पड़ता है। मानक अभ्यास केवल कमजोर कनेक्शनों को हटा देना रहा है, यह मानते हुए कि केवल मजबूत, भारी-भरकम तार ही महत्वपूर्ण जानकारी ले जाते हैं। यह एक शहर को समझने की कोशिश करने जैसा है जहाँ केवल मुख्य राजमार्गों को रखा जाता है और उप-सड़कों को अनदेखा कर दिया जाता है, यह मानते हुए कि उप-सड़कों का कोई महत्व नहीं है। वर्षों तक, किसी ने वास्तव में यह जाँच नहीं किया कि क्या इस शॉर्टकट ने मस्तिष्क की सोचने या चलने की क्षमता को बाधित किया है।
एक शोधकर्ता ने इस धारणा का परीक्षण करने का निर्णय लिया कि क्या वे एक पूर्ण, प्रयोगात्मक रूप से सत्यापित कंप्यूटर मॉडल के माध्यम से कनेक्शनों को व्यवस्थित रूप से हटाकर देख सकते हैं कि वे मस्तिष्क के काम करना बंद करने से पहले कितने कनेक्शन हटा सकते हैं। उन्होंने तीन विशिष्ट व्यवहारों पर ध्यान केंद्रित किया जिन्हें मॉडल सही ढंग से करने के लिए जाना जाता था: चीनी खाने के लिए अपना मुँह आगे बढ़ाना, कड़वा स्वाद मिलने पर उस क्रिया को रोकना, और एक विशिष्ट स्पर्श महसूस होने पर खुद को साफ करना (ग्रूमिंग)। उन्होंने मॉडल का परीक्षण दो अलग-अलग स्थितियों में किया: एक जहाँ मस्तिष्क शांत और विश्राम की स्थिति में था, और दूसरा जहाँ वह स्पोंटेनियस (स्वतःस्फूर्त) गतिविधि से गूँज रहा था, जो एक वास्तविक, जागृत मक्खी की नकल कर रहा था। उन्होंने कमजोर कनेक्शनों को हटाने की मानक विधि की तुलना कनेक्शनों को काटने के कई अन्य तरीकों से की, जैसे कि कनेक्शनों को यादृच्छिक (रैंडम) रूप से हटाना या कनेक्शनों के स्थानों को स्थिर रखते हुए उनकी ताकत को बदलना।
परिणामों ने दिखाया कि कमजोर कनेक्शनों को हटाने की मानक विधि कुछ कार्यों के लिए आश्चर्यजनक रूप से अच्छी काम करती है लेकिन अन्य के लिए पूरी तरह विफल हो जाती है। जब मस्तिष्क शांत था, तो दस से कम सिनैप्स (वे सूक्ष्म जोड़ जहाँ न्यूरॉन आपस में बात करते हैं) वाले सभी कनेक्शनों को हटाने के बाद भी मक्खी चीनी के प्रति प्रतिक्रिया करने में लगभग पूरी तरह सक्षम थी, भले ही इससे कुल कनेक्शनों का चानवे प्रतिशत (94%) कम हो गया था। हालाँकि, शोधकर्ता ने पाया कि यह सफलता केवल सबसे मजबूत तारों को रखने के बारे में नहीं थी। जब उन्होंने समान संख्या में तार रखे लेकिन उनकी ताकत को इधर-उधर बदल दिया, या जब उन्होंने समान संख्या में तार रखे लेकिन उन्हें अलग-अलग न्यूरॉन्स से जोड़ा, तो मस्तिष्क का व्यवहार पूरी तरह से गायब हो गया। इसने सिद्ध कर दिया कि एक मजबूत कनेक्शन का विशिष्ट स्थान उतना ही महत्वपूर्ण है जितनी कि उसकी ताकत; मस्तिष्क एक तार कहाँ स्थित है और वह कितना मजबूत है, इन दोनों के सटीक संयोजन पर निर्भर करता है, न कि केवल कुछ भारी-भरकम केबलों के होने पर।
अध्ययन ने यह भी खुलासा किया कि कनेक्शनों को हटाने की "सुरक्षित" सीमा पूरी तरह से इस बात पर निर्भर करती है कि मस्तिष्क क्या करने की कोशिश कर रहा है। जबकि फीडिंग सर्किट (भोजन संबंधी सर्किट) अधिकांश कमजोर कनेक्शनों के नुकसान के बाद भी जीवित रह सकता था, ग्रूमिंग के लिए जिम्मेदार सर्किट तुरंत ढह गया। यह सर्किट निषेध (इनहिबिशन) के एक नाजुक संतुलन पर निर्भर करता है, जहाँ कमजोर कनेक्शन ब्रेक के रूप में कार्य करते हैं ताकि गलत संकेतों को हावी होने से रोका जा सके। जब शोधकर्ता ने कमजोर तारों को हटाया, तो उन्होंने अनजाने में इन ब्रेकों को हटा दिया, जिससे मक्खी अनियंत्रित रूप से या गलत तरीके से ग्रूमिंग करने लगी। इसी तरह, जब मस्तिष्क एक सक्रिय, शोर वाले राज्य में था, तो विफलता का तरीका बदल गया। मस्तिष्क के शांत होने के बजाय, यह अत्यधिक उत्तेजित हो गया, बेतहाशा फायरिंग करने लगा क्योंकि वे कमजोर निरोधात्मक (इनहिबिटरी) कनेक्शन, जो शोर को नियंत्रित रखते थे, सबसे पहले चले गए थे।
शायद सबसे आश्चर्यजनक खोज यह थी कि एक संकुचित (कंप्रेस्ड) मस्तिष्क मॉडल एक व्यवहारिक परीक्षण को तब भी पास कर सकता है जब उसके आंतरिक कार्य पहले से ही टूट चुके हों। कई मामलों में, मॉडल ने सही गति उत्पन्न की, जैसे कि मुँह आगे बढ़ाना, भले ही मस्तिष्क के भीतर गतिविधि का पैटर्न काफी बदल गया था। यह सुझाव देता है कि केवल यह जाँच लेना कि कोई रोबोट या सिमुलेशन सही ढंग से हिलता-डुलता है, यह जानने के लिए पर्याप्त नहीं है कि क्या वह वास्तव में दुनिया को समझ रहा है। शोधकर्ता ने निष्कर्ष निकाला कि मस्तिष्क को कितना सरल बनाया जा सकता है, इसका कोई एक नियम नहीं है। उत्तर इस बात पर निर्भर करता है कि मस्तिष्क कौन सा विशिष्ट कार्य कर रहा है, नेटवर्क की स्थिति क्या है, और कनेक्शन कहाँ रखे गए हैं और वे कितने मजबूत हैं, इसके बीच का जटिल नृत्य क्या है। यह अध्ययन उन सभी के लिए एक नया बेंचमार्क प्रदान करता है जो मस्तिष्क मॉडल को छोटा करने का प्रयास कर रहे हैं, यह दिखाते हुए कि कमजोर कनेक्शन अक्सर सिस्टम को स्थिर रखने के लिए सबसे महत्वपूर्ण होते हैं।
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।