Information arrival sets the minimum acquisition time in calcium imaging

न्यूरोसाइंस काफी हद तक एक ऑप्टिकल विज्ञान बन गया है, एक ऐसा क्षेत्र जहाँ शोधकर्ता मस्तिष्क की विद्युत गतिविधि को प्रकाश में बदलकर उसे देखते हैं। ऐसा करने के लिए, वे जीवित ऊतकों के भीतर झाँकने के लिए टू-फोटॉन माइक्रोस्कोप नामक एक विशेष उपकरण का उपयोग करते हैं। वे एक रासायनिक सेंसर इंजेक्ट करते हैं, जो एक सूक्ष्म अणु है जो कैल्शियम आयन को पकड़ने पर अधिक चमकता है। चूंकि न्यूरॉन्स हर बार विद्युत संकेत, या स्पाइक, छोड़ने पर कैल्शियम छोड़ते हैं, इसलिए यह चमक वास्तविक विद्युत घटना के प्रतिनिधि के रूप में कार्य करती है। हालाँकि, यह प्रक्रिया एक सटीक दर्पण नहीं है। सेंसर को प्रतिक्रिया देने में समय लगता है, प्रकाश शोर (नॉइज़) के साथ टिमटिमाता है, और कैमरा एक निश्चित गति पर चित्र कैप्चर करता है। यह वास्तविक विद्युत चिंगारी और प्रकाश की रिकॉर्ड की गई चमक के बीच एक अंतर पैदा करता है। दशकों से, वैज्ञानिकों ने धुंधले प्रकाश रिकॉर्डिंग से मूल विद्युत संकेतों का अनुमान लगाने के लिए बेहतर कंप्यूटर प्रोग्राम बनाने पर ध्यान केंद्रित किया है। लेकिन एक मौलिक प्रश्न अनकहा रह गया: एक वैज्ञानिक को अपने विशिष्ट प्रश्न का उत्तर देने के लिए पर्याप्त देखने के लिए वास्तव में कितनी देर तक एक न्यूरॉन को देखना चाहिए?

मौरिस एंटनी यूइंग द्वारा किया गया एक नया अध्ययन सीधे इस समय संबंधी समस्या को संबोधित करता है। केवल अतीत का अनुमान लगाने के बजाय, यह शोध पूछता है कि किसी कार्य के लिए आवश्यक जानकारी कब आती है और कब लंबे समय तक देखना मददगार होना बंद हो जाता है। टीम ने अवलोकन विंडो (observation window) की लंबाई को एक पहेली के रूप में लिया जिसे उलटे क्रम में हल किया जाना था। उन्होंने वास्तविक दुनिया के डेटा के एक विशाल संग्रह का उपयोग किया जहाँ वैज्ञानिकों ने एक ही समय में एक ही न्यूरॉन्स से चमकते कैल्शियम संकेतों और वास्तविक विद्युत स्पाइक्स दोनों को रिकॉर्ड किया था। इस 'ग्राउंड-ट्रुथ' डेटा ने उन्हें यह परीक्षण करने की अनुमति दी कि हर एक सेकंड के अंश में कितनी जानकारी उपलब्ध थी। विभिन्न प्रकार के सेंसरों और मस्तिष्क क्षेत्रों में सैकड़ों न्यूरॉन्स की रिकॉर्डिंग का विश्लेषण करके, उन्होंने पाया कि उत्तर पूरी तरह से उपयोग किए जा रहे विशिष्ट उपकरणों और जैविक सेटअप पर निर्भर करता है। ऐसा कोई एकल नियम नहीं है जो सभी प्रयोगों पर लागू होता हो।

शोधकर्ताओं ने पाया कि कुछ तेज़-अभिक्रिया वाले सेंसरों के लिए, आवश्यक जानकारी एक झटके में आती है। GCaMP8m नामक एक विशिष्ट सेंसर के लिए, डेटा ने दिखाया कि सिस्टम स्पाइक्स की पहचान करने की अपनी चरम क्षमता केवल 67 मिलीसेकंड के भीतर प्राप्त कर लेता है, जो लगभग वीडियो के दो फ्रेम कैप्चर करने का समय है। एक अलग सेंसर, GCaMP6s, जिसका उपयोग रीढ़ की हड्डी के बाहर मस्तिष्क में किया जाता है, के लिए अनुकूलतम विंडो लंबी थी, जिसमें लगभग 250 मिलीसेकंड या आठ फ्रेम की आवश्यकता थी। रीढ़ की हड्डी में, जहाँ संकेत धीमे होते हैं और वातावरण अधिक जटिल होता है, शोधकर्ताओं ने निर्धारित किया कि एक वैज्ञानिक को सबसे अच्छा परिणाम प्राप्त करने के लिए 667 मिलीसेकंड या बीस फ्रेम तक देखना होगा। महत्वपूर्ण रूप से, अध्ययन ने सिद्ध किया कि ये विशिष्ट समय सीमाएँ केवल एक समूह के न्यूरॉन्स पर की गई भाग्यशाली अटकलें नहीं थीं। टीम ने इन समयों का चयन न्यूरॉन्स के एक समूह से किया जिसे उन्होंने "डिस्कवरी" समूह कहा, और फिर उन्हें पूरी तरह से अलग न्यूरॉन्स पर टेस्ट किया जिन्हें उन्होंने पहले कभी नहीं देखा था। चयनित समय नए न्यूरॉन्स पर भी पूरी तरह से काम कर गया, जिससे पुष्टि हुई कि यह नियम हस्तांतरणीय (transferable) है।

शायद सबसे आश्चर्यजनक खोज यह थी कि इन विशिष्ट सीमाओं से अधिक देर तक देखने से परिणाम वास्तव में खराब हो जाते हैं। एक बार जब जानकारी आ जाती है और कार्य पूरा हो जाता है, तो रिकॉर्डिंग जारी रखने से अधिक शोर जुड़ता है और तस्वीर धुंधली हो जाती है। प्रत्येक मामले में जो टेस्ट किया गया था, उसमें रिकॉर्डिंग का समय अनुकूलतम बिंदु से आगे बढ़ाने से स्पाइक डिटेक्शन की सटीकता कम हो गई। सबसे तेज़ सेंसर के लिए, कैमरे को बहुत लंबे समय तक चालू रखने से सटीकता में उल्लेखनीय गिरावट आई। यह सामान्य धारणा को उलट देता है कि अधिक डेटा हमेशा बेहतर होता है। अध्ययन सुझाव देता है कि कई मामलों में, एक वैज्ञानिक अनावश्यक प्रकाश जोखिम के कारण नाजुक ऊतकों को नुकसान पहुँचाकर और कीमती समय बर्बाद करके रिकॉर्डिंग के लिए बहुत अधिक समय दे रहा है।

शोध ने यह भी स्पष्ट किया कि जब डेटा पर्याप्त नहीं होता है तो क्या होता है। आदर्श समय पर भी, कुछ जैविक सेटअप स्वाभाविक रूप से पढ़ने में कठिन रहते हैं। अध्ययन ने एक "अवशिष्ट अस्पष्टता" (residual ambiguity) को मापा, जो एक ऐसी स्थिति है जहाँ सिग्नल इतना धुंधला होता है कि हर एक स्पाइक को पूर्ण निश्चितता के साथ पहचानना असंभव होता है। रीढ़ की हड्डी की रिकॉर्डिंग के लिए, यह अस्पष्टता अनुकूलतम समय बीत जाने के बाद भी बनी रही। लेखक इस बात पर जोर देते हैं कि इन मामलों में, अधिक समय जोड़ने से समस्या हल नहीं होगी। यदि किसी वैज्ञानिक को वर्तमान सेटअप द्वारा दी जाने वाली तुलना में अधिक स्पष्ट तस्वीर की आवश्यकता है, तो वे केवल अधिक समय प्रतीक्षा करके इसे ठीक नहीं कर सकते; उन्हें विधि बदलनी होगी, शायद एक अलग सेंसर या एक अलग इमेजिंग तकनीक का उपयोग करके। अध्ययन यह नहीं बताता कि उन्हें कौन सी नई विधि चुननी चाहिए, लेकिन यह इस विचार को दृढ़ता से खारिज करता है कि केवल समय ही समाधान है।

यह कार्य प्रयोगों को डिजाइन करने का एक नया तरीका स्थापित करता है। रिकॉर्डिंग कितनी देर तक करनी है इसका अनुमान लगाने के बजाय, एक शोधकर्ता अब एक विशिष्ट लक्ष्य तक पहुँचने के लिए आवश्यक न्यूनतम समय का अनुमान लगा सकता है। अध्ययन ने डेटा का विश्लेषण करने और प्रत्येक प्रकार के सेंसर के लिए एक विशिष्ट प्रोटोकॉल को फ्रीज करने के लिए एक कंप्यूटर सिस्टम का उपयोग किया। इन प्रोटोकॉलों को फिर अनदेखे न्यूरॉन्स पर मान्य किया गया, जिससे सिद्ध हुआ कि समय के नियम व्यवहार में काम करते हैं। परिणाम दिखाते हैं कि तेज़ GCaMP8m सेंसर के लिए, जानकारी अनिवार्य रूप से दो वीडियो फ्रेम के भीतर पूरी हो जाती है। धीमी रीढ़ की हड्डी की तैयारियों के लिए, इसमें बीस फ्रेम लगते हैं। इन बिंदुओं के आगे, अतिरिक्त समय न केवल बेकार है, बल्कि यह उत्तर की गुणवत्ता के लिए सक्रिय रूप से हानिकारक भी है।

इसके निहितार्थ केवल समय बचाने से परे हैं। चिकित्सा अनुसंधान में, विशेष रूप से मस्तिष्क के ट्यूमर के अध्ययन में, न्यूरोनल गतिविधि को सटीक रूप से मापना महत्वपूर्ण है। यदि माप दोषपूर्ण है क्योंकि रिकॉर्डिंग विंडो बहुत छोटी या बहुत लंबी है, तो न्यूरॉन्स बीमारी के साथ कैसे परस्पर क्रिया करते हैं, इसके बारे में निकाले गए निष्कर्ष गलत हो सकते हैं। यह अध्ययन प्रयोग को चलाने से पहले ही उसके सूचनात्मक सामग्री का ऑडिट करने की एक विधि प्रदान करता है। यह ध्यान केवल अधिक से अधिक डेटा एकत्र करने से हटाकर विशिष्ट प्रश्न के लिए सही मात्रा में डेटा एकत्र करने पर केंद्रित करता है। अधिग्रहण समय (acquisition time) को एक परिवर्तनशील (variable) के रूप में मानकर जिसे मापा और अनुकूलित किया जा सकता है, यह शोध जीवित मस्तिष्क के अधिक कुशल और सटीक अवलोकन का मार्ग प्रशस्त करता है।

अध्ययन 'रिट्रोस्पेक्टिव' (retrospective) है, जिसका अर्थ है कि इसने नए माइक्रोस्कोप को सिद्धांत परीक्षण के लिए सेट करने के बजाय पहले से एकत्र किए गए डेटा का विश्लेषण किया। हालाँकि, इसका तर्क मजबूत है। टीम ने प्रदर्शित किया कि सूचना आगमन वक्र (information arrival curve) को मैप किया जा सकता है, अनुकूलतम रुकने के बिंदु की पहचान की जा सकती है, और इस रुकने के बिंदु को नए, अनदेखे जैविक नमूनों पर लागू किया जा सकता है। उन्होंने यह भी रेखांकित किया कि सफलता को मापने के लिए उपयोग किए गए संख्यात्मक स्कोर तुलनात्मक उपकरण हैं, न कि पूर्ण भौतिक सीमाएँ। इन स्कोर की वैधता विशिष्ट सेटअप पर निर्भर करती है, लेकिन सूचना आगमन का पैटर्न वास्तविक है। अध्ययन निष्कर्ष निकालता है कि किसी भी दिए गए ऑप्टिकल सेटअप के लिए, एक क्षण आता है जब घोषित कार्य के लिए आवश्यक जानकारी प्राप्त हो जाती है, और एक वैज्ञानिक को रिकॉर्डिंग रोक देनी चाहिए।

अंत में, यह कार्य वैज्ञानिक समुदाय के लिए एक स्पष्ट, व्यावहारिक सबक प्रदान करता है। मस्तिष्क एक एकल, समान भाषा में बात नहीं करता है, और इसे सुनने के लिए उपयोग किए जाने वाले उपकरण सभी एक ही गति से काम नहीं करते हैं। कुछ सेंसर त्वरित प्रतिक्रिया देते हैं, जबकि अन्य धीमे और विचारशील होते हैं। सेंसर की विशिष्ट गति और जैविक वातावरण के साथ अवलोकन समय का मिलान करके, शोधकर्ता बहुत जल्दी रुकने और बहुत लंबे समय तक देखने, दोनों की समस्याओं से बच सकते। अध्ययन सिद्ध करता है कि समय अपने आप में कोई गुण नहीं है। जीवित मस्तिष्क को देखने के नाजुक काम में, यह जानना कि कब रुकना है, यह जानने जितना महत्वपूर्ण है कि कैसे शुरू करना है।