Evaluating State-Transition Models in Short Resting-State fMRI with Continuous-Dynamics Controls

मानव मस्तिष्क कोई स्थिर मशीन नहीं है; यह एक जीवित, परिवर्तनशील परिदृश्य है जहाँ न्यूरॉन्स के विशाल नेटवर्क एक निरंतर, लयबद्ध संवाद में चमकते और मंद होते रहते हैं। वैज्ञानिकों ने लंबे समय से इन संवादों को मैप करने की कोशिश की है, विशेष रूप से उन क्षणों के दौरान जब मस्तिष्क किसी विशिष्ट कार्य पर केंद्रित नहीं होता है। इस अध्ययन का एक लोकप्रिय तरीका मस्तिष्क को कुछ अलग-अलग "अवस्थाओं" (states) के बीच कूदने वाले एक यात्री के रूप में कल्पना करना रहा है, जैसे कि कोई व्यक्ति घर के विभिन्न कमरों के बीच स्विच करता है। प्रत्येक कमरा गतिविधि के एक विशिष्ट पैटर्न का प्रतिनिधित्व करता है, और उनके बीच की यात्रा यह प्रकट करने के लिए मानी जाती है कि मस्तिष्क खुद को कैसे व्यवस्थित करता है। यह दृष्टिकोण एक सांख्यिकीय उपकरण पर निर्भर करता है जो यह अनुमान लगाता है कि मस्तिष्क कब एक अवस्था से दूसरी अवस्था में उछला है, और इन बदलावों को अचानक, असतत (discrete) घटनाओं के रूप में मानता है। हालाँकि, यह विधि मानती है कि मस्तिष्क छलांग लगाकर चलता है, जबकि वास्तव में, तंत्रिका गतिविधि का प्रवाह एक नदी की तरह हो सकता है—सुचारू, निरंतर और कभी वास्तव में न रुकने वाला। यदि मस्तिष्क का वास्तविक स्वरूप एक बहती हुई नदी है, लेकिन हम इसे कुछ अलग-अलग पड़ावों की एक श्रृंखला के रूप में वर्णित करने की कोशिश करते हैं, तो हम ऐसे पैटर्न देख सकते हैं जो वास्तव में वहां हैं ही नहीं।

शोधकर्ताओं के एक दल ने यह परीक्षण करने के लिए हाथ बढ़ाया कि क्या ये स्पष्ट उछाल वास्तविक हैं या केवल उस तरीके का परिणाम हैं जिससे हम डेटा को देखते हैं। उन्होंने यह अनुमान लगाने के दो अलग-अलग तरीकों की तुलना की कि मस्तिष्क आगे क्या करेगा। पहला तरीका, जो अलग-अलग कमरों को मानता है, अगले क्षण का अनुमान लगाने की कोशिश करता है यह तय करके कि मस्तिष्क वर्तमान में किस "अवस्था" में है। दूसरा तरीका, जिसका उपयोग उन्होंने एक नियंत्रण (control) के रूप में किया, केवल मस्तिष्क की हालिया गतिविधि के इतिहास को देखता है और भविष्य की भविष्यवाणी उस सुचारू, निरंतर प्रवाह के आधार पर करता है, बिना यह माने कि कोई अचानक उछाल मौजूद है। यह देखने के लिए कि कौन सा तरीका बेहतर था, उन्होंने हजारों कंप्यूटर सिमुलेशन बनाए। कुछ सिमुलेशन में, उन्होंने मस्तिष्क की गतिविधि को वास्तव में अवस्थाओं के बीच कूदने के लिए प्रोग्राम किया। अन्य में, उन्होंने इसे एक सुचारू, निरंतर वक्र (curve) में चलने के लिए प्रोग्राम किया, जैसे कि एक घूमता हुआ पहिया या एक उठती हुई लहर। फिर उन्होंने दोनों भविष्यवाणी विधियों से गतिविधि के अगले क्षण का अनुमान लगाने के लिए कहा और देखा कि कौन सा सही था।

जब स्थितियाँ स्थिर थीं, तो परिणाम स्पष्ट थे। जब सिम्युलेटेड मस्तिष्क वास्तव में अवस्थाओं के बीच कूद रहा था, तो "कमरा-कूदने" (room-hopping) वाला तरीका आमतौर पर बेहतर भविष्यवक्ता था। जब सिम्युलेटेड मस्तिष्क सुचारू रूप से चल रहा था, तो निरंतर प्रवाह को मानने वाले तरीके ने अधिक सटीकता दिखाई। इससे पता चला कि, सैद्धांतिक रूप से, दोनों विधियाँ एक कूदने वाले मस्तिष्क और एक बहने वाले मस्तिष्क के बीच अंतर कर सकती हैं। हालाँकि, शोधकर्ताओं ने यह देखने के लिए एक नया मोड़ पेश किया कि ये निष्कर्ष कितने नाजुक हो सकते हैं। उन्होंने अंतर्निदम मस्तिष्क गतिविधि को बिल्कुल वैसा ही रखा लेकिन परीक्षण चरण के दौरान डेटा को 'स्मूथ' (smooth) करने के तरीके को बदल दिया, जो वास्तविक मस्तिष्क स्कैन के शोर (noise) को हटाने के लिए किए जाने वाले प्रसंस्करण की नकल करता है। एक आश्चर्यजनक मोड़ में, डेटा को संभालने के इस छोटे से बदलाव ने "कमरा-कूदने" वाले तरीके को अचानक विजेता के रूप में दिखाया, भले ही मस्तिष्क अभी भी एक सुचारू, निरंतर वक्र में चल रहा था। उछाल मानने वाला मॉडल सुचारू डेटा को बेहतर ढंग से बताने लगा क्योंकि जिस तरह से डेटा को मापा गया था वह बदल गया था, न कि इसलिए कि मस्तिष्क वास्तव में कूदना शुरू कर चुका था।

शोधकर्ताओं ने इस समान तुलना को सामान्य संज्ञानात्मक क्षमता, हल्की स्मृति समस्या और डिमेंशिया वाले 270 लोगों के वास्तविक मस्तिष्क स्कैन पर लागू किया। उन्होंने इन स्कैन के डेटा को दोनों भविष्यवाणी मॉडलों में डाला ताकि यह देखा जा सके कि कौन सा मॉडल मस्तिष्क की गतिविधि के अगले क्षण का बेहतर अनुमान लगा सकता है। अधिकांश मामलों में, सुचारू, निरंतर प्रवाह को मानने वाले मॉडल ने बेहतर प्रदर्शन किया। इसने 184 रिकॉर्डिंग्स में से 160 में बेहतर प्रदर्शन किया जो विश्वसनीय होने के लिए पर्याप्त लंबी थीं, और छोटी रिकॉर्डिंग्स में भी बेहतर रहा। यह सुझाव देता है कि इस अध्ययन के लोगों के लिए, विश्राम के दौरान मस्तिष्क की गतिविधि एक निरंतर धारा की तरह अधिक दिखती है बजाय अलग-अलग पड़ावों की एक श्रृंखला के। इसके अलावा, जब शोधकर्ताओं ने "कमरा-कूदने" वाले मॉडल को सुचारू, निरंतर सिमुलेशन में उछाल खोजने के लिए मजबूर किया, तो उसने उन्हें ढूंढ निकाला। इसने यात्रा की एक पसंदीदा दिशा की पहचान की, जैसे कि मस्तिष्क एक अवस्था से दूसरी अवस्था में जा रहा हो, भले ही ऐसी कोई अवस्थाएँ मौजूद ही नहीं थीं। इसने सिद्ध कर दिया कि मॉडल एक ऐसी प्रक्रिया से असतत संक्रमणों की कहानी गढ़ सकता है जो पूरी तरह से सुचारू थी।

अध्ययन यह निष्कर्ष निकालता है कि स्कैन में मस्तिष्क को "स्विच" करते देखना अपने आप में यह नहीं बताता कि मस्तिष्क ने वास्तव में स्विच किया है। स्पष्ट उछाल डेटा का विश्लेषण करने के लिए उपयोग किए जाने वाले गणितीय उपकरणों का एक प्रभाव (artifact) हो सकते हैं, या वे विश्लेषण से पहले सिग्नल को फ़िल्टर और स्मूथ करने के तरीके का परिणाम हो सकते हैं। शोधकर्ताओं ने पाया कि परीक्षण के दौरान उपयोग किए जाने वाले फ़िल्टर को बदलने से परिणाम पलट सकते हैं, जिससे एक निरंतर प्रक्रिया एक असतत प्रक्रिया की तरह दिखने लगती है। यह साबित नहीं करता कि मस्तिष्क में कभी अलग-अलग अवस्थाएँ नहीं होती हैं, लेकिन यह दिखाता है कि हम यह मान नहीं सकते कि वे मौजूद हैं सिर्फ इसलिए क्योंकि एक मॉडल उन्हें पाता है। मस्तिष्क की गतिविधि की वास्तविक प्रकृति को समझने के लिए, वैज्ञानिकों को अपने निष्कर्षों की तुलना निरंतर प्रवाह को मानने वाले मॉडलों के साथ करनी चाहिए और यह सुनिश्चित करना चाहिए कि उनके निष्कर्ष तब भी बने रहें जब उनके डेटा को मापने का तरीका बदल जाए। सिमुलेशन और वास्तविक दुनिया के स्कैन से प्राप्त प्रमाण बताते हैं कि मस्तिष्क की विश्राम अवस्था की गतिविधि अक्सर उतार-चढ़ाव का एक निरंतर नृत्य होती है, और इसे अचानक उछाल की एक श्रृंखला के रूप में व्याख्या करना पहले की तुलना में बहुत अधिक सावधानी की मांग करता है।