एआई ने 584 दाता मस्तिष्कों में अल्जाइमर के फेनोटाइप का नक्शा बनाया

अल्जाइमर रोग चिकित्सा की सबसे जटिल पहेलियों में से एक है। दो रोगियों का निदान एक जैसा हो सकता है, वही स्मृति परीक्षणों में समान अंक ला सकते हैं, फिर भी इसमें बहुत अंतर हो सकता है कि कौन-सी मस्तिष्क कोशिकाएँ पहले कमजोर पड़ती हैं, कौन-से आणविक मार्ग गड़बड़ाते हैं, और गिरावट कितनी तेजी से होती है। 23 सितंबर 2026 को नेचर मेडिसिन में ऑनलाइन प्रकाशित एक अध्ययन का तर्क है कि कृत्रिम बुद्धिमत्ता उस परिवर्तनशीलता को उस पैमाने पर समझने में मदद कर सकती है जहाँ तक पहले की विधियाँ नहीं पहुँच सकीं।

"AI-based characterization of Alzheimer's disease phenotypes from population-scale single-cell data" शीर्षक वाला यह पेपर 584 मस्तिष्क दाताओं के समूह से लिए गए सिंगल-सेल मापों पर मशीन-लर्निंग विश्लेषण लागू करता है — इस समूह में अल्जाइमर रोग वाले रोगी और तुलनात्मक दाता दोनों शामिल हैं। इसका घोषित लक्ष्य बताना आसान और लागू करना कठिन है: अल्जाइमर को एक समान स्थिति मानने के बजाय, व्यक्तिगत कोशिकाओं की आणविक प्रोफ़ाइल को कंप्यूटेशनल विधियों से पहचानने योग्य रोग फेनोटाइप में वर्गीकृत करना।

बल्क मस्तिष्क ऊतक तस्वीर को धुंधला क्यों कर देता है

अल्जाइमर अनुसंधान के अधिकांश इतिहास में वैज्ञानिकों ने मस्तिष्क ऊतक का अध्ययन बल्क में किया है। कॉर्टेक्स के किसी क्षेत्र को पीसकर, लाखों कोशिकाओं में हज़ारों जीनों की औसत सक्रियता मापने पर एक साफ़, पुनरुत्पादनीय संख्या मिलती है। लेकिन औसत किसी पड़ोस का खराब वर्णन होता है। यदि प्रतिरक्षा कोशिकाओं की एक छोटी आबादी सूजन प्रतिक्रिया शुरू कर रही है जबकि अधिकांश न्यूरॉन अपना सामान्य काम कर रहे हैं, तो वह संकेत घुलकर अदृश्य हो सकता है। यही समस्या उलटी दिशा में भी चलती है: सबसे प्रचुर कोशिका प्रकार से प्रभुत्व वाला माप बाकी सब के व्यवहार को छिपा सकता है।

सिंगल-सेल तकनीकों ने गणित बदल दिया। अब शोधकर्ता प्रति मस्तिष्क क्षेत्र एक माप के बजाय एक साथ हज़ारों व्यक्तिगत कोशिकाओं या नाभिकों में जीन सक्रियता कैप्चर कर सकते हैं, जिससे हर एक को आणविक पहचान मिलती है। परिणाम एक ही वक्र नहीं, बल्कि कोशिकाओं और जीनों का विशाल, विरल मैट्रिक्स होता है — ऐसा डेटासेट जिसका विशाल आकार ही मशीन लर्निंग को आकर्षक बनाता है।

चर्चा पर हावी रहने वाले कोशिका प्रकार

• न्यूरॉन वह विद्युत और सिनैप्टिक तंत्र रखते हैं जिस पर स्मृति निर्भर करती है, और विभिन्न मस्तिष्क क्षेत्रों में उनकी चयनात्मक भेद्यता रोग की परिभाषित विशेषता है।
• एस्ट्रोसाइट न्यूरोनल उपापचय का समर्थन करते हैं और रक्त-मस्तिष्क अवरोध बनाए रखने में मदद करते हैं, तथा वे प्रतिक्रियाशील अवस्थाओं में बदल सकते हैं जो आसपास के ऊतक की रक्षा या हानि कर सकती हैं।
• माइक्रोग्लिया मस्तिष्क की स्थानीय प्रतिरक्षा कोशिकाएँ हैं; उनकी सक्रियण अवस्थाएँ अल्जाइमर अनुसंधान में सबसे अधिक अध्ययन किए गए चरों में से हैं।
• ओलिगोडेंड्रोसाइट और उनके पूर्वगामी एक्सॉन को मायलिन में लपेटते हैं, और श्वेत पदार्थ समर्थन में बदलाव तंत्रिका परिपथों के संचार की गति को बदल सकते हैं।
• संवहनी और अवरोध कोशिकाएँ मस्तिष्क की रक्त आपूर्ति की परत बनाती हैं, जहाँ रिसाव और कमजोर निकासी तंत्र लंबे समय से रोग प्रगति से जुड़े रहे हैं।

एआई वास्तव में क्या योगदान देता है

जब किसी डेटासेट में लाखों कोशिकाएँ हों, जिनमें से हर एक हज़ारों जीनों से वर्णित हो, तो कोई मनुष्य उसे आँख से नहीं देख सकता। मशीन-लर्निंग विधियों का उपयोग उस आयामीयता को संपीड़ित करने, समान प्रोफ़ाइल वाली कोशिकाओं को समूहित करने, और पारंपरिक श्रेणियों को काटने वाली संरचना खोजने के लिए किया जाता है — उदाहरण के लिए, दो ज्ञात प्रकारों के बीच की कोशिका अवस्थाएँ, या दाता-स्तरीय पैटर्न जो एक साथ सैकड़ों व्यक्तियों की तुलना करने पर ही उभरते हैं।

पेपर के शीर्षक में "characterization" शब्द महत्वपूर्ण है। यह दावा नहीं है कि कोई निदान परीक्षण बनाया गया है, और न ही यह वादा कि कोई मॉडल भविष्यवाणी कर सकता है कि किसे अल्जाइमर होगा। यह वर्णनात्मक और संगठनात्मक कार्य है: अत्यधिक विषम रोग को लेकर यह पूछना कि क्या उसकी आणविक प्रस्तुति कम संख्या में सुसंगत फेनोटाइप में बदलती है जिन्हें नाम दिया जा सके, तुलना की जा सके, और अंततः लक्षित किया जा सके।

584 मस्तिष्क दाताओं का भार

मानव मस्तिष्क ऊतक एक दुर्लभ संसाधन है। दाता कार्यक्रमों के लिए परिवारों, चिकित्सकों और पैथोलॉजिस्टों के साथ वर्षों का समन्वय चाहिए, और हर नमूना अपने साथ आयु, आनुवंशिकी, दवा और मरणोपरांत अंतराल का अपना इतिहास लेकर आता है। इसलिए 584 दाताओं का समूह जुटाना अपने आप में एक बड़ी लॉजिस्टिक उपलब्धि है, और शीर्षक में "population-scale" वाक्यांश ही संकेत देता है कि अध्ययन वह कुछ क्यों आजमा सकता है जो छोटा नमूना नहीं कर सकता।

पैमाना सांख्यिकीय शक्ति खरीदता है। दुर्लभ कोशिका अवस्थाएँ, एक कोशिका प्रकार के दूसरे के सापेक्ष अनुपात में सूक्ष्म बदलाव, और आनुवंशिक जोखिम तथा कोशिका व्यवहार के बीच अंतःक्रियाएँ तभी पकड़ में आती हैं जब पर्याप्त दाताओं की तुलना की जाए। यह उस प्रकार के आंतरिक पुनरावृत्ति को भी संभव बनाता है जिसकी मशीन-लर्निंग अध्ययनों को आवश्यकता होती है: दाताओं के एक उपसमूह में मिला पैटर्न किसी दावे से पहले दूसरे उपसमूह पर परखा जा सकता है।

एकल लेबल से अधिक फेनोटाइप क्यों मायने रखते हैं

अल्जाइमर दवा विकास इस धारणा से आकार लेता रहा है कि एक रोग के लिए एक तंत्र और एक उपचार चाहिए। उस धारणा ने दशकों की महँगी निराशा दी है। यदि यह स्थिति वास्तव में संबंधित परंतु अलग-पहचाने जा सकने वाले आणविक फेनोटाइप का परिवार है, तो सभी रोगियों में परिणामों का औसत निकालना किसी उपसमूह में वास्तविक लाभ छिपा सकता है — और उतना ही गलत जीव विज्ञान पर लक्षित उपचार से रोगियों को दुष्प्रभावों में डाल सकता है।

फेनोटाइप-पहले सोच ऑन्कोलॉजी में नई नहीं है, जहाँ उपचार चयन से पहले ट्यूमर प्रोफाइलिंग मानक अभ्यास है। अनुसंधान की यह दिशा यह प्रश्न उठाती है कि क्या न्यूरोडीजेनेरेशन को भी उसी तरह देखा जा सकता है, जिसमें रोगी की पहचान केवल नैदानिक लक्षणों से नहीं बल्कि कोशिकीय और आणविक हस्ताक्षरों से तय हो।

सीमाएँ और खुले प्रश्न

मरणोपरांत ऊतक एक स्नैपशॉट देता है, जो अक्सर लंबी बीमारी के अंत में लिया जाता है। यह बता सकता है कि उन्नत रोग के साथ कौन-सी कोशिकीय अवस्थाएँ चलती हैं, लेकिन यह आसानी से स्थापित नहीं कर सकता कि कौन-से बदलाव पहले आए या कौन-से कारण नहीं बल्कि परिणाम हैं। दाता समूह भी उन तरीकों से झुके होते हैं जो शोधकर्ताओं को भलीभाँति ज्ञात हैं: मस्तिष्क दान करने वाले लोग जनसंख्या का यादृच्छिक नमूना नहीं होते, और रोग स्वयं कोशिकीय प्रोफ़ाइल को उसके मूल कारण से असंबंधित तरीकों से बदल सकता है।

जटिल जीव विज्ञान पर शक्तिशाली मॉडल लगाने का परिचित खतरा भी है। मशीन लर्निंग ऐसी संरचना पा सकती है जो रोग के बजाय तकनीकी कलाकृतियों को दर्शाती है — जैसे नमूनों के प्रसंस्करण या कोशिकाओं के अनुक्रमण में अंतर। अलग-अलग समूहों में स्वतंत्र पुनरावृत्ति, और पूरक विधियों से सत्यापन, ही एक आकर्षक पैटर्न को टिकाऊ निष्कर्ष से अलग करता है।

आगे क्या देखना है

• पुनरावृत्ति: क्या वही फेनोटाइप स्वतंत्र दाता संग्रहों और रक्त या सेरेब्रोस्पाइनल द्रव से नमूने लिए गए जीवित रोगियों में फिर प्रकट होते हैं।
• स्थानिक संदर्भ: क्या विघटित ऊतक में पहचानी गई कोशिका अवस्थाओं को उनके भौतिक पड़ोस पर वापस मैप किया जा सकता है, क्योंकि स्थान कार्य को आकार देता है।
• नैदानिक अनुवाद: क्या कोई फेनोटाइप प्रगति या उपचार की प्रतिक्रिया में मापे जा सकने वाले अंतर से मेल खाता है।
• डेटा साझाकरण: क्या अंतर्निहित कोशिकीय डेटा ऐसे रूप में जारी किए जाते हैं जिसे अन्य समूह पुनः उपयोग कर सकें, जो तय करता है कि क्षेत्र कितनी जल्दी इस परिणाम पर आगे बढ़ सकता है।

अध्ययन का प्रकाशित सारांश जानबूझकर संक्षिप्त है, और मूलभूत विवरण — कौन-से फेनोटाइप उभरे, वे कितने स्थिर हैं, और वे मौजूदा आनुवंशिक तथा रोगात्मक मार्करों से कैसे संबंधित हैं — पूरे पेपर में है। सारांश जो स्थापित करता है वह प्रयास का स्वरूप है: एकल, स्थूल अल्जाइमर लेबल को अधिक सटीक कोशिकीय विवरण से बदलने का एआई-संचालित प्रयास, जो उस पैमाने पर लागू है जो एक दशक पहले संभव नहीं था। यह विवरण टिकता है या नहीं, यह मॉडल की सुंदरता से नहीं बल्कि पुनरावृत्ति से तय होगा।

यह लेख नेचर मेडिसिन की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।