नवीन मेंदू इमेजिंग प्रणाली एकाच वेळी जवळपास २०० न्यूरॉन्सचा मागोवा घेते

उच्च-वेग ऑप्टिकल इमेजिंगद्वारे जिवंत मेंदूच्या क्रियेत संशोधक अधिक खोलवर जात आहेत

Nature Methodsमध्ये वर्णन केलेला एक नवीन इमेजिंग प्लॅटफॉर्म, जिवंत ऊतींमध्ये एकाच वेळी जवळपास २०० न्यूरॉन्सची विद्युत क्रिया पकडून मेंदूमधील माहिती प्रक्रिया शास्त्रज्ञ कशी अभ्यासतात हे विस्तृत करू शकतो. FlatMux नावाची ही प्रणाली, वेगवान, मंद आणि मोठ्या प्रमाणावर पाहणे कठीण अशा सिग्नल्सची नोंद घेण्यासाठी डिझाइन केली आहे, विशेषतः मेंदूच्या आत खोलवर.

हे काम न्यूरोसायन्समधील दीर्घकालीन तांत्रिक आव्हानाला हाताळते. मेंदूचे सर्किट्स समांतरपणे गणना करणाऱ्या न्यूरॉन्सच्या घन नेटवर्कद्वारे कार्य करतात, परंतु विद्यमान अनेक साधने एकाच वेळी पुरेशा पेशींचे नमुने घेऊ शकत नाहीत, पुरेशी खोली गाठू शकत नाहीत, किंवा उपयुक्त विश्वासार्हतेसह जलद विद्युत घटना टिपण्यासाठी पुरेशी वेगवान नसतात. नवीन प्लॅटफॉर्म या तिन्ही मर्यादा एकत्र सुधारण्याचा प्रयत्न करतो.

दिलेल्या स्रोत मजकुरानुसार, FlatMux एकाच वेळी एक किंवा अनेक पातळ्यांमधून जवळपास २०० न्यूरॉन्सचे, ५०० मायक्रोमीटरपर्यंतच्या खोलीवर आणि प्रति सेकंद २,००० फ्रेम्सपर्यंत रेकॉर्ड करू शकतो. वैयक्तिक न्यूरॉन्सची क्रिया विश्वासार्हपणे ओळखण्यासाठी आवश्यक असलेली ऊर्जा कमी ठेवत, प्रणाली दर सेकंदाला १५० दशलक्ष नमुन्यांचा स्कॅनिंग दर साध्य करते, असेही कळवले गेले आहे.

ही कार्यक्षमतेची आकडेवारी महत्त्वाची आहे, कारण विद्युत सिग्नल अतिशय लहान कालावधीत घडतात. खूप संथ पद्धत महत्त्वाचे गतिशील बदल चुकवू शकते. पुरेशी खोली गाठू न शकणारी पद्धत कॉर्टेक्समधील संबंधित थरांना वगळू शकते. आणि एकावेळी फक्त थोड्या पेशींचेच चित्र घेणारी पद्धत, जिवंत नेटवर्कमध्ये वितरित प्रक्रिया प्रत्यक्षात कशी कार्य करते हे उलगडण्यात अडचण येऊ शकते.

न्यूरॉन्स चमकत असल्याचे पाहण्यापेक्षा विद्युत इमेजिंग अधिक कठीण का आहे

न्यूरोशास्त्रज्ञांकडे मेंदूचा अभ्यास करण्यासाठी अनेक मार्ग आहेत, पण प्रत्येकात काहीतरी तडजोड असते. इलेक्ट्रोड प्रोब्स विद्युत क्रिया थेट ओळखू शकतात, परंतु त्या आक्रमक असतात आणि पेशीचे स्थान किंवा ओळख याबद्दल तीच ऑप्टिकल दृष्टी नैसर्गिकरित्या देत नाहीत. फ्लुरोरेसन्सवर आधारित ऑप्टिकल पद्धती स्थानिक माहिती जपू शकतात, पण इतिहासात त्या सिग्नलची ताकद, गती, दृश्य क्षेत्र किंवा इमेजिंग खोली यांमुळे मर्यादित राहिल्या आहेत.

हाच फरक रॉकफेलर टीम कमी करण्याचा प्रयत्न करत आहे. फ्लुरोरेसन्सद्वारे थेट विद्युत क्रियेचे इमेजिंग करून, संशोधक केवळ न्यूरॉन्स कधी सक्रिय होतात हेच पाहू शकत नाहीत, तर ते न्यूरॉन्स कुठे आहेत आणि ते कोणत्या प्रकारच्या पेशी असू शकतात याचाही अंदाज लावू शकतात. तत्त्वतः, त्यामुळे त्याच प्रयोगात सर्किट वर्तनाला शरीररचना आणि पेशी-ओळख यांच्याशी जोडणे सोपे होते.

या अभ्यासामागची व्यापक वैज्ञानिक प्रेरणा स्पष्ट आहे: मेंदूचे कार्य समजण्यासाठी एक-पेशी वर्णनांपलीकडे जाऊन नेटवर्क-स्तरीय स्पष्टीकरणांकडे वळावे लागेल. स्रोत मजकूर ही समस्या अगदी तशीच मांडतो. अनेक वर्षे, या क्षेत्राने मोठ्या प्रमाणावर वैयक्तिक न्यूरॉन्सच्या प्रतिसाद गुणधर्मांवर लक्ष केंद्रित केले आहे. पण संवेदना, वर्तन आणि संज्ञान हे स्तरांमध्ये आणि अवकाशात परस्परसंवाद करणाऱ्या पेशींच्या मोठ्या समूहांमधून उद्भवतात.

त्या संबंधांना प्रत्यक्ष वेळेत पकडणे कठीण होते. सिग्नल कमकुवत असतात, ऊतक गुंतागुंतीचे असते, आणि इमेजिंग शक्ती वाढवल्यास प्रत्यक्ष आणि जैविक मर्यादा निर्माण होऊ शकतात. FlatMux ही या मर्यादा कमी करण्याचा प्रयत्न वाटतो, एका न्यूरॉनकडून क्रिया शोधण्याचा ऊर्जा खर्च कमी करताना स्कॅनिंग धोरण इतके वाढवणे की अनेक न्यूरॉन्स पटकन कव्हर होतील.

FlatMux काय शक्य करू शकतो असे दिसते

स्रोत सामग्रीमधील सर्वात महत्त्वाचा दावा फक्त हा नाही की प्लॅटफॉर्म वेगवान आहे. मुद्दा असा आहे की संवेदनशीलता, वेग आणि खोली यांचा एकत्रित परिणाम संशोधकांना परस्पर कार्यात्मकदृष्ट्या जोडलेल्या आणि कारणात्मकरीत्या परस्परसंवादी न्यूरॉन्सचे नकाशीकरण करण्यास मदत करू शकतो. हा फरक अर्थपूर्ण आहे. अनेक प्रयोग सहसंबंध दाखवू शकतात, पण जिवंत मेंदूच्या ऊतींमध्ये सर्किट्समधून क्रिया कशी पसरते हे समजण्यासाठी अनेक संबंधित पेशी एकाच वेळी, वास्तव परिस्थितीत पाहू शकणारी साधने आवश्यक आहेत.

जर प्रणाली वर्णन केल्याप्रमाणे कार्य करत असेल, तर संशोधक लहान पेशींच्या उपसमुहांचे वेगळे स्नॅपशॉट पाहण्याऐवजी, कॉर्टिकल स्तरांमध्ये माहितीचे नमुने कसे हलतात याचा अभ्यास सुरू करू शकतील. यामुळे संवेदन प्रक्रिया, नेटवर्क गतिकी, आणि न्यूरॉन्सचे समूह एकत्रितपणे वर्तन कसे निर्माण करतात यावरील कामाला पाठिंबा मिळेल.

इथे खोली विशेषतः महत्त्वाची आहे. ५०० मायक्रोमीटरपर्यंत इमेजिंग केल्याने संशोधकांना पृष्ठभागापेक्षा अधिक खोलवरची क्रिया पाहता येते, जिथपर्यंत अनेक ऑप्टिकल पद्धती सहज पोहोचू शकत नाहीत. त्यामुळे फक्त सर्वात वरच्या थरांचे नाही, तर कॉर्टिकल संघटनेच्या अनेक थरांमधील परस्परसंवाद पकडण्याची शक्यता वाढते.

एक किंवा अनेक पातळ्यांवर एकाच वेळी काम करण्याची क्षमता देखील महत्त्वाची आहे. न्यूरल गणना मुळात त्रिमितीय असते. महत्त्वाचे परस्परसंवाद एका सपाट स्लाइसमध्ये नीट बसत नाहीत. उच्च वेग राखत अनेक पातळ्यांचा नमुना घेऊ शकणाऱ्या प्लॅटफॉर्मला खरी सर्किट रचना सादर करण्याची चांगली संधी असते.

एकल-न्यूरॉन न्यूरोसायन्सपासून वितरित गणनेकडे

रॉकफेलरच्या Laboratory of Neurotechnology and Biophysics चे प्रमुख अलिपाशा वझिरी, स्रोत मजकुरात म्हणतात की हे क्षेत्र मेंदूला वैयक्तिक प्रतिसाद गुणधर्मांच्या संग्रहापेक्षा अत्यंत परस्परजोडलेल्या, वितरित गणना करणाऱ्या प्रणाली म्हणून समजून घेण्याकडे वळत आहे. हा संकल्पनात्मक बदल आहे तसाच तांत्रिकही.

साधने सिद्धांतांना आकार देतात. जेव्हा पद्धती फक्त काही न्यूरॉन्सना चांगल्या प्रकारे निरीक्षण करण्याची परवानगी देतात, तेव्हा विश्लेषणाचे नैसर्गिक एकक एकल पेशी होते. उपकरणे सुधारली की विश्लेषणाचे एकक सर्किट, थर, किंवा वितरित नेटवर्क बनू शकते. FlatMux हे असे साधन म्हणून सादर केले आहे जे जिवंत ऊतींमध्ये मोठ्या प्रमाणावरील विद्युत इमेजिंग अधिक व्यवहार्य करून हा बदल घडवून आणू शकते.

याचा अर्थ कठीण प्रश्न सुटले आहेत असा नाही. चांगले निरीक्षण आपोआप मेंदूच्या गणनेच्या पूर्ण सिद्धांतात रूपांतरित होत नाही. पण त्यामुळे प्रयोगात्मकदृष्ट्या कोणते प्रश्न विचारता येतील हे बदलू शकते. परस्परजोडलेल्या न्यूरॉन समूहांमधून माहिती कशी रूपांतरित होते, क्रियापटर्न कसे समकालिक किंवा विचलित होतात, आणि विशिष्ट पेशी-प्रकार सामायिक गणनांमध्ये कशी भर घालतात हे जाणून घेण्यासाठी संशोधक अधिक सक्षम स्थितीत असू शकतात.

व्यापक संशोधन परिणामांसह तांत्रिक प्रगती

या अभ्यासाला ऑप्टिकल न्यूरोटेक्नॉलॉजीमध्ये मानक ठरवणाऱ्या प्लॅटफॉर्म म्हणून मांडले जात आहे. जर पुढील कामात ते टिकून राहिले, तर त्याचे मूल्य एका प्रयोगशाळेपलीकडे जाईल. वेग, प्रमाण आणि खोली यांच्यातील तडजोड सुधारणाऱ्या पद्धती अनेक प्रकारच्या प्रयोगांसाठी, विशेषतः सिस्टिम्स न्यूरोसायन्समध्ये, सक्षम करणारे पायाभूत साधन बनतात.

सध्या मुख्य निष्कर्ष असा आहे की तुलनात्मक ऑप्टिकल पद्धतींनी सामान्यतः शक्य असलेल्या पेक्षा खूप अधिक न्यूरॉन्समधून, अधिक खोलीवर आणि वेगाने, विद्युत क्रियेचे इमेजिंग करण्याचा मार्ग संशोधकांनी वर्णन केला आहे. जिथे केंद्रीय आव्हान म्हणजे प्रचंड संख्येने परस्परजोडलेले न्यूरॉन्स एकत्रितपणे कसे गणना करतात हे समजणे, त्या क्षेत्रात हे एक अर्थपूर्ण पाऊल आहे.

मेंदूचे स्वतःच्या अटींनुसार निरीक्षण करणे अद्याप कठीण आहे. पण जिवंत ऊतींमध्ये एकाच वेळी जवळपास २०० न्यूरॉन्सचा मागोवा घेऊ शकणारा, आणि स्थानिक तसेच पेशी-प्रकाराचा संदर्भ जपणारा प्लॅटफॉर्म, विज्ञानाला सर्किट्रीतून ज्ञान कसे उद्भवते हे अधिक स्पष्टपणे दाखवू शकतो. FlatMux मागची हीच शक्यता आहे, आणि म्हणूनच ही तांत्रिक प्रगती केवळ एक किरकोळ इमेजिंग सुधारणा म्हणून न दिसता अधिक महत्त्वाची ठरते.

हा लेख Medical Xpress मधील अहवालावर आधारित आहे. मूळ लेख वाचा.