इकोले पॉलिटेक्निक फ़ेडेरेल डी लॉज़ेन (ईपीएफएल) और हार्वर्ड विश्वविद्यालय के वैज्ञानिकों ने एक अभूतपूर्व कृत्रिम बुद्धिमत्ता पद्धति बनाई है जो चलते जानवरों में न्यूरॉन्स को कुशलतापूर्वक ट्रैक करने के लिए "दिशात्मक वृद्धि" के साथ दृढ़ तंत्रिका नेटवर्क का उपयोग करती है। यह मैन्युअल एनोटेशन को बहुत कम करता है, मस्तिष्क इमेजिंग अनुसंधान को तेज करता है, और न्यूरोबिहेवियर के बारे में हमारी समझ को गहरा करता है।
ईपीएफएल और हार्वर्ड विश्वविद्यालय के वैज्ञानिकों ने चलते जानवरों में न्यूरॉन्स को ट्रैक करने के लिए एक कृत्रिम बुद्धिमत्ता-आधारित विधि विकसित की है, जो न्यूनतम मैनुअल एनोटेशन के साथ मस्तिष्क अनुसंधान की दक्षता में सुधार करती है।
हाल की प्रगति से स्वतंत्र रूप से घूमने वाले जानवरों में न्यूरॉन्स की इमेजिंग की अनुमति मिलती है। हालाँकि, सर्किट गतिविधि को डिकोड करने के लिए, इन इमेजिंग न्यूरॉन्स को कम्प्यूटेशनल रूप से पहचाना और ट्रैक किया जाना चाहिए। यह विशेष रूप से चुनौतीपूर्ण हो जाता है जब मस्तिष्क स्वयं किसी जीव, जैसे कि कीड़ा, के लचीले शरीर के भीतर गति करता है और विकृत हो जाता है। अब तक, वैज्ञानिक समुदाय के पास इस समस्या के समाधान के लिए उपकरणों का अभाव है।
अब, इकोले पॉलीटेक्निक फेडेरेल डी लॉज़ेन (ईपीएफएल) और हार्वर्ड विश्वविद्यालय के वैज्ञानिकों की एक टीम ने चलते और विकृत जानवरों में न्यूरॉन्स को ट्रैक करने के लिए एक अग्रणी कृत्रिम बुद्धिमत्ता विधि विकसित की है। नेचर मेथड्स में प्रकाशित शोध का नेतृत्व ईपीएफएल के स्कूल ऑफ बेसिक साइंसेज के सहंद जमाल राही ने किया था।
नई विधि कनवल्शनल न्यूरल नेटवर्क (सीएनएन) पर आधारित है, जो छवियों में पैटर्न को पहचानने और समझने के लिए प्रशिक्षित एक प्रकार की कृत्रिम बुद्धिमत्ता है। इसमें "कन्वोल्यूशन" नामक एक प्रक्रिया शामिल है, जो एक समय में चित्र के छोटे हिस्सों, जैसे किनारों, रंगों या आकृतियों को देखती है, और फिर समझ बनाने और वस्तुओं या पैटर्न की पहचान करने के लिए सभी सूचनाओं को एक साथ रखती है।
समस्या यह है कि किसी जानवर के मस्तिष्क की तस्वीर खींचने की प्रक्रिया के दौरान न्यूरॉन्स की पहचान करने और उन्हें ट्रैक करने के लिए, कई छवियों को हाथ से एनोटेट किया जाना चाहिए, क्योंकि शरीर की विभिन्न विकृतियों के कारण जानवर अलग-अलग समय पर बहुत अलग दिखते हैं। जानवरों की मुद्राओं की विविधता को देखते हुए, सीएनएन को प्रशिक्षित करने के लिए मैन्युअल रूप से पर्याप्त संख्या में एनोटेशन तैयार करना चुनौतीपूर्ण हो सकता है।
इस समस्या को हल करने के लिए, शोधकर्ताओं ने "दिशात्मक वृद्धि" फ़ंक्शन के साथ एक उन्नत सीएनएन विकसित किया। यह नवोन्मेषी तकनीक केवल सीमित मैन्युअल एनोटेशन से संदर्भ के रूप में विश्वसनीय एनोटेशन को स्वचालित रूप से संश्लेषित करती है। परिणामस्वरूप, सीएनएन मस्तिष्क की आंतरिक विकृतियों को प्रभावी ढंग से सीख सकते हैं और फिर उन्हें नए पोज़ के लिए एनोटेशन बनाने के लिए उपयोग कर सकते हैं, जिससे मैन्युअल एनोटेशन और बार-बार जांच की आवश्यकता काफी कम हो जाती है।
नई विधि बहुमुखी है और न्यूरॉन्स की पहचान कर सकती है चाहे वे छवियों में एकल बिंदु के रूप में दिखाई दें या त्रि-आयामी वॉल्यूम के रूप में। शोधकर्ताओं ने नेमाटोड कैनोर्हाडाइटिस एलिगेंस पर इसका परीक्षण किया, जिसमें केवल 302 न्यूरॉन्स हैं, जो इसे तंत्रिका विज्ञान में एक लोकप्रिय मॉडल जीव बनाता है।
उन्नत सीएनएन का उपयोग करते हुए, वैज्ञानिकों ने कृमि के कुछ इंटरन्यूरॉन्स (न्यूरॉन्स जो न्यूरॉन्स के बीच संकेत पारित करते हैं) की गतिविधि को मापा। उन्होंने पाया कि ये न्यूरॉन्स जटिल व्यवहार प्रदर्शित करते हैं, जैसे कि विभिन्न उत्तेजनाओं के संपर्क में आने पर उनके प्रतिक्रिया पैटर्न को बदलना, जैसे कि समय-समय पर गंध का फूटना।
अनुसंधान टीम ने अपने सीएनएन को सुलभ बनाया, एक उपयोगकर्ता के अनुकूल ग्राफिकल यूजर इंटरफेस प्रदान किया जो लक्षित संवर्द्धन को एकीकृत करता है, पूरी प्रक्रिया को मैन्युअल एनोटेशन से अंतिम प्रूफरीडिंग तक एक व्यापक पाइपलाइन में व्यवस्थित करता है।
सहंद जमाल राही ने कहा: "न्यूरॉन्स को खंडित करने और ट्रैक करने के लिए आवश्यक मैन्युअल प्रयास को काफी कम करके, नई विधि पूर्ण मैनुअल एनोटेशन के विश्लेषण थ्रूपुट को तीन गुना तक बढ़ा देती है। इस सफलता में मस्तिष्क इमेजिंग अनुसंधान में तेजी लाने और तंत्रिका सर्किट और व्यवहार के बारे में हमारी समझ को गहरा करने की क्षमता है।"
संकलित स्रोत: ScitechDaily