A Large-Scale Anatomically and Electrophysiologically Constrained Model of Hippocampus at Behavioral Time Scales
यह शोध पत्र एक GPU-त्वरित कम्प्यूटेशनल ढांचे को प्रस्तुत करता है जो 250,000 न्यूरॉन्स के साथ एक बड़े पैमाने के, शारीरिक रूप से बाधित हिप्पोकैम्पल मॉडल का निर्माण और अनुकूलन करता है, जो एक नवीन दो-चरणीय अनुकूलन रणनीति के माध्यम से प्रमुख जैविक गतिकी को सफलतापूर्वक पुनरुत्पादित करता है और व्यवहार संबंधी समय-सीमाओं के लिए पर्याप्त सिमुलेशन गति प्राप्त 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, उलझा हुआ परिदृश्य है, जिनमें से प्रत्येक एक सूक्ष्म विद्युत इकाई है जो विचार, स्मृति और गति बनाने के लिए जटिल पैटर्न में सक्रिय होती है। इस मशीनरी के काम करने के तरीके को समझने के लिए, वैज्ञानिक अक्सर कंप्यूटर मॉडल बनाते हैं जो मस्तिष्क की संरचना की नकल करते हैं। हालांकि, एक निरंतर समस्या ने इन प्रयासों को बाधित किया है: मॉडल या तो वास्तविकता के मामले में बहुत सरल होते हैं, या वे इतने विस्तृत होते हैं कि उन्हें कंप्यूटर पर चलाने में वर्षों लग जाते हैं, जिससे किसी जानवर द्वारा कमरे में घूमने के सेकंड या मिनटों का अनुकरण करना असंभव हो जाता है। शोधकर्ता एक ऐसा मॉडल बनाने के लिए संघर्ष कर रहे थे जो शारीरिक रूप से सटीक हो—मस्तिष्क की वास्तविक वायरिंग से मेल खाता हो—और वास्तविक समय में चलने के लिए पर्याप्त तेज़ भी हो।
शोधकर्ताओं ने अब हिप्पोकैम्पस (hippocampus), जो स्मृति और नेविगेशन के लिए जिम्मेदार मस्तिष्क का हिस्सा है, का एक विशाल, अत्यधिक विस्तृत सिमुलेशन तैयार किया है। उन्होंने इस मस्तिष्क क्षेत्र का एक डिजिटल संस्करण बनाया जिसमें लगभग 2,5{0,000} व्यक्तिगत न्यूरॉन्स और उनके बीच 2 करोड़ कनेक्शन शामिल हैं। पिछले प्रयासों के विपरीत, जो अनुमान या सरलीकृत नियमों पर निर्भर थे, यह मॉडल सीधे इस बात के प्रयोगात्मक मानचित्रों से बनाया गया था कि मस्तिष्क की कोशिकाएं वास्तव में एक-दूसरे से कैसे जुड़ी होती हैं। शोधकर्ताओं ने शक्तिशाली ग्राफिक्स प्रोसेसर का उपयोग किया, जो उच्च-स्तरीय वीडियो गेम में पाए जाने वाले चिप्स के समान होते हैं, ताकि इस सिमुलेशन को वास्तविक जैविक समय की तुलना में लगभग 20 गुना तेज़ गति से चलाया जा सके। इसने उन्हें नेटवर्क को लंबे समय तक विकसित होते देखने, और यह देखने की अनुमति दी कि व्यवहार उत्पन्न करने के लिए कोशिकाएं कैसे परस्पर क्रिया करती हैं।
सबसे आश्चर्यजनक परिणाम यह था कि मॉडल ने बिना यह सिखाए कि नेविगेशन कैसे किया जाए, नेविगेशन पैटर्न उत्पन्न किए। शोधकर्ताओं ने डिजिटल मस्तिष्क को एक आभासी जानवर के स्थान में घूमने का प्रतिनिधित्व करने वाले संकेतों से फीड किया, लेकिन उन्होंने न्यूरॉन्स को विशिष्ट स्थानों को पहचानने के लिए प्रोग्राम नहीं किया था। इसके बावजूद, नेटवर्क ने स्वतः ही "प्लेस सेल्स" (place cells) विकसित कर लिए—ऐसे न्यूरॉन्स जो केवल तभी सक्रिय होते थे जब आभासी जानवर एक विशिष्ट स्थान पर होता था। यह स्वाभाविक रूप से इसलिए हुआ क्योंकि कोशिकाएं इस तरह से जुड़ी हुई थीं और वे एक-दूसरे के प्रति कैसे प्रतिक्रिया करती थीं। सिमुलेशन ने दिखाया कि स्थान का मानचित्र बनाने की मस्तिष्क की क्षमता उसके सर्किटों की भौतिक संरचना और उसके विद्युत संकेतों के समय से उत्पन्न होती है, न कि किसी पूर्व-लिखित निर्देश पुस्तिका से।
इसे प्राप्त करने के लिए, टीम को दो प्रमुख बाधाओं को हल करना पड़ा। पहले, उन्हें जटिल शारीरिक डेटा को, जो आमतौर पर कोशिकाओं के समूहों का वर्णन करता है, प्रत्येक एकल न्यूरॉन के बीच कनेक्शन के मानचित्र में अनुवादित करने की आवश्यकता थी। उन्होंने इन जनसंख्या-स्तर के मानचित्रों को एक सटीक वायरिंग आरेख में बदलने की एक विधि विकसित की, जिससे यह सुनिश्चित हुआ कि डिजिटल मस्तिष्क एक वास्तविक मस्तिष्क की तरह दिखे और कार्य करे। दूसरा, उन्हें सिमुलेशन को उपयोगी होने के लिए पर्याप्त तेज़ चलाना था। ग्राफिक्स हार्डवेयर पर चलने के लिए सॉफ्टवेयर को अनुकूलित करके, उन्होंने मस्तिष्क की एक सेकंड की गतिविधि के सिमुलेशन के लिए आवश्यक समय को एक सेकंड के बहुत छोटे हिस्से तक कम कर दिया। यह गति महत्वपूर्ण है क्योंकि यह वैज्ञानिकों को मॉडल को घंटों या दिनों तक चलाने की अनुमति देती है, जिससे सीखने और स्मृति सुदृढ़ीकरण जैसी दीर्घकालिक प्रक्रियाओं का अध्ययन किया जा सके जो धीमे, अधिक विस्तृत मॉडलों में असंभव है।
शोधकर्ताओं ने मॉडल को ट्यून करने का एक स्मार्ट तरीका भी विकसित किया। शुरुआत से ही हर एक संख्या को एकदम सटीक बनाने की कोशिश करने के बजाय, उन्होंने दो-चरणीय प्रक्रिया का उपयोग किया। सबसे पहले, उन्होंने न्यूरॉन्स के जोड़ों के बीच कनेक्शन की ताकत को ज्ञात प्रयोगशाला मापों से मेल खाने के लिए समायोजित किया। फिर, उन्होंने पूरे नेटवर्क को चलने दिया और सिमुलेशन चलते समय ही कनेक्शनों को फिर से समायोजित किया, सिस्टम को तब तक फाइन-ट्यून किया जब तक कि कोशिकाओं के समूह की समग्र गतिविधि जीवित जानवरों में देखी जाने वाली गतिविधि से मेल नहीं खा गई। इस ऑनलाइन समायोजन का अर्थ था कि उन्हें हर बार बदलाव करने के लिए सिमुलेशन को रोकना और फिर से शुरू करने की आवश्यकता नहीं थी, जिससे समय की भारी बचत हुई और कहीं अधिक सटीक फिट मिला।
जब मॉडल का परीक्षण किया गया, तो इसने मस्तिष्क की गतिविधि का एक समृद्ध ताना-बाना प्रस्तुत किया। न्यूरॉन्स लयबद्ध पैटर्न में सक्रिय हुए जो वास्तविक जानवरों में देखी जाने वाली मस्तिष्क तरंगों, विशेष रूप से नेविगेशन और स्मृति से जुड़े 'थेटा' (theta) और 'गामा' (gamma) रिदम से मेल खाते थे। कोशिकाएं विशिष्ट समूहों में संगठित हुईं, जिनमें से कुछ तेजी से और कुछ धीरे सक्रिय होती थीं, ठीक वैसे ही जैसे वे जीवित मस्तिष्क में करती हैं। सबसे महत्वपूर्ण बात यह थी कि स्थानिक मानचित्र (spatial maps) स्थिर और यथार्थवादी थे। हिप्पोकैम्पस की विभिन्न परतों में मौजूद न्यूरॉन्स ने पर्यावरण से प्राप्त कच्चे इनपुट को तेजी से सटीक स्थान कोड में बदल दिया, जो सामान्य ग्रिड-जैसे पैटर्न से लेकर विशिष्ट, एकल-स्थान फायरिंग तक विकसित हुए। यह प्रगति स्वचालित रूप से हुई, जो पूरी तरह से नेटवर्क की भौतिक बाधाओं और कोशिकाओं के विद्युत गुणों द्वारा संचालित थी।
यह कार्य सुझाव देता है कि स्थान को समझने की मस्तिष्क की क्षमता उसकी भौतिक वायरिंग और उसकी कोशिकाओं के संचार करने के तरीके का एक सीधा परिणाम है। शोधकर्ताओं को मॉडल में "स्थान" की अवधारणा को प्रोग्राम करने की आवश्यकता नहीं थी; यह सिस्टम की जटिलता से स्वाभाविक रूप से उत्पन्न हुआ। जबकि वर्तमान मॉडल पूर्ण हिप्पोकैम्पस का केवल एक अंश है, टीम ने दिखाया है कि उनके तरीकों को पूरे क्षेत्र का सिमुलेशन करने के लिए बढ़ाया जा सकता है। वे अनुमान लगाते हैं कि आधुनिक उच्च-मेमोरी कंप्यूटर सिस्टम के साथ, एक पूर्ण-स्तरीय मॉडल वास्तविक समय की लगभग 50 गुना गति से चल सकता है। यह वैज्ञानिकों को एक दिन या एक सप्ताह की अवधि के लिए पूरे हिप्पोकैम्पस का सिमुलेशन करने का द्वार खोलता है, जिससे वे देख सकते हैं कि समय के साथ यादें कैसे बनती हैं और स्थिर होती हैं।
यह अध्ययन मस्तिष्क को समझने के एक नए दृष्टिकोण पर भी प्रकाश डालता है, जो व्यक्तिगत कोशिकाओं के सूक्ष्म विवरणों और पूरे अंग के बड़े पैमाने के व्यवहार के बीच के अंतर को पाटता है। सटीक शारीरिक डेटा को तेज़, लचीले कंप्यूटिंग के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो यह परीक्षण कर सकता है कि मस्तिष्क की संरचना में परिवर्तन उसके कार्य को कैसे प्रभावित करते हैं। यह ढांचा केवल मस्तिष्क की एक स्थिर तस्वीर नहीं है; यह एक गतिशील प्रणाली है जिसे बदला जा सकता है और क्रिया में देखा जा सकता है। यह स्मृति और नेविगेशन के तंत्रों को एक नियंत्रित वातावरण में खोजने का एक तरीका प्रदान करता है, जो मन की जटिल मशीनरी को देखने के लिए एक नया लेंस है। इस सिमुलेशन की सफलता यह सुझाव देती है कि मस्तिष्क को नियंत्रित करने वाले नियम इसकी भौतिक संरचना में लिखे गए हैं, जो उन मॉडलों द्वारा डिकोड होने की प्रतीक्षा कर रहे हैं जो विस्तृत भी हों और विचार के प्रवाह के साथ चलने के लिए पर्याप्त तेज़ भी हों।
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।