Virtual Brain Modelling Reveals Altered Network Dynamics and Predicts Symptom Severity in Schizophrenia: Relevance to Antipsychotic Treatment Response and Resistance.

सिज़ोफ्रेनिया एक जटिल स्थिति है जो इस बात को प्रभावित करती है कि एक व्यक्ति कैसे सोचता है, महसूस करता है और दुनिया को कैसे देखता है। दशकों से, डॉक्टरों ने समझा है कि मस्तिष्क की रसायन विज्ञान (केमिस्ट्री) इसमें केंद्रीय भूमिका निभाती है, विशेष रूप से डोपामाइन के संदर्भ में, जो एक रासायनिक संदेशवाहक है और मूड तथा ध्यान को नियंत्रित करने में मदद करता है। हालांकि, पूरी तस्वीर कहीं अधिक जटिल है। हालिया शोध बताते हैं कि समस्या मस्तिष्क के विशाल नेटवर्क के भीतर उत्तेजना (excitation) और अवरोध (inhibition) के बीच के नाजुक संतुलन में भी हो सकती है। मस्तिष्क की कल्पना एक शहर के रूप में करें जहाँ कुछ संकेत न्यूरॉन्स को सक्रिय होने के लिए प्रेरित करते हैं और अन्य उन्हें शांत रहने के लिए कहते हैं; जब यह संतुलन बिगड़ जाता है, तो शहर का यातायात अराजक हो सकता है, जिससे इस बीमारी की विशेषता वाले भ्रमित विचार और धारणाएं उत्पन्न होती हैं। जबकि मानक दवाएं अक्सर सबसे स्पष्ट लक्षणों को शांत करने में मदद करती हैं, वे सभी के लिए काम नहीं करती हैं। उपचार के बावजूद मरीजों का एक बड़ा हिस्सा संघर्ष करना जारी रखता है, जिसे 'ट्रीटमेंट-रेसिस्टेंट सिज़ोफ्रेनिया' (उपचार-प्रतिरोधी सिज़ोफ्रेनिया) के रूप में जाना जाता है। कुछ मस्तिष्क दवा पर प्रतिक्रिया क्यों देते हैं और कुछ क्यों नहीं, इसे समझना मनोरोग विज्ञान की सबसे कठिन चुनौतियों में से एक बना हुआ है।

इस रहस्य को सुलझाने के लिए, इटली और यूनाइटेड किंगडम के शोधकर्ताओं की एक टीम ने 'वर्चुअल ब्रेन मॉडलिंग' नामक एक शक्तिशाली नए दृष्टिकोण की ओर रुख किया। मस्तिष्क स्कैन को केवल स्थिर चित्रों के रूप में देखने के बजाय, उन्होंने कंप्यूटर सिमुलेशन का उपयोग करके यह पुनर्गठित किया कि मरीजों के मस्तिष्क वास्तव में कैसे कार्य करते हैं। उन्होंने तैंतीस सिज़ोफ्रेनिया के रोगियों और सैंतालीस स्वस्थ स्वयंसेवकों से विस्तृत मैग्नेटिक रेजोनेंस इमेजिंग (MRI) डेटा एकत्र किया। मरीजों के बीच, उन्होंने उन लोगों के बीच अंतर किया जिन्होंने मानक दवाओं के प्रति अच्छी प्रतिक्रिया दी थी और उन लोगों के बीच जिन्होंने कई उपचारों के बावजूद सुधार नहीं दिखाया था। इस वास्तविक दुनिया के डेटा को एक परिष्कृत कंप्यूटर मॉडल में फीड करके, वैज्ञानिक पूरे मस्तिष्क में विद्युत गतिविधि के प्रवाह का अनुकरण (simulate) कर सके। इस मॉडल ने उन्हें विशिष्ट जैविक गुणों का अनुमान लगाने की अनुमति दी जिन्हें जीवित व्यक्ति में सीधे मापना लगभग असंभव है, जैसे कि विभिन्न मस्तिष्क क्षेत्र एक-दूसरे से कितनी मजबूती से संवाद करते हैं और मस्तिष्क के आंतरिक "ब्रेक" और "एक्सेलेरेटर" कितनी अच्छी तरह से कार्य कर रहे हैं।

शोधकर्ताओं ने अपने वर्चुअल मस्तिष्क में चार प्रमुख सेटिंग्स पर ध्यान केंद्रित किया, जिनमें से प्रत्येक न्यूरॉन्स के संचार के एक अलग पहलू का प्रतिनिधित्व करता है। उन्होंने दूरस्थ मस्तिष्क क्षेत्रों के बीच कनेक्शन की मजबूती, न्यूरॉन्स को शांत करने वाले स्थानीय निरोधात्मक (inhibitory) संकेतों, उन्हें सक्रिय करने वाले उत्तेजक (excitatory) संकेतों और इन संकेतों के वापस खुद पर लूप होने के तरीके को देखा। जब उन्होंने स्वस्थ स्वयंसेवकों के सिमुलेशन की तुलना मरीजों के साथ की, तो स्पष्ट अंतर सामने आए। सबसे महत्वपूर्ण बात यह है कि उपचार के प्रति प्रतिक्रिया न देने वाले मरीजों के मस्तिष्क ने उपचार से सुधरने वालों की तुलना में एक अलग पैटर्न दिखाया। उपचार-प्रतिरोधी समूह में, सिमुलेशन ने कुछ दृश्य प्रसंस्करण (visual processing) क्षेत्रों के भीतर उत्तेजक संकेतों में वृद्धि और भावनात्मक एवं स्मृति केंद्रों में कनेक्शन के कमजोर होने का खुलासा किया। इसके विपरीत, मानक दवाओं के प्रति प्रतिक्रिया देने वाले मरीजों ने एक अलग प्रोफाइल दिखाया, जिसमें डोर्सल अटेंशन नेटवर्क (dorsal attention network) में कम उत्तेजक गतिविधि देखी गई, जो दुनिया पर ध्यान केंद्रित करने के लिए एक महत्वपूर्ण क्षेत्र है। ये निष्कर्ष बताते हैं कि उपचार प्रतिरोध केवल गंभीरता का मामला नहीं है, बल्कि एक मौलिक रूप से भिन्न जैविक अवस्था है जिसका मस्तिष्क के नेटवर्क के ट्यूनिंग में अपना अनूठा हस्ताक्षर है।

केवल मरीज समूहों के बीच अंतर करने के अलावा, अध्ययन ने यह भी पता लगाया कि क्या ये वर्चुअल सेटिंग्स किसी व्यक्ति के लक्षणों की गंभीरता का पूर्वानुमान लगा सकती हैं। कंप्यूटर मॉडल उल्लेखनीय रूप से अंतर्दृष्टिपूर्ण साबित हुए। सिमुलेशन ने दिखाया कि डिफॉल्ट मोड नेटवर्क (default mode network)—एक प्रणाली जो दिवास्वप्न और आत्म-चिंतन के दौरान सक्रिय होती है—में निरोधात्मक संकेतों की मजबूती, सामाजिक अलगाव और प्रेरणा की कमी जैसे नकारात्मक लक्षणों की गंभीरता से जुड़ी थी। जब सिमुलेशन में ये निरोधात्मक संकेत कमजोर थे, तो मरीजों ने अधिक गंभीर नकारात्मक लक्षण महसूस किए। इसी तरह, लिम्बिक नेटवर्क (limbic network), जो भावनाओं को संसाधित करता है, में उत्तेजक गतिविधि का स्तर बीमारी के कुल बोझ की भविष्यवाणी करता था। इस भावनात्मक केंद्र में कम उत्तेजक गतिविधि वाले मरीजों में उच्च कुल लक्षण स्कोर देखे गए। इसके अलावा, वेंट्रल अटेंशन नेटवर्क (ventral attention network), जो महत्वपूर्ण घटनाओं का पता लगाने में मदद करता है, में उत्तेजक संकेतों की मजबूती, अव्यवस्थित सोच से जुड़ी थी। मॉडल में यह संकेत जितना कम हुआ, मरीज की वाणी और विचार उतने ही अव्यवस्थित दिखाई दिए।

ये परिणाम सिज़ोफ्रेनिया के बारे में मस्तिष्क को देखने का एक नया तरीका प्रदान करते हैं, जो केवल यह बताने से आगे बढ़कर कि कौन से क्षेत्र सक्रिय या निष्क्रिय हैं, उन अंतर्निहित यांत्रिक नियमों को समझने की ओर ले जाते हैं जो इन गतिविधियों को संचालित करते हैं। अध्ययन बताता है कि मस्तिष्क का उत्तेजना और अवरोध का संतुलन हर किसी के लिए एक ही तरह से टूटा हुआ नहीं है; इसके बजाय, अलग-अलग नेटवर्क विशिष्ट परिवर्तन दिखाते हैं, चाहे मरीज उपचार के प्रति प्रतिक्रिया दे रहा हो या नहीं। जो लोग प्रतिक्रिया नहीं देते, उनके लिए मस्तिष्क में उत्तेजक और निरोधात्मक संकेतों का एक अनूठा विन्यास (configuration) दिखाई देता है जिसे मानक दवाएं ठीक करने में सक्षम नहीं हो सकती हैं। हालांकि शोधकर्ता इस बात पर जोर देते हैं कि ये निष्कर्ष कंप्यूटर सिमुलेशन से आए हैं और बड़े समूहों में इनका और सत्यापन आवश्यक है, फिर भी वे एक ठोस परिकल्पना प्रदान करते हैं कि क्यों कुछ मरीज संघर्ष करते हैं। इन विशिष्ट नेटवर्क-स्तरीय अंतरों की पहचान करके, यह कार्य अधिक लक्षित उपचार विकसित करने का मार्ग प्रशस्त करता है जो भविष्य में प्रत्येक व्यक्ति के अद्वितीय जैविक प्रोफाइल के अनुरूप तैयार किए जा सकते हैं, जिससे उन लोगों को राहत मिलने की उम्मीद मिल सकती है जिन्हें अभी तक राहत नहीं मिली है।