From group-level neurophysiological biomarkers to individual-level phenotyping to identify mechanisms of neurodegenerative disease
यह अध्ययन प्रदर्शित करता है कि जबकि रेस्टिंग-स्टेट एमईजी (MEG) से प्राप्त समूह-स्तरीय न्यूरोफिज़ियोलॉजिकल बायोमार्कर, बीवीएफटीडी (bvFTD) और पीएसपी (PSP) जैसी न्यूरोडीजेनेरेटिव बीमारियों में व्यक्तिगत-स्तरीय वर्गीकरण के लिए विश्वसनीय रूप से अनुवादित नहीं हो सकते हैं, डायनेमिक कॉज़ल मॉडलिंग (dynamic causal modelling) से प्राप्त नैदानिक स्कोर को यांत्रिक बायोफिजिकल मापदंडों के साथ जोड़ना, प्रिसिजन मेडिसिन (precision medicine) के लिए नैदानिक सटीकता और व्याख्यात्मकता के बीच संतुलन बनाने हेतु एक आशाजनक ढांचा प्रदान 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 अरबों कोशिकाओं का एक विशाल, जटिल नेटवर्क है जो विद्युत संकेतों के माध्यम से संचार करते हैं। जब यह संचार टूट जाता है, तो डिमेंशिया जैसी न्यूरोडीजेनेरेटिव (तंत्रिका संबंधी अपक्षयकारी) बीमारियाँ जड़ें जमा लेती हैं, जो धीरे-धीरे स्मृति, व्यक्तित्व और गतिशीलता को नष्ट कर देती हैं। दशकों से, डॉक्टर इन स्थितियों का निदान रोगी द्वारा दिखाए गए लक्षणों को देखकर करते हैं: जैसे भ्रम, उदासीनता या चलने में कठिनाई। ये नैदानिक अवलोकन शक्तिशाली हैं क्योंकि वे रोगी के जीवन की वास्तविकता का वर्णन करते हैं, लेकिन वे मस्तिष्क के भीतर उस छिपे हुए तंत्र को नहीं समझाते जो गलत हो गया है। इन बीमारियों को वास्तव में समझने के लिए, वैज्ञानिकों को सीधे मस्तिष्क की विद्युत गतिविधि को देखने की आवश्यकता है, इस उम्मीद में कि उन्हें एक ऐसा जैविक संकेत मिल सके जो क्षति की विशिष्ट प्रकृति को प्रकट कर सके। हालाँकि, इस खोज में एक बड़ी चुनौती मौजूद है: एक परीक्षण एक बड़े बीमार समूह की तुलना एक बड़े स्वस्थ समूह से करते समय स्पष्ट अंतर दिखा सकता है, फिर भी एक अकेले व्यक्ति पर लागू होने में पूरी तरह विफल हो सकता है। यदि दो अलग-अलग बीमारियों के जैविक संकेत आपस में बहुत अधिक ओवरलैप (व्याप्त) होते हैं, या यदि बीमारी हर व्यक्ति में अलग दिखती है, तो एक परीक्षण जो एक समूह के लिए काम करता है, वह किसी विशिष्ट व्यक्ति के निदान के लिए भरोसेमंद नहीं हो सकता।
कैम्ब्रिज विश्वविद्यालय के शोधकर्ताओं की एक टीम इस पहेली को सुलझाने के लिए दो अलग-अलग लेकिन अक्सर भ्रमित करने वाली न्यूरोडीजेनेरेटिव स्थितियों की तुलना करके आगे बढ़ी: व्यवहारिक-परिवर्तित फ्रंटोटेम्पोरल डिमेंशिया (behavioural-variant frontotemporal dementia) और प्रोग्रेसिव सुप्रान्यूक्लियर पाल्सी (progressive supranuclear palsy)। जबकि इन बीमारियों में कुछ लक्षण समान होते हैं, जैसे व्यक्तित्व में परिवर्तन और गतिशीलता में कठिनाइयाँ, वे अलग-अलग जैविक कारणों से उत्पन्न होती हैं और मस्तिष्क के विभिन्न हिस्सों को प्रभावित करती हैं। शोधकर्ता जानना चाहते थे कि क्या वे ब्रेन स्कैन का उपयोग करके इन दोनों बीमारियों के बीच एक अकेले व्यक्ति में अंतर कर सकते हैं, न कि केवल एक समूह के औसत के आधार पर। उन्होंने मैग्नेटोएन्सेफालोग्राफी (magnetoencephalography) नामक एक परिष्कृत इमेजिंग तकनीक का उपयोग किया, जो मस्तिष्क में विद्युत गतिविधि से उत्पन्न होने वाले सूक्ष्म चुंबकीय क्षेत्रों को मापती है। रोगियों द्वारा आँखें खुली रखकर शांति से विश्राम करने के दौरान इस गतिविधि को रिकॉर्ड करके, टीम मस्तिष्क की प्राकृतिक लय का मानचित्रण कर सकती थी। इसके बाद उन्होंने इस डेटा का विश्लेषण करने के तीन अलग-अलग तरीकों का परीक्षण किया: रोगी के नैदानिक स्कोर (clinical scores) को देखना, कच्चे विद्युत पैटर्न (raw electrical patterns) की जांच करना, और उन पैटर्न को उत्पन्न करने वाले अंतर्निहित जैविक नियमों का अनुमान लगाने के लिए एक जटिल कंप्यूटर मॉडल का उपयोग करना।
अध्ययन की शुरुआत 74 स्वस्थ स्वयंसेवकों, 4मानसिक-परिवर्तित फ्रंटोटेम्पोरल डिमेंशिया वाले 45 लोगों और प्रोग्रेसिव सुप्रान्यूक्लियर पाल्सी वाले 55 लोगों के समूह के साथ हुई। शोधकर्ताओं ने पहले पुष्टि की कि नैदानिक मूल्यांकन, जो स्मृति, तर्क और व्यवहार जैसी चीजों को मापते हैं, इन समूहों के बीच अंतर करने में उत्कृष्ट थे। जब उन्होंने इन स्कोर का उपयोग यह पहचानने के लिए किया कि एक विशिष्ट व्यक्ति किस समूह से संबंधित है, तो परिणाम बहुत मजबूत थे। उदाहरण के लिए, नैदानिक स्कोर 94 प्रतिशत की सटीकता के साथ सही ढंग से पहचान सकते थे कि किसी व्यक्ति को प्रोग्रेसिव सुप्रान्यूक्लियर पाल्सी है या वह स्वस्थ है। यह अपेक्षित था, क्योंकि ये परीक्षण विशेष रूप से इन बीमारियों के लक्षणों को पकड़ने के लिए डिज़ाइन किए गए थे। हालाँकि, शोधकर्ता इस बात में अधिक रुचि रखते थे कि क्या मस्तिष्क स्कैन स्वयं यही काम कर सकते हैं।
जब टीम ने मस्तिष्क स्कैन से प्राप्त कच्चे विद्युत पैटर्न को देखा, तो परिणाम बहुत कम स्पष्ट थे। हालांकि दोनों रोग समूहों की औसत मस्तिष्क गतिविधि एक-दूसरे से और स्वस्थ लोगों से भिन्न दिख रही थी, लेकिन ये अंतर एक अकेले व्यक्ति की विश्वसनीय पहचान करने के लिए पर्याप्त सुसंगत नहीं थे। शोधकर्ताओं ने पाया कि दोनों बीमारियों के विद्युत संकेतों में काफी ओवरलैप था। जब उन्होंने इन कच्चे पैटर्न का उपयोग यह अनुमान लगाने के लिए किया कि किसी व्यक्ति को एक बीमारी है या दूसरी, तो सटीकता गिरकर लगभग 60 प्रतिशत हो गई, जो कि एक रैंडम अनुमान (random guess) से मुश्किल से बेहतर थी। इसने एक महत्वपूर्ण सीमा को उजागर किया: सिर्फ इसलिए कि रोगियों का एक समूह औसतन एक स्पष्ट जैविक परिवर्तन दिखाता है, इसका मतलब यह नहीं है कि वह परिवर्तन किसी एक व्यक्ति के निदान के लिए दृश्य या उपयोगी है।
गहराई से समझने के लिए, शोधकर्ता एक अधिक उन्नत पद्धति की ओर मुड़े। केवल विद्युत पैटर्न को देखने के बजाय, उन्होंने उन छिपे हुए जैविक तंत्रों का अनुमान लगाने के लिए एक कंप्यूटर मॉडल का उपयोग किया जो उन पैटर्न को जन्म दे रहे थे। इस मॉडल ने अनुमान लगाया कि मस्तिष्क कोशिकाओं के बीच संकेत कितनी तेजी से चलते हैं, कनेक्शन कितने मजबूत हैं, और कोशिकाएं रासायनिक संकेतों के प्रति कैसे प्रतिक्रिया करती हैं। जब उन्होंने रोगियों को वर्गीकृत करने के लिए इन अनुमानित जैविक मापदंडों (biological parameters) का उपयोग किया, तो परिणाम में काफी सुधार हुआ। मॉडल लगभग 74 प्रतिशत की सटीकता के साथ दोनों बीमारियों के बीच अंतर कर सका, और यह 70 प्रतिशत सटीकता के साथ प्रोग्रेसिव सुप्रान्यूक्लियर पाल्सी वाले रोगी और एक स्वस्थ व्यक्ति के बीच अंतर कर सका। इससे पता चला कि जबकि कच्चे विद्युत संकेत अपने आप में उपयोग के लिए बहुत अव्यवस्थित थे, उन संकेतों को चलाने वाले अंतर्निहित जैविक नियम प्रत्येक बीमारी के लिए एक स्पष्ट और विशिष्ट हस्ताक्षर (signature) रखते थे।
अध्ययन ने यह भी पता लगाया कि क्या होता है जब शोधकर्ता एक सामान्य जैविक सूत्र खोजने के लिए दोनों रोग समूहों को "रोगियों" की एक एकल श्रेणी में मिला देते हैं। जबकि नैदानिक स्कोर इस संयुक्त समूह को स्वस्थ लोगों से अलग करने में बहुत अच्छे रहे, मस्तिष्क स्कैन डेटा और भी कम उपयोगी हो गया। प्रत्येक बीमारी के लिए विशिष्ट जैविक अंतर आपस में मिलने पर एक-दूसरे को निष्प्रभावी कर देते थे, जिससे केवल एक कमजोर, साझा संकेत बचा जो व्यक्तिगत स्तर पर पहचानना कठिन था। इस निष्कर्ष ने इस विचार को पुष्ट किया कि ये दोनों बीमारियाँ, भले ही कुछ लक्षण साझा करती हों, अलग-अलग जैविक तंत्रों द्वारा संचालित होती हैं। एक सार्वभौमिक मस्तिष्क बायोमार्कर खोजने के उद्देश्य से उन्हें एक एकल समूह के रूप में मानना संभवतः गलत निदान का कारण बनेगा।
अंततः, यह शोध आधुनिक चिकित्सा के एक कठिन समझौते (trade-off) को रेखांकित करता है। बीमारी को समझने का सबसे सीधा तरीका अक्सर रोगी के लक्षण होते हैं, जो निदान के लिए अत्यधिक विश्वसनीय हैं लेकिन जैविक कारण के बारे में बहुत कम बताते हैं। सबसे विस्तृत जैविक उपकरण, जैसे कि इस अध्ययन में उपयोग किए गए कंप्यूटर मॉडल, बीमारी के छिपे हुए तंत्रों को प्रकट कर सकते हैं और नए उपचारों के लिए सुराग दे सकते हैं, लेकिन वे अभी तक व्यक्तिगत रोगियों के निदान में पूर्ण नहीं हैं। कच्चे मस्तिष्क संकेत कहीं बीच में स्थित हैं, जो स्पष्ट समूह अंतर दिखाते हैं लेकिन विश्वसनीय व्यक्तिगत निदान में विफल रहते हैं। शोधकर्ताओं ने निष्कर्ष निकाला कि आगे का रास्ता इन दृष्टिकोणों को मिलाने में निहित है। नैदानिक स्कोर का उपयोग रोगी की पहचान करने के लिए और जैविक मॉडल का उपयोग विशिष्ट तंत्र को समझने के लिए करके, डॉक्टर और वैज्ञानिक एक ऐसे भविष्य के करीब पहुंच सकते हैं जहाँ उपचार केवल बीमारी की सामान्य श्रेणी के बजाय, प्रत्येक व्यक्ति की अद्वितीय जीव विज्ञान के अनुरूप तैयार किए जा सकें। यह कार्य कोई नया नैदानिक परीक्षण प्रदान नहीं करता है जो क्लिनिक के लिए तैयार हो, लेकिन यह संभावनाओं के परिदृश्य को मैप करता है, यह दिखाते हुए कि सटीक चिकित्सा (precision medicine) की कुंजी मस्तिष्क के विद्युत जीवन को नियंत्रित करने वाले जटिल, छिपे हुए नियमों को समझने में हो सकती 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।