- E. coli का chemotaxis वह प्रक्रिया है जिसमें एकल कोशिका पोषक तत्वों की सांद्रता में बदलाव को महसूस करती है और अल्पकालिक रासायनिक स्मृति व गति-नियंत्रण की मदद से अधिक अनुकूल दिशा खोजती है
- इसकी गति-रणनीति आगे तैरने वाले run और दिशा को यादृच्छिक रूप से बदलने वाले tumble के अनुपात को नियंत्रित करने पर आधारित है, और CheY तथा phosphorylated CheY-p इसमें मुख्य सिग्नल ले जाते हैं
- जब attractant की सांद्रता बढ़ती है, तो CheY-p का प्रवाह घट जाता है, जिससे flagellar motor के उलटने की आवृत्ति कम होती है और नतीजतन tumble की तुलना में run लंबा हो जाता है, इसलिए भोजन की दिशा में बढ़ने की संभावना बढ़ जाती है
- receptor की methylation एक adaptation mechanism की तरह काम करती है, जो वर्तमान सांद्रता को नई baseline के रूप में सेट करती है, जिससे E. coli attractant की 5-order-of-magnitude रेंज में भी छोटे बदलाव पहचान पाता है
- receptor arrays, phosphorylation/dephosphorylation circuits, flagellar motors, protein diffusion, और अलग-अलग कोशिकाओं में अणुओं की संख्या के फर्क मिलकर एक एकल कोशिका को physical computer की तरह काम करने देते हैं
E. coli run और tumble के जरिए दिशा चुनता है
- E. coli attractant को उन receptors से महसूस करता है जो खास रसायनों को पहचानते हैं, और flagellar tail की मदद से अपनी गति का तरीका बदलता है
- इसकी चाल को दो अवस्थाओं के संयोजन के रूप में सरल किया जा सकता है
- run: कई flagellar motors एक ही दिशा में घूमते हैं, tails एक bundle में लिपट जाती हैं, और कोशिका आगे बढ़ती है
- tumble: एक या अधिक motors विपरीत दिशा में घूमते हैं, tail bundle खुल जाता है, और कोशिका यादृच्छिक दिशा में घूमती है
- एक समान रासायनिक वातावरण में यह run और tumble के मिश्रण वाली random walk करता है
- सामान्यतः run लगभग 1 सेकंड तक चलता है
- tumble, run की तुलना में लगभग 10 गुना छोटा होता है
- run और tumble का अनुपात exploration और exploitation के बीच संतुलन बनाता है
- अगर run बहुत लंबा या बहुत बार हो, तो कोशिका भोजन को पार कर सकती है
- अगर run बहुत छोटा या बहुत कम हो, तो भोजन ढूँढ़ना कठिन हो जाता है
CheY और CheY-p गति संबंधी निर्णय पहुँचाते हैं
- मुख्य signaling molecule CheY है
- CheY cytoplasm के भीतर घूमता रहता है और receptor complex तथा flagellar motor के बीच सूचना ले जाता है
- receptor complex से मिलने पर इसका एक हिस्सा phosphorylate होकर CheY-p बन जाता है
- CheY-p, CheY से अलग, flagellar motor से मज़बूती से bind करता है
- जब पर्याप्त CheY-p motor से जुड़ जाता है, तो motor का rotation उलट जाता है
- यह rotation reversal tumble की ओर ले जाता है
- attractant की सांद्रता बढ़ने पर CheY का CheY-p में बदलना कम हो जाता है
- CheY-p घटने से motor से जुड़ने वाला CheY-p भी कम हो जाता है
- motor reversal और tumble दोनों घटते हैं
- कोशिका अधिक देर तक run करती है और attractant की दिशा में बढ़ने की संभावना बढ़ाती है
- यह signal flow एक chemical amplifier की तरह काम करता है
- bacterial cell सिग्नल को 50 गुना से अधिक amplify कर सकती है
- receptor occupancy में 2% बदलाव, flagellar motor output में 100% बदलाव ला सकता है
- कोशिका आयतन के प्रति 3 से कम अणुओं के बदलाव को भी महसूस किया जा सकता है
methylation वर्तमान सांद्रता को नई baseline बना देती है
- अगर प्रणाली केवल attractant में वृद्धि पर प्रतिक्रिया देती, तो सांद्रता बहुत बढ़ने पर वह आसानी से saturate हो सकती थी
- लेकिन वास्तविक E. coli attractant concentration की 5-order-of-magnitude range में भी संवेदनशील प्रतिक्रिया देता है
- कोशिका वर्तमान में पहुँची सांद्रता को नई steady state मान लेती है
- उसी अवस्था से छोटी वृद्धि फिर से संवेदनशील प्रतिक्रिया शुरू कर सकती है
- यह adaptation receptor संरचना की methylation से जुड़ा है
- attractant receptor से bind होने पर receptor का सहायक ढाँचा अपना आकार बदलता है
- संरचना में pockets खुल जाते हैं और methyl groups के bind होने की संभावना बनती है
- methylation बढ़ने पर receptor की signaling क्षमता कम हो जाती है, इसलिए वही प्रतिक्रिया पाने के लिए अधिक attractant चाहिए होता है
- हर receptor में methylation की कई sites होती हैं, और हर receptor में कई सहायक संरचनाएँ होने से attenuation के स्तर को व्यापक रूप से समायोजित किया जा सकता है
- receptor methylation का स्तर सरल रासायनिक स्मृति की तरह काम करता है
- E. coli अपने आसपास attractant concentration पिछले कुछ सेकंड में बढ़ी या घटी है, इसे आंतरिक रासायनिक modification की अवस्था में संग्रहीत करता है
- इस जानकारी से तय किया जाता है कि तैरने की मौजूदा दिशा लाभकारी है या नहीं
phosphorylation और dephosphorylation मिलकर तेज़ regulatory circuit बनाते हैं
- chemotaxis circuit एक dynamic system है जो proteins को लगातार modify करता और फिर वापस मूल अवस्था में लाता है
- CheA, CheY को phosphorylate करके CheY-p बनाता है
- CheZ, CheY-p को dephosphorylate करके फिर CheY में बदल देता है
- CheR, receptors की methylation करता है
- CheB, receptors से methyl groups हटाता है
- यह circuit ऊपर से देखने पर ऊर्जा बर्बाद करने वाले cycle जैसा लग सकता है, लेकिन कोशिका के लिए यह तेज़ी से नियंत्रित होने वाला तंत्र है
- phosphorylation और dephosphorylation का प्रवाह लगातार चलता रहता है, इसलिए किसी एक दिशा की प्रतिक्रिया कम या ज़्यादा करते ही active proteins की सांद्रता जल्दी बदल सकती है
- यह नई proteins बनाने वाली लंबी synthesis pathway की तुलना में प्रतिक्रिया की गति को तेज़ी से समायोजित करने देता है
- phosphorylation/dephosphorylation regulation पूरे जीवन-जगत में बहुत सामान्य है
- मानव proteins का लगभग 30–50% covalently bound phosphate groups रखता है
- एक सामान्य mammalian cell किसी भी क्षण सैकड़ों तरह के protein kinases का उपयोग करता है
- chemotaxis में इस cycle की गति यह तय करती है कि कोशिका attractant level में बदलाव पर कितनी जल्दी प्रतिक्रिया देगी
- attractant जुड़ने पर CheY का CheY-p में बदलना घटता है
- dephosphorylation जारी रहती है, इसलिए CheY बढ़ता है
- CheY बढ़ने पर tumble घटता है और run बढ़ता है
receptor आकार बदलकर बाहरी सिग्नल भीतर पहुँचाते हैं
- E. coli cell membrane में अलग-अलग attractants के लिए विशेष receptor proteins जड़े होते हैं
- उदाहरण के लिए aspartate को पहचानने वाला receptor, aspartate molecule के अनुकूल एक binding cleft रखता है
- E. coli में ऐसे attractant-specific sensory proteins लगभग 5 से 6 होते हैं
- receptors, cell membrane के बाहर के sensory भाग को कोशिका के अंदर CheW और CheA signaling proteins से जोड़ते हैं
- receptor की कुल लंबाई लगभग 350 Å, यानी 35 nanometer होती है
- ऐसी संरचनाओं का अध्ययन X-ray diffraction और cryo-EM जैसी तकनीकों से किया गया है
- सरल रूप में receptor complex एक बड़े piston की तरह काम करता है
- aspartate बाहरी sensory भाग से bind करता है
- receptor का स्तंभनुमा ढाँचा सूक्ष्म रूप से आकार बदलता है
- CheA kinase, जिसे CheY को phosphorylate करना चाहिए, inactive अवस्था में स्थिर हो जाता है
- receptor complexes, E. coli के शरीर के आगे वाले हिस्से के पास बड़े arrays बनाते हैं, जो cross-section में hexagonal pattern जैसे दिखते हैं
- मनुष्यों की घ्राण-इंद्रिय भी कुछ हद तक इसी सिद्धांत पर काम करती है
- odor molecules नाक के भीतर विशेष receptor proteins से bind करते हैं
- मनुष्यों में सैकड़ों odor receptor proteins होते हैं
- कुत्तों में 1,000 से अधिक olfactory receptor genes होते हैं
कोशिका के भीतर signal transfer तेज़ diffusion और collisions पर निर्भर करता है
- CheY-p motor तक किसी निश्चित path से नहीं पहुँचाया जाता, बल्कि cytoplasm में diffuse होते हुए पास आने पर bind करता है
- कोशिका का अंदरूनी भाग बहुत घना होता है, फिर भी molecules तेज़ी से चलते हैं
- एक सामान्य bacterial cell में, एक छोर पर मौजूद enzyme और दूसरे छोर पर मौजूद sugar molecule औसतन लगभग 1 सेकंड के भीतर टकरा सकते हैं
- कोशिका के भीतर कोई भी molecule कुछ सेकंड में लगभग सभी अन्य molecules से मिल सकता है
- ऐसे वातावरण में protein conformation और binding affinity बहुत महत्वपूर्ण हो जाते हैं
- कोशिका के भीतर molecules लगातार एक-दूसरे के पास आते हैं और binding की संभावना आज़माते रहते हैं
- CheY-p और CheY का अंतर, motor proteins से bind होने की संभावना को बहुत बदल देता है
- जब E. coli attractant पर प्रतिक्रिया देता है, तब rate-limiting step वह समय है जिसमें CheY-p receptor के पास से motor तक diffuse करता है
- यह समय लगभग 0.1 सेकंड है
- fluorescently labeled CheY का उपयोग करके जीवित E. coli में इसकी गति को track करने वाले प्रयोग भी हुए हैं
flagellar motor, CheY-p binding से rotation direction बदलता है
- flagellar motor एक परिष्कृत molecular nanomachine है
- इसकी energy efficiency लगभग 100% के करीब है
- यह लगभग 1,500 rotations per second की गति से घूमता है
- सभी molecular nanomachines की तरह यह self-assembled होता है
- motor के निचले भाग में FliG, FliM, और FliN proteins होते हैं
- CheY-p पहुँचकर इन proteins से bind करता है
- केवल एक CheY-p motor की दिशा बदलने के लिए पर्याप्त नहीं होता
- कई CheY-p molecules के bind होने पर motor counterclockwise से clockwise में switch करता है और tumble होता है
- motor कोई सरल binary state नहीं है, बल्कि इसके कई rotational states होते हैं
- तेज़ counterclockwise rotation से लेकर धीमे पड़ने वाले intermediate चरण हो सकते हैं
- यह रुकने की अवस्था से गुजरकर clockwise के कई speed states में जा सकता है
- दिशा बदलने का प्रस्तावित mechanism FliM और FliGc की conformational change पर आधारित है
- CheY-p, FliM से bind करता है
- FliM झुकता है और उससे जुड़ा FliGc 90 डिग्री घूमता है
- FliGc का यह rotation rotor और stator के contact point पर विपरीत दिशा की driving को प्रेरित करता है
- CheY-p bind होने के बाद भी CheZ इसे हटा सकता है, इसलिए इसका प्रभाव लगातार reversible रहता है
- अतिरिक्त signal न होने पर कोशिका जल्दी baseline state में लौट आती है
सिर्फ एक motor का reversal भी tumble करा सकता है
- run अवस्था में कई flagella एक ही दिशा में घूमते हैं और एक bundle बनाते हैं
- flagellar bundle कोई साधारण propeller नहीं, बल्कि viscous fluid में thrust पैदा करने वाली घूमती हुई helical tail जैसी संरचना है
- अलग-अलग flagellar filaments जब एक ही phase में पास-पास घूमते हैं, तो वे एक-दूसरे में लिपटकर bundle बना सकते हैं
- एक अध्ययन में खोखले Tygon tubing को mandrel पर लपेटकर और epoxy से भरकर flagella का macroscopic model बनाया गया
- stepper motor से counterclockwise rotation चलाकर flagellar bundling का प्रयोग किया गया
- हर helix से बनने वाला flow field दूसरी helix को झुकाता है और वे एक-दूसरे में लिपट जाती हैं
- यदि एक motor विपरीत दिशा में घूमने लगे, तो flagellar bundle खुल जाता है और पूरी कोशिका tumble अवस्था में चली जाती है
एक जैसे genes वाली कोशिकाएँ भी अलग तरह से चलती हैं
- E. coli की आबादी पूरी तरह एकसमान व्यवहार करने वाला homogeneous द्रव्यमान नहीं है
- 1976 के Nature paper ने Salmonella और Enterobacter के chemotaxis में non-genetic individuality का वर्णन किया
- एक ही strain में भी attractant की उपस्थिति या अनुपस्थिति के अनुसार प्रतिक्रिया में अंतर दिखा
- उस समय सटीक regulatory mechanism ज्ञात नहीं था, लेकिन अनुमान लगाया गया कि tumble-controlling factors की संख्या का अंतर व्यवहार बदल सकता है
- बाद में सामने आया mechanism इस विचार से मेल खाता है
- receptor methylation को नियंत्रित करने वाला CheR protein, एक कोशिका में लगभग 100 copies ही रखता है
- यह CheB के साथ मिलकर adaptation और de-adaptation की गति नियंत्रित करता है
- पूरी कोशिका में लगभग 1 करोड़ proteins होते हैं, लेकिन CheR बहुत कम होने के कारण कुछ molecules का फर्क भी व्यवहार पर बड़ा असर डाल सकता है
- हाल के experiments ने fluorescence microscopy से अलग-अलग E. coli कोशिकाओं की individuality को quantify किया है
- यह individuality सिर्फ gene expression के अंतर से नहीं, signaling network dynamics से भी पैदा होती है
chemotaxis mechanism को उजागर करने वाले प्रयोग
- अभी तक ऐसी तकनीक नहीं है जो जीवित कोशिका के भीतर चल रही हर गतिविधि को एक साथ सीधे दिखा सके
- cytoplasm में ठुँसे हुए proteins की जो तस्वीरें दिखती हैं, वे कठोर शोध-आधारित कलात्मक संयोजन होती हैं
- पूरे process को एक ही दृश्य में सीधे फिल्माया नहीं गया है
- मुख्य experimental approach genetic methods रही है
- genes को एक-एक करके बाधित किया गया और mutant E. coli के व्यवहार को देखा गया
- CheY, CheZ, CheW जैसे नाम इस तथ्य से आए कि संबंधित genes हटाने पर chemotaxis defect दिखता था
- test-tube protein experiments भी इस्तेमाल किए गए
- CheA, CheY, phosphate group और reactants को साथ रखकर phosphorylation की उपस्थिति और मात्रा देखी जा सकती है
- 1990 के एक Cell paper में radioactive phosphate को tracer की तरह इस्तेमाल किया गया
- fluorescent proteins या antibodies से protein location और dynamics भी देखे जा सकते हैं
- structural biology binding sites के physical mechanism को समझाने में उपयोगी रही है
- X-ray crystallography
- nuclear magnetic resonance imaging
- cryo-EM
- super-resolution optical microscopy
- atomic-level molecular dynamics simulations
- 1972 में Howard Berg और Douglas Brown ने अपने डिज़ाइन किए गए 3D tracking microscope से bacteria के run और tumble को देखा
- उस समय paper में tumble की जगह “twiddle” शब्द इस्तेमाल हुआ था
- flagellar propulsion की physics का अध्ययन flagella को microscope slide पर स्थिर करके भी किया गया
- स्थिर अवस्था में tail, body को घुमाती है, इसलिए cell body rotation speed मापी जा सकती है
- flagellar motor proton motive force से चलता है, यह 1977 के paper से स्पष्ट हुआ जिसमें electrical potential की उपस्थिति या अनुपस्थिति के अनुसार run और twiddle में बदलाव मापा गया
- अलग-अलग परिस्थितियों में rotational strength को देखकर पाया गया कि rotation, proton flow से मज़बूती से जुड़ा है
- एक rotation पर लगभग 500 protons खर्च होते हैं
computer models धारणाओं को जाँचने योग्य रूप देते हैं
- E. coli chemotaxis “in silico” biology के शुरुआती प्रमुख उदाहरणों में से एक है
- computer models धारणाओं को स्पष्ट रूप से लिखने पर मजबूर करते हैं
- model बनाने के लिए हर component और interaction को ठोस रूप में निर्दिष्ट करना पड़ता है
- model काम करे तो assumptions में बदलाव करके परीक्षण किया जा सकता है
- Dennis Bray के model ने chemotaxis pathway के components हटाए गए या overexpress किए गए 60 से अधिक mutants के लिए सही phenotype दिया
- model को fit करने की प्रक्रिया नई experimental दिशाएँ भी खोल सकती है
- short stimulus के response को fit करने के लिए CheR और CheB adaptation enzymes की activity को पहले के literature values से कम-से-कम एक order of magnitude अधिक रखना पड़ा
- chemotaxis research के व्यावहारिक applications भी हो सकते हैं
- bacterial chemotaxis signaling pathway को समझना, उसे बाधित करने वाली antibiotics के शोध की दिशा दे सकता है
- chemotaxis pathway का उपयोग करके cancer cells या environmental waste को खोजने वाले “intelligent detectors” बनाए जा सकते हैं
- व्यापक रूप से देखें तो bacteria के two-component regulatory pathways cell division, pathogenicity, antibiotic resistance, metabolite fixation and utilization, environmental stress response, sporulation, और taxis जैसी अनेक क्रियाओं को नियंत्रित करते हैं
1 टिप्पणियां
Hacker News टिप्पणियाँ
अगर John Holland की "Hidden Order" को किताब नहीं, बल्कि complex adaptive systems बनाने के तरीके के रूप में पढ़ें, तो सार कुछ बातों में सिमट जाता है: environment, कई entities, एक read/write message bus जिसके जरिए entities interact कर सकें, और हर entity के rules और sensors
इन्हें मिला दें तो thought या intelligence बनती है। यह भी पूछा जा सकता है कि क्या RIP routing protocol भी एक complex adaptive system है
समस्या का एक हिस्सा सोचने के तरीके में है। हम सोचते हैं कि मैं एक व्यक्ति हूँ, complex adaptive system नहीं; लेकिन असल में हम entities से बने हैं, हमारे पास message bus है, और entities sense, act और interact करती हैं
चींटियों के ढेर और चींटियों की colony में क्या फर्क है, बुद्धिमान चींटी है या colony—ऐसे सवाल शायद भाषा द्वारा विचार को सीमित करने वाली Sapir-Whorf जैसी समस्या हो सकते हैं
“कुछ हिस्से” इसलिए, क्योंकि adaptive system जो thinking और actions करता है, उनमें से बहुत-सी चीज़ों को वह अपना-आप नहीं मानता
शहरों में रहने और ज़्यादा travel न करने पर यह और बढ़ जाता है; और जब आप बहुत दूर की जगहों और cultures में जाते हैं और यह मानकर नहीं चलते कि आपकी अपनी culture ही सबसे अच्छी है, तो दिमाग में और बहुत-सी चीज़ें काम करना शुरू कर देती हैं
यह Reddit comment paper से बेहतर summary देता है: https://www.reddit.com/r/MachineLearning/comments/dco3t1/com...
consciousness किसी खास scale पर घटित होती दिखती है, और individual cells की noisy probabilistic activity के बजाय neuron groups से निकलने वाले macroscopic patterns और activity के साथ covary करती प्रतीत होती है। हम face recognition या speech recognition, precise motor control कैसे handle करते हैं, इसका हमें conscious awareness नहीं होता; हम सिर्फ कहीं higher scale पर conscious होते हैं, लेकिन अमेरिका जैसी बहुत macroscopic scale को conscious नहीं मानते
complex adaptive systems overlap कर सकते हैं। मानव परिवार, communities, societies, governments—सब मिलकर बड़े gestalt बनाते हैं, और इंसान खुद भी उनके भीतर शामिल एक complex adaptive system है
अगर आपको ऐसे topics पसंद हैं, तो Siddhartha Mukherjee की “The Song of the Cell” की ज़ोरदार सिफारिश है। biology जैसे विषय को accessible बनाने वाली यह मेरे लिए सबसे अच्छी किताबों में से एक थी
https://www.amazon.com/Song-Cell-Exploration-Medicine-Human/...
मैं पूरी तरह सहमत हूँ कि हाई स्कूल biology चीज़ों के नाम रटने की तरफ बहुत झुकी हुई थी। इतना विशाल विषय भी textbook जिस तरह उसे ज्ञान की कभी खत्म न होने वाली सूची बना देती है, उससे बिगाड़ा जा सकता है
अगर एक-दो दिलचस्प उदाहरणों पर फोकस किया जाता, तो elementary school में भी काफी परिष्कृत biology पढ़ाई जा सकती थी, और मुझे लगता है कि ऊबने वालों की तुलना में प्रेरित होने वाले लोग कहीं ज्यादा होते
वहाँ वे एक अजीब घटना का ज़िक्र करते हैं: लगभग वही विषय और लगभग वही सवाल पूछने पर छात्र एक बार तुरंत जवाब दे देते थे और अगली बार बिल्कुल नहीं दे पाते थे
वे कहते हैं, “मेरे lecture का मुख्य उद्देश्य यह दिखाना है कि Brazil में science बिल्कुल भी नहीं पढ़ाई जा रही है”
https://v.cx/2010/04/feynman-brazil-education
उदाहरण के लिए biology का central dogma यह विचार है कि सूचना DNA से RNA में transcribe होती है और RNA से protein में translate होती है। DNA structure और function, RNA के कई उप-प्रकार, translation proteins, Slicer और Dicer, तीन-अक्षर codon और amino acids, mRNA का nucleus से बाहर जाना आदि को चरण-दर-चरण पढ़ाया जा सकता है
लेकिन अभी बताए central dogma का बड़ा हिस्सा अब जस का तस सच मानना मुश्किल है। आधुनिक microbiology का लगभग पूरा हिस्सा central dogma के “exceptions” से जुड़ा है, और बात उस बिंदु तक पहुँच गई है जहाँ RNA और protein के बीच वास्तविक फर्क बताना कठिन हो जाता है। हर हफ्ते कोशिका के आम हिस्सों को समझने के लिए महत्वपूर्ण RNA-protein hybrids पर नए papers आते हैं, इसलिए central dogma झूठ से ज्यादा एक उपयोगी fiction जैसा है
यह कुछ वैसा है जैसे कहना कि “for loop” Internet के काम करने का तरीका है। Internet में for loops हैं, वे महत्वपूर्ण हैं और उन्हें सीखना चाहिए, लेकिन for loop के एक-दो दिलचस्प उदाहरणों से Internet नहीं पढ़ाया जा सकता
Biology को समझना कठिन है, और यह 4 अरब साल से ज्यादा के जीवन-मृत्यु का परिणाम है। इसे कुछ उदाहरणों में खत्म नहीं किया जा सकता; 12वीं कक्षा के स्तर की समझ के लिए भी एक साल का course चाहिए, और वह भी इस विस्तृत क्षेत्र में प्रवेश का बस न्यूनतम शुरुआती बिंदु है। नाम और facts सीखने होंगे, और भारी मात्रा में जानकारी को जोड़ने का कठिन काम करना होगा। मनोरंजन-आधारित शिक्षा नहीं, मेहनत चाहिए
ऐसी single-cell complexity और intelligence AGI बहस में बहुत पहले से मेरा नियमित विषय रही है। मौजूदा LLM उछाल से बहुत पहले भी लोग दिमाग के neurons गिनकर ऐसे बड़े-बड़े दावे करते थे कि “कुछ ही वर्षों में दिमाग की computing क्षमता वाली मशीन आ जाएगी”
लेकिन दिमाग का हर neuron असहज कर देने वाली हद तक जटिल है, और हम अभी भी ठीक से नहीं जानते कि वह जटिलता सोच और intelligence के रूप में कैसे प्रकट होती है। physics और वस्तुओं के आपसी interactions को देखें तो दिमाग की हर cell आज इस्तेमाल होने वाले LLM से ज्यादा जटिल है। बेशक इसका मतलब यह नहीं कि हर cell LLM जैसा output दे सकती है, बल्कि यह कि पूरे system में उसके योगदान वाले व्यवहार की जटिलता उतनी बड़ी है
यह cell biophysics के experimental और theoretical नतीजों से दिखाती है कि अलग-अलग neurons synaptic inputs को multiply, integrate और delay कर सकते हैं, और सूचना membrane voltage, cell के अंदर calcium concentration, तथा individual spikes की timing में encode हो सकती है
https://www.amazon.com/Biophysics-Computation-Information-Co...
उदाहरण के लिए convolutional neural network में kernel के कुल weights = input channels की संख्या × kernel size × filters की संख्या होते हैं, इसलिए 3×3 kernel, 3 channels, 128 filters हों तो सिर्फ 3,456 parameters बनते हैं। लेकिन वही filter पूरे 2D input feature map पर stride करता है, इसलिए 1280×720 HD image पर दोनों दिशाओं में stride 2 इस्तेमाल करने पर यह 230,400 बार apply होता है और effective parameter activations की संख्या 796,262,400 हो जाती है
यह लंबे समय से ज्ञात है कि convolutional neural networks को कुछ प्रेरणा human visual cortex से मिली है [0]। तेज़ी से काम करने वाले human visual cortex में single kernel की parameter sharing संभव नहीं होगी, और काफी संभावना है कि weights किसी हद तक parallelized होकर दिमाग में replicated होने पड़ते हों। इस लिहाज़ से artificial neural networks को फायदा है
human brain के neurons में लगातार cell repair के कारण कुछ redundancy होनी चाहिए, और computer memory के direct updates के उलट वे शायद केवल Hebbian learning से ही update होते हैं। साथ ही human brain का बड़ा हिस्सा motor, touch, fear, jealousy, desire जैसे environmental और non-logical कारणों के लिए है, और artificial neural networks को amygdala की fight-or-flight response जैसे हिस्से उसी तरह रखने की जरूरत नहीं है
[0] https://msail.github.io/post/cnn_human_visual/
John Bonner की शानदार किताब “The Evolution of Culture in Animals” के जरिए मुझे यह विचार मिला कि single cells भी “learning” और “culture” दिखा सकती हैं
Bonner जानवरों के बीच कोई टूटन मानने या इंसान को अलग category में रखने के बजाय culture और learning, दोनों को continuum के रूप में देखने का दृष्टिकोण बनाते हैं। बेशक फर्क हैं
https://press.princeton.edu/books/paperback/9780691023731/th...
यह लेख कहें तो उसी rabbit hole में और गहराई तक उतरता है
अगर ऐसी चीज़ें पसंद हैं, तो दिमाग के single neuron की जटिलता पर “Information Processing in Single Neurons” नाम की एक किताब भी है
https://www.amazon.com/Biophysics-Computation-Information-Co...
इस प्रक्रिया का model बनाने के लिए ज़रूरी सारी maths को समेटने वाला 2013 का एक पूरी तरह open-access review है: “Quantitative modeling of bacterial chemotaxis: Signal amplification and accurate adaptation, Yuhai Tu”
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3737589/
मुख्य बात यह है कि receptor cooperativity और accurate adaptation को सरल mathematical models से quantitatively समझाया जा सकता है, और signal amplification व adaptation दोनों को शामिल करने वाला “standard model” समय के साथ बदलने वाले arbitrary stimuli पर E. coli की प्रतिक्रिया को quantitatively predict करता है
exponential ramp, methylation rate function F(a) के ज़रिए ramp rate पर निर्भर activity changes पैदा करता है, और oscillating signal response दिखाता है कि low-frequency range में E. coli time derivative की गणना करता है। साथ ही E. coli ligand concentration के logarithm को याद रखता है, और E. coli chemotaxis में Weber-Fechner law लागू होता है
signal amplification mechanism के रूप में receptor complex के cooperative phase transition को भी कवर किया गया है, और physics के Ising ferromagnetic spin-spin interaction जैसा model इस्तेमाल किया गया है
इस बात पर कि जीवित cell के अंदर की सारी गतिविधि देखने की technology अभी हमारे पास नहीं है, मुझे जिज्ञासा होती है कि cell के अंदर हर atom का map बनाने के कितने करीब हम हैं
1ml पानी में 1E23 atoms होते हैं, और E. coli लगभग 500nm × 500nm × 1µm होता है, इसलिए पूरे cell में सिर्फ़ करीब 2E10 atoms होते हैं
क्या ऐसा संभव होगा कि पूरे cell को freeze कर दिया जाए, फिर electron beam से atoms को एक-एक कर हटाकर mass से identify किया जाए?
हालांकि यह बेहिसाब महंगी है, और वास्तव में identify किया जा सकने वाला स्तर आम तौर पर पूरे protein तक ही होता है। फिर भी context के अंदर देख पाना बहुत बड़ी बात है
कौन-सा resolution meaningful है, और किस process की कौन-सी branch को follow करना है, यह भी समस्या है
randomly घूमने के बाद सीधा चलने का तरीका first-generation Roomba की logic की थोड़ी याद दिलाता है
आख़िर में “How did we figure all this stuff out?” section वाकई कमाल का है
प्रकृति की scale invariance भी यहाँ साफ़ दिखती है। cell मानव scale की तुलना में “छोटा” है, लेकिन मानव scale पर मौजूद किसी भी machine जितना ही जटिल है। प्रकृति में absolute छोटा या बड़ा जैसा कुछ नहीं है
in silico experiments को field के बाहर के लोग कम आँक सकते हैं। computing power में सुधार ने इस field को कैसे बदला है और आगे भी बदलेगा, यह साफ़ है। random molecules को probe करने या petri dish में खतरनाक चीज़ें उगाने के तरीके से DNA-based fast computer simulations की ओर जाना, सीखने की रफ़्तार में बड़ी छलांग है
scale की physical limits भी होती हैं। bones कितना weight support कर सकती हैं इसकी सीमा होती है, और chemical processes भी, जैसे maximum energy dissipation rate जैसी constraints से बंधी होती हैं