इंडियन इन्स्टिट्यूट ऑफ सायन्स (IISc) मधील संशोधकांनी तयार केलेल्या नवीन GPU-आधारित मशीन लर्निंग अल्गोरिदममुळे शास्त्रज्ञ विविध मेंदू क्षेत्रांमधील कनेक्शन समजून घेण्यास आणि अंदाज लावण्यास अधिक सक्षम होऊ शकतात.
Regularized, Accelerated, Linear Fascicle Evaluation किंवा ReAl-LiFE म्हणून ओळखले जाणारे अल्गोरिदम, मानवी मेंदूच्या डिफ्यूजन मॅग्नेटिक रेझोनान्स इमेजिंग (dMRI) स्कॅनद्वारे उत्पादित मोठ्या प्रमाणात डेटाचे कार्यक्षमतेने विश्लेषण करण्यास सक्षम आहे.
टीमच्या रीअल-लाइफच्या वापरामुळे त्यांना सध्याच्या अत्याधुनिक तंत्रांसह dMRI डेटाचे 150 पट अधिक जलद विश्लेषण करण्याची परवानगी मिळाली.
ब्रेन कनेक्टिव्हिटी मॉडेल कसे कार्य करते?
प्रत्येक सेकंदाला, मेंदूतील लाखो न्यूरॉन्स आग लागतात, ज्यामुळे मेंदूच्या एका भागातून दुसऱ्या भागात जाणाऱ्या न्यूरल नेटवर्क्सद्वारे-ज्याला “अॅक्सॉन” असेही म्हणतात—विद्युतीय नाडी तयार होतात.
मेंदूला संगणकाप्रमाणे कार्य करण्यासाठी, हे कनेक्शन आवश्यक आहेत. तथापि, मेंदूच्या जोडणीचा अभ्यास करण्याच्या पारंपारिक पद्धतींमध्ये अनेकदा आक्रमक प्राणी मॉडेल वापरणे समाविष्ट असते.
तथापि, dMRI स्कॅन मानवी मेंदूच्या कनेक्शनची तपासणी करण्याचा एक गैर-आक्रमक मार्ग देतात.
मेंदूचे माहिती महामार्ग म्हणजे केबल्स (अॅक्सॉन) जे त्याच्या विविध क्षेत्रांना जोडतात. पाण्याचे रेणू अॅक्सन बंडलसह त्यांच्या लांबीच्या दिशेने निर्देशित पद्धतीने प्रवास करतात कारण ते ट्यूबसारखे तयार होतात.
कनेक्टोम, जो मेंदूमध्ये पसरलेल्या तंतूंच्या नेटवर्कचा तपशीलवार नकाशा आहे, dMRI द्वारे शक्य होऊ शकतो, ज्यामुळे संशोधकांना या हालचालीचे अनुसरण करण्यास सक्षम करते.
दुर्दैवाने, या कनेक्टोम्स ओळखणे सोपे नाही. मेंदूतील प्रत्येक ठिकाणी फक्त पाण्याच्या रेणूंचा निव्वळ प्रवाह स्कॅनच्या डेटाद्वारे दर्शविला जातो.
पाण्याच्या रेणूंचा ऑटोमोबाईल म्हणून विचार करा. रस्त्यांबद्दल काहीही माहिती नसताना, वेळ आणि स्थळी प्रत्येक बिंदूवर गाड्यांची दिशा आणि वेग ही केवळ माहिती गोळा केली जाते.
या रहदारीच्या नमुन्यांचे निरीक्षण करून, कार्य रस्त्याच्या नेटवर्कचे अनुमान काढण्याशी तुलना करता येते. हे नेटवर्क योग्यरितीने ओळखण्यासाठी पारंपारिक दृष्टिकोन वास्तविक dMRI सिग्नलसह अनुमानित कनेक्टममधून अपेक्षित dMRI सिग्नलशी जवळून जुळतात.
हे ऑप्टिमायझेशन करण्यासाठी, शास्त्रज्ञांनी पूर्वी LiFE (लिनियर फॅसिकल इव्हॅल्युएशन) नावाचा अल्गोरिदम तयार केला होता, परंतु त्याचा एक दोष म्हणजे तो पारंपारिक सेंट्रल प्रोसेसिंग युनिट्स (CPUs) वर चालतो, ज्यामुळे गणना वेळखाऊ होते.
वास्तविक जीवन भारतीय संशोधकांनी तयार केलेले क्रांतिकारी मॉडेल आहे
सुरुवातीला, संशोधकांनी हे समायोजन करण्यासाठी LiFE (लिनियर फॅसिअल इव्हॅल्युएशन) नावाचा अल्गोरिदम तयार केला, परंतु त्याचा एक तोटा असा होता की ते सामान्य सेंट्रल प्रोसेसिंग युनिट्स (CPUs) वर अवलंबून होते, ज्याला गणना करण्यासाठी वेळ लागला.
निरर्थक कनेक्शन काढून टाकणे आणि LiFE चे कार्यप्रदर्शन लक्षणीयरीत्या सुधारणे यासह विविध मार्गांनी आवश्यक प्रक्रिया कार्य कमी करण्यासाठी नवीन अभ्यासामध्ये श्रीधरनच्या टीमने त्यांचे तंत्र सुधारले.
ग्राफिक्स प्रोसेसिंग युनिट्स (GPUs) वर काम करण्यासाठी संशोधकांनी हे तंत्रज्ञान अधिक परिष्कृत केले, जे हाय-एंड गेमिंग पीसीमध्ये वापरल्या जाणार्या विशेष इलेक्ट्रिकल चिप्स आहेत.
यामुळे त्यांना मागील पद्धतींपेक्षा 100-150 पट वेगाने डेटा तपासता आला. टत्याचे अद्ययावत अल्गोरिदम, रीअल-लाइफ, मानवी चाचणी विषय कसे कार्य करेल किंवा विशिष्ट कार्य कसे करेल याचा अंदाज लावू शकतो.
दुसऱ्या शब्दांत, प्रत्येक व्यक्तीसाठी अल्गोरिदमच्या प्रक्षेपित लिंक सामर्थ्यांचा वापर करून, 200 व्यक्तींच्या नमुन्यातील वर्तणूक आणि संज्ञानात्मक चाचणी गुणांमधील फरक स्पष्ट करण्यात संघ सक्षम होता.
अशा विश्लेषणाचे औषधी उपयोगही होऊ शकतात.” बिग-डेटा न्यूरोसायन्स ऍप्लिकेशन्ससाठी, विशेषत: निरोगी मेंदूचे कार्य आणि मेंदूचे विकार समजून घेण्यासाठी मोठ्या प्रमाणात डेटा प्रोसेसिंग वाढत्या प्रमाणात महत्त्वपूर्ण होत आहे.
निष्कर्ष
शेवटी, ReAl-LiFE हे देखील अंदाज लावू शकते की मानवी चाचणी विषय कसे कार्य करेल किंवा विशिष्ट कार्य करेल.
दुसऱ्या शब्दांत, प्रत्येक व्यक्तीसाठी अल्गोरिदमच्या प्रक्षेपित लिंक सामर्थ्यांचा वापर करून, 200 व्यक्तींच्या नमुन्यातील वर्तणूक आणि संज्ञानात्मक चाचणी गुणांमधील फरक स्पष्ट करण्यात संघ सक्षम होता.
अशा विश्लेषणाचे औषधी उपयोगही होऊ शकतात.” बिग-डेटा न्यूरोसायन्स ऍप्लिकेशन्ससाठी, विशेषत: निरोगी मेंदूचे कार्य आणि मेंदूचे विकार समजून घेण्यासाठी मोठ्या प्रमाणात डेटा प्रोसेसिंग वाढत्या प्रमाणात महत्त्वपूर्ण होत आहे.
प्रत्युत्तर द्या