উচ্চ-গতির অপটিক্যাল ইমেজিং দিয়ে জীবন্ত মস্তিষ্কের কার্যকলাপে আরও গভীরে এগোচ্ছেন গবেষকেরা
Nature Methods-এ বর্ণিত একটি নতুন ইমেজিং প্ল্যাটফর্ম, জীবন্ত টিস্যুতে একসঙ্গে প্রায় ২০০টি নিউরনের বৈদ্যুতিক কার্যকলাপ ধরে মস্তিষ্কে তথ্য প্রক্রিয়াকরণ কীভাবে ঘটে তা বিজ্ঞানীদের অধ্যয়নের পরিধি বাড়াতে পারে। FlatMux নামের এই সিস্টেমটি দ্রুত, ক্ষীণ এবং সাধারণভাবে বড় পরিসরে পর্যবেক্ষণ করা কঠিন এমন সংকেত রেকর্ড করার জন্য তৈরি, বিশেষ করে মস্তিষ্কের গভীরে।
এই কাজ স্নায়ুবিজ্ঞানে দীর্ঘদিনের একটি প্রযুক্তিগত চ্যালেঞ্জ মোকাবিলা করে। মস্তিষ্কের সার্কিটগুলো সমান্তরালে গণনা করা নিউরনের ঘন নেটওয়ার্কের মাধ্যমে কাজ করে, কিন্তু বিদ্যমান অনেক সরঞ্জাম একসঙ্গে যথেষ্ট সংখ্যক কোষ নমুনা নিতে পারে না, যথেষ্ট গভীরতায় পৌঁছাতে পারে না, বা উপযোগী নির্ভুলতায় দ্রুত বৈদ্যুতিক ঘটনা ধরার জন্য যথেষ্ট দ্রুত নড়াচড়া করতে পারে না। নতুন প্ল্যাটফর্মটি এই তিনটি সীমাবদ্ধতাই একসঙ্গে উন্নত করার লক্ষ্য রাখে।
প্রদত্ত উৎস পাঠ্য অনুযায়ী, FlatMux এক বা একাধিক সমতল থেকে একসঙ্গে প্রায় ২০০টি নিউরন রেকর্ড করতে পারে, সর্বোচ্চ ৫০০ মাইক্রোমিটার গভীরতায় এবং প্রতি সেকেন্ডে ২,০০০ ফ্রেম পর্যন্ত গতিতে। বলা হচ্ছে, সিস্টেমটি প্রতি সেকেন্ডে ১৫০ মিলিয়ন স্যাম্পল স্ক্যানিং হার অর্জন করে, একই সঙ্গে পৃথক নিউরনের কার্যকলাপ নির্ভরযোগ্যভাবে শনাক্ত করতে প্রয়োজনীয় শক্তির পরিমাণ কমিয়ে আনে।
এই কর্মক্ষমতার সংখ্যা গুরুত্বপূর্ণ, কারণ বৈদ্যুতিক সংকেত খুব স্বল্প সময়মাত্রায় ঘটে। খুব ধীর একটি পদ্ধতি গুরুত্বপূর্ণ গতিবিধি মিস করতে পারে। যথেষ্ট গভীরে ছবি তুলতে না পারা একটি পদ্ধতি কর্টেক্সের প্রাসঙ্গিক স্তরগুলো বাদ দিতে পারে। আর একসঙ্গে অল্প কয়েকটি কোষই ধরতে পারা একটি পদ্ধতির পক্ষে জীবন্ত নেটওয়ার্কে বণ্টিত প্রক্রিয়াকরণ কীভাবে কাজ করে তা প্রকাশ করা কঠিন হয়ে পড়ে।
নিউরন জ্বলে উঠতে দেখা থেকে বৈদ্যুতিক ইমেজিং কেন কঠিন
স্নায়ুবিজ্ঞানীদের মস্তিষ্ক অধ্যয়নের অনেক উপায় আছে, তবে প্রতিটিরই কিছু না কিছু সমঝোতা আছে। ইলেকট্রোড প্রোব সরাসরি বৈদ্যুতিক কার্যকলাপ শনাক্ত করতে পারে, কিন্তু সেগুলো আক্রমণাত্মক এবং স্বাভাবিকভাবে একটি কোষের অবস্থান বা পরিচয় সম্পর্কে একই ধরনের অপটিক্যাল দৃশ্য দেয় না। ফ্লুরোসেন্সভিত্তিক অপটিক্যাল পদ্ধতি স্থানিক তথ্য বজায় রাখতে পারে, কিন্তু ঐতিহাসিকভাবে সিগন্যাল শক্তি, গতি, দৃষ্টিক্ষেত্র বা ইমেজিং গভীরতার সীমাবদ্ধতায় ভুগেছে।
রকফেলার টিম যে ফাঁকটি কমাতে চাইছে সেটাই এটি। ফ্লুরোসেন্সের মাধ্যমে সরাসরি বৈদ্যুতিক কার্যকলাপ ইমেজিং করে, গবেষকেরা শুধু নিউরনগুলো কখন সক্রিয় হয় তা-ই দেখতে পারবেন না, বরং সেই নিউরনগুলো কোথায় অবস্থিত এবং তারা কোন ধরনের কোষ হতে পারে তাও অনুমান করতে পারবেন। নীতিগতভাবে, এতে একই পরীক্ষায় সার্কিটের আচরণকে অ্যানাটমি ও কোষ-পরিচয়ের সঙ্গে যুক্ত করা সহজ হয়।
গবেষণাটির বিস্তৃত বৈজ্ঞানিক প্রেরণা সহজ: মস্তিষ্কের কার্যকারিতা বোঝার জন্য একক-কোষের বর্ণনা ছাড়িয়ে নেটওয়ার্ক-স্তরের ব্যাখ্যার দিকে যেতে হবে। উৎস পাঠ্য এই সমস্যাটিকে ঠিক সেইভাবেই উপস্থাপন করেছে। বহু বছর ধরে ক্ষেত্রটির বড় অংশই পৃথক নিউরনের প্রতিক্রিয়া বৈশিষ্ট্যের ওপর জোর দিয়েছে। কিন্তু সংবেদন, আচরণ এবং জ্ঞান এমন বৃহৎ কোষসমষ্টি থেকে উদ্ভূত হয়, যারা স্তরজুড়ে এবং স্থানের নানা অংশে পরস্পরের সঙ্গে কাজ করে।
সেই সম্পর্কগুলো বাস্তবে পর্যবেক্ষণ করা কঠিন ছিল। সংকেত দুর্বল, টিস্যু জটিল, এবং ইমেজিং ক্ষমতা বাড়ালে বাস্তব ও জৈবিক সীমাবদ্ধতা তৈরি হতে পারে। FlatMux মনে হয় এই সীমাগুলোর মধ্যে সামঞ্জস্য আনার একটি চেষ্টা, যেখানে একটি নিউরন থেকে কার্যকলাপ শনাক্ত করার শক্তি-ব্যয় কমিয়ে একই সঙ্গে স্ক্যানিং কৌশল এমন মাত্রায় বাড়ানো হয়েছে যাতে বহু নিউরন দ্রুত কভার করা যায়।
FlatMux কী সম্ভব করতে পারে বলে মনে হচ্ছে
উৎস উপাদানের সবচেয়ে গুরুত্বপূর্ণ দাবি শুধু যে প্ল্যাটফর্মটি দ্রুত তা নয়। বরং সংবেদনশীলতা, গতি এবং গভীরতার সমন্বয় গবেষকদের পারস্পরিকভাবে কার্যকরভাবে সংযুক্ত এবং কারণগতভাবে মিথস্ক্রিয়াশীল নিউরনগুলো ম্যাপ করতে সাহায্য করতে পারে। এই পার্থক্যটি গুরুত্বপূর্ণ। অনেক পরীক্ষা সহসম্বন্ধ দেখাতে পারে, কিন্তু জীবন্ত মস্তিষ্কের টিস্যুতে সার্কিটের মধ্যে কার্যকলাপ কীভাবে ছড়ায় তা বোঝার জন্য এমন সরঞ্জাম দরকার যা বাস্তব পরিস্থিতিতে একসঙ্গে বহু প্রাসঙ্গিক কোষ পর্যবেক্ষণ করতে পারে।
যদি সিস্টেমটি বর্ণনার মতো কাজ করে, তবে গবেষকেরা ছোট কোষ-উপসেটের বিচ্ছিন্ন স্ন্যাপশট দেখার বদলে কর্টিকাল স্তর জুড়ে তথ্যের ধরণ কীভাবে সরে যায় তা অধ্যয়ন শুরু করতে পারবেন। এতে সংবেদন প্রক্রিয়াকরণ, নেটওয়ার্ক গতিবিদ্যা, এবং কীভাবে নিউরনের দলগত কার্যকলাপ আচরণ তৈরি করে তা নিয়ে কাজকে সমর্থন করবে।
এখানে গভীরতা বিশেষভাবে গুরুত্বপূর্ণ। ৫০০ মাইক্রোমিটার পর্যন্ত ইমেজিং করলে গবেষকেরা এমন গভীরতায় কার্যকলাপ দেখতে পারেন, যা অনেক অপটিক্যাল পদ্ধতি স্বাচ্ছন্দ্যে সামলাতে পারে না। এতে শুধু সবচেয়ে ওপরের অংশ নয়, কর্টিকাল সংগঠনের একাধিক স্তরের মধ্যে মিথস্ক্রিয়া ধরার সম্ভাবনা বাড়ে।
এক বা একাধিক সমতলে একসঙ্গে কাজ করার ক্ষমতাটিও গুরুত্বপূর্ণ। নিউরাল গণনা স্বভাবতই ত্রিমাত্রিক। গুরুত্বপূর্ণ মিথস্ক্রিয়াগুলো একক সমতল স্লাইসে সুন্দরভাবে মেলে না। উচ্চ গতি বজায় রেখেও একাধিক সমতল নমুনা নিতে পারা একটি প্ল্যাটফর্ম প্রকৃত সার্কিটের গঠন উপস্থাপন করার ক্ষেত্রে বেশি সক্ষম।
একক-নিউরন স্নায়ুবিজ্ঞান থেকে বণ্টিত গণনার দিকে
রকফেলারের Laboratory of Neurotechnology and Biophysics-এর প্রধান আলিপাশা ওজিরি উৎস পাঠ্যে যুক্তি দেন যে ক্ষেত্রটি এখন মস্তিষ্ককে পৃথক প্রতিক্রিয়া বৈশিষ্ট্যের সংগ্রহ হিসেবে বোঝা থেকে সরে এসে এটিকে বণ্টিত গণনা সম্পাদনকারী একটি অত্যন্ত আন্তঃসংযুক্ত ব্যবস্থা হিসেবে বোঝার দিকে অগ্রসর হচ্ছে। এটি ধারণাগত পরিবর্তন যেমন, তেমনি প্রযুক্তিগত পরিবর্তনও।
সরঞ্জাম তত্ত্বকে রূপ দেয়। যখন পদ্ধতি শুধু কয়েকটি নিউরনকেই ভালোভাবে পর্যবেক্ষণ করতে দেয়, বিশ্লেষণের স্বাভাবিক একক হয়ে ওঠে একক কোষ। যন্ত্র উন্নত হলে বিশ্লেষণের একক হতে পারে সার্কিট, স্তর, বা বণ্টিত নেটওয়ার্ক। FlatMux-কে এমন একটি সরঞ্জাম হিসেবে উপস্থাপন করা হয়েছে, যা জীবন্ত টিস্যুতে বৃহৎ পরিসরের বৈদ্যুতিক ইমেজিংকে আরও বাস্তবসম্মত করে এই রূপান্তরকে সম্ভব করতে পারে।
এর মানে এই নয় যে কঠিন প্রশ্নগুলো সমাধান হয়ে গেছে। ভালো পর্যবেক্ষণ নিজে থেকেই মস্তিষ্কের গণনার পূর্ণ তত্ত্বে পরিণত হয় না। তবে এটি পরীক্ষাগতভাবে কী ধরনের প্রশ্ন করা সম্ভব তা বদলে দিতে পারে। পারস্পরিকভাবে সংযুক্ত নিউরনগুচ্ছের মধ্যে দিয়ে তথ্য কীভাবে রূপান্তরিত হয়, কার্যকলাপের ধরন কীভাবে সমন্বিত বা বিচ্ছিন্ন হয়, এবং নির্দিষ্ট কোষ-প্রকারগুলি যৌথ গণনায় কীভাবে অবদান রাখে তা জানতে গবেষকেরা আরও ভালো অবস্থানে থাকতে পারেন।
বিস্তৃত গবেষণাগত প্রভাবসম্পন্ন একটি প্রযুক্তিগত অগ্রগতি
এই গবেষণাকে অপটিক্যাল নিউরোটেকনোলজিতে একটি মানদণ্ড-স্থাপনকারী প্ল্যাটফর্ম হিসেবে উপস্থাপন করা হচ্ছে। পরবর্তী কাজেও যদি তা টিকে থাকে, তবে এর মূল্য একটি ল্যাবরেটরির গণ্ডি ছাড়িয়ে যাবে। গতি, পরিসর ও গভীরতার মধ্যে সমঝোতা উন্নত করে এমন পদ্ধতিগুলো অনেক ধরনের পরীক্ষার জন্য, বিশেষ করে সিস্টেমস নিউরোসায়েন্সে, সক্ষমতামূলক অবকাঠামো হয়ে ওঠে।
এখন মূল বার্তা হলো, গবেষকেরা এমন একটি উপায় বর্ণনা করেছেন যার মাধ্যমে তুলনামূলক অপটিক্যাল পদ্ধতির চেয়ে অনেক বেশি নিউরন, অধিক গভীরতায় এবং উচ্চ গতিতে, বৈদ্যুতিক কার্যকলাপ ইমেজ করা যায়। এমন একটি ক্ষেত্রে, যেখানে কেন্দ্রীয় চ্যালেঞ্জ হলো বিপুল সংখ্যক আন্তঃসংযুক্ত নিউরন কীভাবে একসঙ্গে গণনা করে তা বোঝা, এটি একটি অর্থবহ পদক্ষেপ।
মস্তিষ্ককে তার নিজস্ব শর্তে দেখা এখনো কঠিন। কিন্তু জীবন্ত টিস্যুতে একসঙ্গে প্রায় ২০০টি নিউরন অনুসরণ করতে পারা, এবং তাতে স্থানিক ও কোষ-প্রকারের প্রেক্ষাপট বজায় রাখা, বিজ্ঞানীদের দেখাতে পারে জ্ঞান কীভাবে বিচ্ছিন্ন অংশ থেকে নয়, বরং সার্কিট্রি থেকে উদ্ভূত হয়। FlatMux-এর প্রতিশ্রুতি এটাই, এবং এ কারণেই এই প্রযুক্তিগত উন্নয়নটি কেবল একটি ছোট ইমেজিং আপগ্রেডের চেয়ে বেশি কিছু বলে মনে হয়।
এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.
Originally published on medicalxpress.com