Whole-brain normative modeling across multiple functional connectivity metrics in MEG
यह शोध पत्र M/EEG-FUNCOIN को प्रस्तुत करता है, जो एक संपूर्ण-मस्तिष्क सामान्यीकरण मॉडलिंग ढांचा (whole-brain normative modeling framework) है जो आयु- और लिंग-संबंधी तंत्रिका संबंधी पैटर्न को चित्रित करने और संज्ञानात्मक क्षमता से जुड़े सार्थक व्यक्तिगत विचलन की पहचान करने के लिए MEG डेटा से कई कार्यात्मक कनेक्टिविटी मेट्रिक्स को एकीकृत 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
मानव मस्तिष्क एक स्थिर मशीन नहीं बल्कि एक गतिशील नेटवर्क है, जिसमें अरबों कोशिकाएं निरंतर संचार करती हैं ताकि विचार, स्मृति और गति उत्पन्न हो सके। दशकों से, वैज्ञानिकों ने इन संबंधों को मैप करने का प्रयास किया है ताकि यह समझा जा सके कि जब प्रणाली गलत होती है, जैसे कि अल्जाइमर रोग या सिज़ोफ्रेनिया में, तो क्या होता है। इस क्षेत्र में एक बड़ी चुनौती सामान्य परिवर्तनों, जो उम्र बढ़ने के साथ होते हैं, और वास्तविक बीमारी के संकेतों के बीच अंतर करना है। इसे हल करने के लिए, शोधकर्ताओं ने "नॉर्मेटिव मॉडलिंग" (normative modeling) नामक एक विधि विकसित की है। बच्चों के विकास चार्ट की कल्पना करें: डॉक्टर इसका उपयोग यह देखने के लिए करते हैं कि क्या एक बच्चा अपनी उम्र और ऊंचाई के हिसाब से सामान्य दर से बढ़ रहा है। नॉर्मेटिव मॉडलिंग मस्तिष्क के लिए भी ऐसा ही करती है, जो जीवन के हर चरण में एक "सामान्य" मस्तिष्क गतिविधि कैसी दिखती है, इसका मानचित्र बनाने के लिए हजारों स्वस्थ लोगों के डेटा का उपयोग करती है। जब किसी नए रोगी का स्कैन किया जाता है, तो उनके परिणामों की तुलना इस मानचित्र से की जाती है। यदि उनकी मस्तिष्क गतिविधि अपेक्षित पैटर्न से काफी विचलित होती है, तो यह एक संभावित समस्या को चिह्नित करता है जिसे अन्यथा अनदेखा किया जा सकता था।
हालांकि यह दृष्टिकोण रक्त प्रवाह को मापने वाली मस्तिष्क इमेजिंग तकनीकों, जैसे कि फंक्शनल एमआरआई (fMRI), के साथ सफल रहा है, लेकिन मैग्नेटोएन्सेफालोग्राफी (MEG) द्वारा मापी गई विद्युत मस्तिष्क गतिविधि पर इसे लागू करना बहुत कठिन रहा है। MEG सेंसर सिर के बाहर स्थित होते हैं और न्यूरॉन्स के सक्रिय होने से उत्पन्न होने वाले सूक्ष्म चुंबकीय क्षेत्रों का पता लगाते हैं, जो रक्त-प्रवाह स्कैन की तुलना में मस्तिष्क की गतिविधि का कहीं अधिक सटीक समय प्रदान करते हैं। हालांकि, विद्युत संकेत अविश्वसनीय रूप से जटिल होते हैं, जो कई आवृत्तियों (frequencies) में तेजी से बदलते हैं, जिससे एक एकल, विश्वसनीय मानक बनाना कठिन हो जाता है कि सामान्य क्या है। इन मानकों को बनाने के प्रयास अक्सर मस्तिष्क के क्षेत्रों के बीच व्यक्तिगत संबंधों को एक-एक करके देखते थे या उन सभी का औसत निकालते थे, लेकिन इन विधियों में अक्सर उन सूक्ष्म, बड़े पैमाने के परिवर्तनों को पकड़ने में विफलता मिली जो मस्तिष्क के परिपक्व होने और उम्र बढ़ने के साथ होते हैं।
एक नए अध्ययन में, शोधकर्ताओं ने इस समस्या को हल करने के लिए "M/EEG-FUNCOIN" नामक एक शक्तिशाली नया उपकरण पेश किया है। उन्होंने कैम्ब्रिज सेंटर फॉर एजिंग एंड न्यूरोसाइंस के एक विशाल, सार्वजनिक रूप से उपलब्ध डेटासेट की ओर रुख किया, जिसमें 18 से 88 वर्ष की आयु के 612 स्वस्थ स्वयंसेवकों के रेस्टिंग-स्टेट MEG रिकॉर्डिंग शामिल हैं। टीम ने केवल यह नहीं देखा कि मस्तिष्क के क्षेत्रों के बीच संबंध कितने मजबूत थे; उन्होंने इन क्षेत्रों के संचार करने के तीन अलग-अलग तरीकों का विश्लेषण किया। उन्होंने विशिष्ट फ्रीक्वेंसी बैंड में संकेतों के आयाम (amplitude) के एक साथ चलने को मापा, संकेतों के समय (timing) के तालमेल को मापा, और एक अधिक जटिल विधि का उपयोग किया जो विशिष्ट फ्रीक्वेंसी बैंड में डेटा को वर्गीकृत किए बिना समय और शक्ति दोनों को कैप्चर करती है। इस सारी जानकारी को अपने नए मॉडल में फीड करके, वे मस्तिष्क के उन व्यापक, संपूर्ण-मस्तिष्क पैटर्नों की पहचान करने में सक्षम हुए जो उम्र और लिंग के साथ अनुमानित रूप से बदलते हैं।
परिणामों ने दिखाया कि मस्तिष्क को एक संपूर्ण नेटवर्क के रूप में देखने से वे परिवर्तन सामने आते हैं जिन्हें सरल विधियाँ चूक जाती हैं। जब शोधकर्ताओं ने व्यक्तिगत संबंधों को देखकर या सभी कनेक्शनों की ताकत का औसत निकालकर मस्तिष्क को मॉडल करने का प्रयास किया, तो उन्हें उम्र या लिंग के साथ बहुत कम संबंध मिला। इसके विपरीत, नए होल-ब्रेन (whole-brain) मॉडल ने मस्तिष्क गतिविधि के विशिष्ट आयामों की सफलतापूर्वक पहचान की जो उम्र के साथ लगातार बदलते हैं। उदाहरण के लिए, उन्होंने पाया कि मस्तिष्क के क्षेत्रों के बीच सिंक्रोनाइज़ेशन (तालमेल) के कुछ पैटर्न उम्र के साथ महत्वपूर्ण रूप से बदलते हैं, एक ऐसा विवरण जो डेटा को औसत निकालने पर अदृश्य था। यह सुझाव देता है कि उम्र बढ़ता मस्तिष्क केवल एक समान तरीके से "कमजोर" या "मजबूत" नहीं होता; बल्कि, मस्तिष्क के विभिन्न हिस्से एक-दूसरे के साथ कैसे समन्वय करते हैं, वह एक विशिष्ट, संरचित परिवर्तन से गुजरता है।
यह परीक्षण करने के लिए कि क्या ये नए मॉडल वास्तव में मस्तिष्क के काम करने के तरीके के बारे में कुछ सार्थक बता सकते हैं, शोधकर्ताओं ने स्वयंसेवकों के संज्ञानात्मक प्रदर्शन (cognitive performance) का अध्ययन किया। उन्होंने प्रतिभागियों को स्मृति, भाषा और कार्यकारी कार्य (executive function) को कवर करने वाले परीक्षणों के एक विस्तृत सेट में उनके स्कोर के आधार पर समूहों में विभाजित किया। फिर उन्होंने यह देखने के लिए नए मस्तिष्क मॉडलों का उपयोग किया कि क्या वे उच्चतम संज्ञानात्मक क्षमताओं वाले लोगों और निम्नतम क्षमताओं वाले लोगों के बीच अंतर कर सकते हैं। होल-ब्रेन पैटर्न से बने मॉडल इस कार्य में सफल रहे, जिन्होंने मस्तिष्क कनेक्टिविटी में विशिष्ट विचलन की पहचान की जो संज्ञानात्मक प्रदर्शन के साथ सह-संबंधित थे। यह इंगित करता है कि यह ढांचा मस्तिष्क स्वास्थ्य के बारे में व्यक्तिगत अंतरों को पकड़ सकता है जो साधारण औसत से परे हैं, जो कि यह पहचानने का एक तरीका प्रदान करता है कि कोई व्यक्ति कितनी अच्छी तरह सोचता है और याद रखता है।
अध्ययन ने इतने जटिल डेटा के साथ काम करने की तकनीकी बाधाओं को भी संबोधित किया। चूंकि मस्तिष्क से आने वाले विद्युत संकेत इतने आपस में जुड़े होते हैं, इसलिए मानक गणितीय उपकरण अक्सर त्रुटियों के बिना उन्हें प्रोसेस करने में संघर्ष करते हैं। शोधकर्ताओं ने अपने सॉफ़्टवेयर को इन उच्च-आयामी (high-dimensional) संकेतों को कुशलतापूर्वक संभालने के लिए अनुकूलित किया, यह सुनिश्चित करते हुए कि जो पैटर्न उन्हें मिले वे वास्तविक हैं न कि केवल गणितीय आर्टिफैक्ट्स (artifacts)। उन्होंने पुष्टि की कि मॉडल स्थिर और सुसंगत था, जो विभिन्न डेटा उपसमुच्चयों (subsets) पर परीक्षण किए जाने पर भी विश्वसनीय परिणाम देता है। नैदानिक उपयोग के लिए इच्छित किसी भी उपकरण के लिए यह मजबूती अत्यंत महत्वपूर्ण है, जहाँ सटीकता सर्वोपरि है।
यह प्रदर्शित करके कि ये संपूर्ण-मस्तिष्क पैटर्न मापने योग्य और सार्थक दोनों हैं, यह अध्ययन मस्तिष्क स्वास्थ्य को समझने के लिए एक नया द्वार खोलता है। जीवनकाल के दौरान मस्तिष्क की कनेक्टिविटी के सामान्य प्रक्षेपवक्र (trajectory) को मैप करने की क्षमता बीमारी की पहचान करने के लिए एक बहुत सटीक संदर्भ बिंदु प्रदान करती है। यदि किसी रोगी की मस्तिष्क गतिविधि उसकी आयु और लिंग के अपेक्षित दायरे से बाहर होती है, तो डॉक्टर लक्षण स्पष्ट होने से बहुत पहले पैथोलॉजी (रोग संबंधी स्थिति) के शुरुआती संकेतों का पता लगाने में सक्षम हो सकते हैं। शोधकर्ता इस बात पर जोर देते हैं कि हालांकि यह एक महत्वपूर्ण कदम है, यह ढांचा इतना लचीला है कि इसे अन्य चरों को शामिल करने या विशिष्ट प्रकार के मस्तिष्क विकारों पर ध्यान केंद्रित करने के लिए और अधिक परिष्कृत किया जा सकता है। फिलहाल, यह कार्य यह स्थापित करता है कि मस्तिष्क का विद्युत संगीत एक अनुमानित स्कोर है जो समय के साथ बदलता है, और हमने अंततः उस संगीत की शीट को पढ़ने का तरीका खोज लिया 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।