मानव मस्तिष्क के 1㎣ टुकड़े का nanoscale resolution पर मैप बनाया गया

 (nature.com)
2 पॉइंट द्वारा GN⁺ 2024-05-11 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • शोधकर्ताओं ने मानव मस्तिष्क के बहुत छोटे टुकड़े का बेहद बारीकी से मैप बनाया, जिससे मस्तिष्क की कनेक्टिविटी संरचना को देखने वाला एक सेल एटलस तैयार हुआ
  • यह सेल एटलस Science में प्रकाशित हुआ है और ऑनलाइन डेटा के रूप में भी उपलब्ध है, ताकि आगे के विश्लेषण में इसका उपयोग किया जा सके
  • यह एटलस न्यूरॉन्स के बीच नए कनेक्शन पैटर्न दिखाता है और पहले देख पाना कठिन रहा सेल-स्तरीय ढांचे सामने लाता है
  • कुछ सेल खुद को ही लपेटकर गांठ जैसी संरचना बनाते हैं, और लगभग एक-दूसरे के दर्पण प्रतिबिंब जैसे दिखने वाले न्यूरॉन जोड़े भी मिले हैं
  • 1㎣ जैसे छोटे ऊतक में भी जटिल कनेक्शन और आकृतियाँ दिखाई देती हैं, जो बताती हैं कि मानव मस्तिष्क की संरचना को समझने के लिए डेटा का पैमाना कितना बड़ा होना चाहिए

मानव मस्तिष्क के टुकड़े का सेल एटलस

  • शोधकर्ताओं ने मानव मस्तिष्क के एक छोटे टुकड़े का बेहद बारीकी से मैप बनाया
  • इसका परिणाम न्यूरॉन सहित मस्तिष्क कोशिकाओं का सेल एटलस है
  • यह एटलस Science शोधपत्र के रूप में प्रकाशित हुआ है और ऑनलाइन भी उपलब्ध है

एटलस में सामने आई संरचनाएँ

  • न्यूरॉन्स के बीच नए कनेक्शन पैटर्न की पहचान हुई
  • कुछ सेल खुद को लपेटते हुए गांठ जैसी संरचना बनाते हैं
  • लगभग एक-दूसरे के दर्पण प्रतिबिंब जैसे न्यूरॉन जोड़े भी दिखाई देते हैं

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2024-05-11
Hacker News की राय

  • 2024/05/11 तक मैंने सारे comments पढ़े, और एक प्रमुख university professor के नज़रिए से यह काफ़ी हैरान करने वाला था कि एक भी स्पष्ट सवाल सामने नहीं आया
    दिमाग़ के function, mammals और birds के अंतर, AI और LLM जैसी textbook वाली बातें गिनाने के बजाय, हमें यह नहीं पूछना चाहिए कि वे अजीब structures और objects क्या करते हैं जिनके बारे में हमें बिल्कुल पता नहीं है?: https://h01-release.storage.googleapis.com/gallery.html
    गिनने पर 7 निकले

    • पूरी complexity और अनजानपन से अभिभूत हो जाता हूं, लेकिन यह सोचकर हंसी भी आती है कि उनमें से कुछ vestigial organs भी हो सकते हैं
      खासकर “बिना जुड़े हुए projections वाला अंडे के आकार का object” मुझे पसंद आया
    • मैं पूरी तरह outsider हूं, इसलिए यह भी नहीं जानता कि क्या देखना चाहिए, लेकिन cell body के अंदर dendrite सबसे चौंकाने वाला लगा
      एक cell का dendrite दूसरे cell के cell body को आर-पार करते हुए निकलता है—ऐसी structure!
    • यह वाकई कमाल है कि यह सारी complexity मुस्कान या प्यार जैसी खूबसूरत चीज़ें पैदा करती है
    • इस data में वैसा ही healthy tissue sample control group नहीं है, इसलिए यह falsifiable नहीं है और इसे 100% scientifically valid मानना मुश्किल है

  • interactive visualization वाकई शानदार है
    sections को zoom करके ऊपर-नीचे layers scroll करके देखना अच्छा है, और 3D model भी zoom करके देखने लायक है
    किसी neuron के किसी हिस्से पर mouse ले जाने पर पूरा neuron highlight होता हुआ भी दिखता है: http://h01-dot-neuroglancer-demo.appspot.com/#!gs://h01-release/assets/neuroglancer_states/20210601/c2_library.json

    • सचमुच अभिभूत कर देने वाला है
      हमारे brain के सिर्फ 1 cubic millimeter में ही इतने connections हैं; इससे समझ आता है कि कौआ अखरोट जितने brain के साथ भी इतना smart कैसे हो सकता है
      brain शायद universe की सबसे complex चीज़ हो सकता है; सोचता हूं कि क्या वह खुद को समझने जितना complex हो सकता है, क्या यह logically possible है
    • वह website मेरे keyboard layout का सम्मान नहीं करती
      पता नहीं उन्होंने ऐसा कैसे बनाया

  • “3D map पूरे brain के 10 लाखवें हिस्से, यानी लगभग 1 cubic millimeter volume को cover करता है, और इसमें करीब 57,000 cells तथा neurons के बीच connections यानी 150 million synapses शामिल हैं”
    यह अंदाज़ा लगाने के लिए एक अच्छा measured reference point है कि human brain की नकल करने के लिए neural network model कितना बड़ा होना चाहिए
    150 million synapses / 57,000 neurons यानी प्रति neuron औसतन 2,632 synapses, और अगर adult human brain में लगभग 100 billion neurons मानें, तो कुल 2.6e14 synapses होते हैं
    synapse के लिए सिर्फ 1 parameter भी मानें, तो minimum model भी अफ़वाहों में बताए गए GPT-4 के 1.8e12 parameters से सैकड़ों गुना बड़ा होगा
    यह हिसाब अभी बहुत rough है; अगर प्रति synapse 10~100 ion channels, और प्रति ion channel कम से कम 10 parameters मानें, तो 2.6e16 से अधिक, यानी GPT-4 से 4 orders of magnitude से भी ज़्यादा बड़ा हो जाता है
    बेशक neuroplasticity implement करने जैसे और भी मुद्दे हैं, लेकिन यह एक मज़ेदार back-of-the-envelope calculation है
    compute क्षमता शायद 2048 के आसपास पहुंच सकती है: https://news.ycombinator.com/item?id=38919548

    • Geoffrey Hinton के नज़रिए की तरह, artificial neural networks असली neural networks से कहीं ज़्यादा efficient हो सकते हैं
      यह उस धारणा के लगभग उलट है जिस पर दशकों तक विश्वास किया गया कि artificial neurons, असली neurons के कमजोर model हैं
      एक quote है: “हमारे brain में 100 trillion connections हैं. large language models में ज़्यादा से ज़्यादा 500 billion, या अधिकतम 1 trillion होते हैं. फिर भी GPT-4 किसी भी एक व्यक्ति से सैकड़ों गुना ज़्यादा जानता है. शायद उसके पास हमसे कहीं बेहतर learning algorithm हो सकता है”
      इस brain sample की density के हिसाब से GPT-4 के connections 5 cubic centimeters, यानी human cerebral cortex के 1% volume में समा जाते हैं
      फिर भी GPT-4 करीब 80 भाषाएं कुछ हद तक fluently बोलता है, translate करता है, code लिखता है, सैकड़ों या हजारों लेखकों की शैली की नकल करता है, और philosophy से cooking, science, law तक बातचीत कर सकता है
    • उस calculation में यह हिस्सा छूट जाता है कि neuron सिर्फ एक number वाला node नहीं, बल्कि अपने-आप में एक computational system है
    • वह model अब भी बहुत ज़्यादा simple हो सकता है
      cells के अंदर complex nano-scale machinery भरी होती है, और उनमें से कुछ cognition process में शामिल हो सकती हैं
      मुझे कम से कम एक study पता है जिसने memory के neurons में काम करने के तरीके में सीधे शामिल nano structure की पहचान की है
      इसके अलावा कई processes में काफी analog dimensions भी हैं
      एक neurologist ने interview में कहा था, यह बात याद रहती है कि मानवता सदियों से brain की तुलना अपने समय की सबसे complex technology से करती आई है
      पहले mechanical devices, फिर pipes और steam, electrical circuits, electronics, और अब computers से तुलना की गई, लेकिन brain इनमें से किसी की तरह काम नहीं करता, इसलिए हमें अपने models की सीमाओं को समझना चाहिए
    • neurons के अंदर बहुत complexity है, और synapses के बीच signal transmission भी निश्चित रूप से होता होगा
      जब रोकने वाली कोई चीज़ नहीं है, तो नहीं होगा कैसे?
      मुझे नहीं लगता कि synapse behavior को सिर्फ और अधिक signals के रूप में model किया जा सकता है
    • इसके उलट, neural circuits का काफी हिस्सा maintenance या walking जैसे functions में इस्तेमाल होता दिखता है
      इसलिए general intelligence के लिए शायद बहुत कम brain tissue ही चाहिए हो

  • नतीजा अहम और प्रभावशाली तो है, लेकिन यह neuroscience की बुनियादी समस्या याद दिलाता है
    अगर हमें processor के बारे में लगभग कुछ न पता हो और हम सिर्फ die पर electrodes लगा सकें, तो क्या सिर्फ measurements से हम विस्तार से पता लगा पाएंगे कि processor program कैसे चलाता है और वह program क्या करता है?
    इसमें scale को कई orders of magnitude बढ़ा दें, और signal arrival timing के प्रति sensitivity भी जोड़ दें, तो वही brain है
    अब भले ही हमारे पास petabytes data आ गया हो, क्या हम सच में, मसलन cognition कैसे काम करता है, यह समझने के करीब पहुंच सकते हैं?
    computational neuroscience की introductory class लेते समय यह जानकर काफी झटका लगा था कि time domain में कुछ से ज्यादा neurons को संभाल सकने वाली mathematics लगभग मौजूद ही नहीं है
    असली neurons time domain में काम करते हैं, Hebb learning में timing महत्वपूर्ण है, और कोई global clock भी नहीं है
    brain जो कुछ भी करता है, वह continuous process है

    • वह reverse engineering problem इस लेख से व्यापक रूप से जानी गई: https://www.cell.com/cancer-cell/fulltext/S1535-6108%2802%2900133-2
      दूसरी बात, पहले से अच्छी तरह map किए गए C. elegans के लगभग 300 neurons तक को OpenWorm ठीक से model नहीं कर पाया, यह बहुत कुछ बताता है
    • सही
      AI research के तर्कों में से एक था: “किसी पक्षी के पंख को electron microscope से देखने पर flight के principles नहीं मिलेंगे”
      दिलचस्प तो है, लेकिन मुझे नहीं लगता कि इस तरीके से हम intelligence को समझ पाएंगे
      emergent phenomena complex systems theory का हिस्सा हैं, और हमारे पास उसके लिए जरूरी mathematics नहीं है
      इस क्षेत्र में हमारी अज्ञानता बहुत बड़ी है
      बचपन में अक्सर सुना था, “क्या brain खुद को समझ सकता है?”
      शायद नहीं, लेकिन समझने की कोशिश अपने-आप में अब भी मूल्यवान है
      complex systems theory research में breakthrough की जरूरत है
    • particle physics भी कुछ इसी तरह काम करती है
      electrodes लगाने के बजाय particles दागे जाते हैं, और उनके fragments की trajectories analyze की जाती हैं
    • अगर sample को preservative में डुबोकर heavy metals से stain किया गया है, तो मेरा brain भी उसी तरह process करके देख लें कि क्या उसके बाद वह ऊपर जैसा comment लिख सकता है
      monkey-style तरीके अगर लगातार monkey-style cognition ही दिखाते हैं, तो इसमें हैरानी नहीं

  • Feynman का “There's plenty of room at the bottom” फिर से पढ़ने का समय है: https://web.pa.msu.edu/people/yang/RFeynman_plentySpace.pdf
    उस हिस्से को देखें जहां biologists उनसे 1,000 गुना ज्यादा powerful electron microscope बनाने को कहते हैं, और फिर यह भी देखें कि इन images को scan करने में कौन-सी technology इस्तेमाल हुई

    • असल wording शायद “अगर हमें तेजी से progress करनी है, तो electron microscope को 100 गुना बेहतर बनाना होगा” के करीब है
      उस समय state-of-the-art लगभग 10 angstrom, यानी करीब 1nm तक ही resolve कर पाता था, और 100 गुना improvement का मतलब 0.1 angstrom / 0.01nm होता
      लगता है कुछ हद तक progress हुई है
      search करने पर मिला कि transmission electron microscopes अधिकतम 0.05nm तक, और scanning electron microscopes 0.1nm से कम तक पहुंचते हैं: https://www.kentfaith.co.uk/blog/article_which-electron-microscope-has-the-highest-resolution_4737
      तुलना के लिए, मेरी जानकारी में H2 में hydrogen nuclei के बीच दूरी करीब 0.074nm होती है
      molecular shapes देखे जा सकते हैं, लेकिन individual atoms अब भी थोड़े धुंधले हैं: https://cosmosmagazine.com/science/chemistry/molecular-models-electron-microscopy/

  • single neuron की image देखकर लगता है कि brain simulation वाले लोगों को required compute power के estimates फिर से calculate करने होंगे

  • सोचता हूं, ऐसी चीजें देखते समय जो हल्की असहज भावना होती है, उसका कोई नाम है क्या
    बेहतर समझाना चाहता हूं, लेकिन brain tissue की microscope images सामने आती हैं तो पता नहीं क्यों अजीब-सा महसूस होता है
    क्या यह normal reaction है?

    • मेरे लिए तो उस अव्यवस्था को देखना stressful है
      brain की cable management बहुत खराब है
      फिर भी image में एक eerie खालीपन भी महसूस होता है
      सबसे पहले यही ख्याल आया कि एक conscious being के तौर पर मेरा “implementation” यही है, और skull के पूर्ण अंधेरे में कैद fibers का ढेर है
      human brain tissue images में एक उदासी इस बात से भी आती है कि यह कभी जीवन और अनुभव रखने वाला कोई व्यक्ति था
      मेरा जीवित brain एक मृत brain को देख रहा है
    • https://hitchhikers.fandom.com/wiki/Total_Perspective_Vortex
    • सोचता हूं कि क्या यह shape की वजह से है
      क्या यह वैसा ही है जैसे छेदों वाले patterns कुछ लोगों को असहज करते हैं, या फिर कोई ज्यादा abstract एहसास है, जैसे “किसी के सबसे निजी reality के अनजाने टुकड़े वहां से होकर बहे थे”
      किसी भी तरह, इसका नाम नहीं जानता, लेकिन वह form खुद context में memory या personality के किसी पहलू को दर्शा भी सकता है—कौन जाने
    • यह विचार आता है कि इंसान खास नहीं हैं, कोई soul नहीं है, और consciousness बस computer की तरह wires का गुच्छा है
      जब दिखता है कि पूरा human experience, love, tragedy और achievements, बस उन टेढ़ी-मेढ़ी cells द्वारा भेजे गए potentials हैं, तो इंसानों में जो magical feeling लगती थी, वह खत्म हो जाती है
    • मैं religious नहीं हूं, लेकिन मेरे लिए यह लगभग spiritual experience के सबसे करीब है
      ऐसा लगता है जैसे किसी बहुत direct चीज से सामना हुआ है, और साथ ही ऐसी विशाल चीज से भी, जिसे मैं कभी समझ नहीं पाऊंगा

  • Neal Stephenson का novel इस विषय को अच्छी तरह संभालता है: https://en.wikipedia.org/wiki/Fall;_or,_Dodge_in_Hell

  • Neuroglancer fork में self-supervised learning से बिना label वाले volumetric data को annotate करने वाला algorithm विकसित किया गया है
    बड़े पैमाने के brain mapping projects में और प्रगति की उम्मीद है
    Project details: https://www.ll.mit.edu/sites/default/files/other/doc/2023-02/TVO_Technology_Highlight_45_NeuroTrALE.pdf

  • “sample को लगभग 5,000 sections में काटा गया, हर section 34 nanometers मोटा था और उसे electron microscope से image किया जा सकता था”
    क्या किसी को पता है कि sample को नुकसान पहुँचाए बिना यह कैसे किया जाता है?