इन्डियन इन्स्टिच्युट अफ साइन्स (IISc) का अन्वेषकहरूले बनाएको नयाँ GPU-आधारित मेसिन लर्निङ एल्गोरिदमको कारण वैज्ञानिकहरूले मस्तिष्कका विभिन्न क्षेत्रहरू बीचको जडानहरू बुझ्न र पूर्वानुमान गर्न सक्षम हुन सक्छन्।
एल्गोरिथ्म, जसलाई Regularized, Accelerated, Linear Fascicle Evaluation वा ReAl-LiFE भनेर चिनिन्छ, मानव मस्तिष्कको डिफ्युजन म्याग्नेटिक रेजोनान्स इमेजिङ (dMRI) स्क्यानद्वारा उत्पादित डाटाको ठूलो मात्राको कुशलतापूर्वक विश्लेषण गर्न सक्षम छ।
टोलीको रियल-लाइफको प्रयोगले उनीहरूलाई हालको अत्याधुनिक प्रविधिहरूसँग 150 गुणा छिटो dMRI डाटा विश्लेषण गर्न अनुमति दियो।
मस्तिष्क जडान मोडेलले कसरी काम गर्छ?
हरेक सेकेन्डमा, मस्तिष्कको लाखौं न्यूरोन्सहरू आगो लगाउँछन्, जसले विद्युतीय पल्सहरू सिर्जना गर्दछ जुन न्यूरल नेटवर्कहरू मार्फत सर्छ - जसलाई "अक्ष" पनि भनिन्छ - मस्तिष्कको एक भागबाट अर्कोमा।
मस्तिष्कले कम्प्युटरको रूपमा काम गर्नको लागि, यी जडानहरू आवश्यक छन्। यद्यपि, मस्तिष्क जडानहरू अध्ययन गर्नका लागि परम्परागत विधिहरूमा प्रायः आक्रमणकारी पशु मोडेलहरू प्रयोग गरिन्छ।
यद्यपि, dMRI स्क्यानहरूले मानव मस्तिष्क जडानहरू जाँच गर्न एक गैर-आक्रामक तरिका प्रदान गर्दछ।
मस्तिष्कको सूचना राजमार्गहरू केबलहरू (एक्सोन) हुन् जसले यसको विभिन्न क्षेत्रहरूलाई जोड्दछ। पानीका अणुहरू एक्सन बन्डलहरूसँग तिनीहरूको लम्बाइमा निर्देशित रूपमा यात्रा गर्छन् किनभने तिनीहरू ट्यूबहरू जस्तै बनाइएका छन्।
कनेक्टोम, जुन मस्तिष्कमा फैलिएको फाइबरको नेटवर्कको विस्तृत नक्सा हो, यसलाई dMRI द्वारा सम्भव बनाउन सकिन्छ, जसले अनुसन्धानकर्ताहरूलाई यस आन्दोलनलाई पछ्याउन सक्षम बनाउँछ।
दुर्भाग्यवश, यी जडानहरू पहिचान गर्न सजिलो छैन। मस्तिष्कमा प्रत्येक स्थानमा पानीको अणुहरूको शुद्ध प्रवाह मात्र स्क्यान डेटा द्वारा देखाइएको छ।
पानीका अणुहरूलाई अटोमोबाइलको रूपमा विचार गर्नुहोस्। रोडवेजको बारेमा केही थाहा नभएको, सङ्कलन गरिएको जानकारी मात्र समय र स्थानमा प्रत्येक बिन्दुमा कारहरूको दिशा र गति हो।
यी ट्राफिक ढाँचाहरू अनुगमन गरेर, कार्य सडकको नेटवर्कहरू अनुमान गर्न तुलनात्मक छ। यी सञ्जालहरूलाई सही रूपमा पहिचान गर्नको लागि परम्परागत दृष्टिकोणहरूले अनुमानित कनेक्टोमबाट अपेक्षित dMRI संकेतलाई वास्तविक dMRI संकेतसँग मिल्छ।
यो अप्टिमाइजेसन गर्नका लागि, वैज्ञानिकहरूले पहिले LiFE (Linear Fascicle Evaluation) नामक एल्गोरिथ्म सिर्जना गरेका थिए, तर यसको एक कमजोरी यो थियो कि यो परम्परागत केन्द्रीय प्रशोधन एकाइहरू (CPUs) मा संचालित थियो, जसले गणनालाई समय-खपत बनायो।
वास्तविक जीवन एक क्रान्तिकारी मोडेल हो जुन भारतीय अनुसन्धानकर्ताहरु द्वारा बनाईएको हो
प्रारम्भमा, अनुसन्धानकर्ताहरूले यो समायोजन गर्न LiFE (लिनियर फेसियल इभ्यालुएसन) नामक एल्गोरिदम सिर्जना गरे, तर यसको एक बेफाइदा यो थियो कि यो साधारण केन्द्रीय प्रशोधन एकाइहरू (CPUs) मा निर्भर थियो, जसले गणना गर्न समय लियो।
श्रीधरनको टोलीले अनावश्यक जडानहरू हटाउने र LiFE को कार्यसम्पादनमा उल्लेखनीय सुधार सहित विभिन्न तरिकामा आवश्यक प्रशोधन कार्यलाई न्यूनीकरण गर्न नयाँ अध्ययनमा आफ्नो प्रविधिमा सुधार ल्यायो।
प्रविधिलाई अनुसन्धानकर्ताहरूले ग्राफिक्स प्रोसेसिङ इकाइहरू (GPUs) मा काम गर्न इन्जिनियरिङ गरेर थप परिष्कृत गरेका थिए, जुन उच्च-अन्त गेमिङ पीसीहरूमा प्रयोग हुने विशेष विद्युतीय चिपहरू हुन्।
यसले तिनीहरूलाई अघिल्लो दृष्टिकोणहरू भन्दा 100-150 गुणा छिटो डेटा जाँच गर्न अनुमति दियो। Tउसको अद्यावधिक गरिएको एल्गोरिथ्म, ReAl-LiFE ले पनि अनुमान गर्न सक्छ कि मानव परीक्षण विषयले कसरी कार्य गर्नेछ वा निश्चित काम गर्नेछ।
अन्य शब्दहरूमा, प्रत्येक व्यक्तिको लागि एल्गोरिदमको अनुमानित लिङ्क बल प्रयोग गरेर, टोलीले 200 व्यक्तिहरूको नमूना बीच व्यवहार र संज्ञानात्मक परीक्षण स्कोरहरूमा भिन्नताहरू व्याख्या गर्न सक्षम भयो।
यस्तो विश्लेषणको औषधीय प्रयोग पनि हुन सक्छ।" ठूला-ठूला डाटा प्रशोधन ठूला डाटा न्यूरोसाइन्स अनुप्रयोगहरूको लागि बढ्दो महत्त्वपूर्ण हुँदै गइरहेको छ, विशेष गरी स्वस्थ मस्तिष्क कार्य र मस्तिष्क विकारहरू बुझ्नको लागि।
निष्कर्ष
निष्कर्षमा, ReAl-LiFE ले मानव परीक्षण विषयले कुनै निश्चित काम कसरी गर्ने वा गर्ने भनेर पनि अनुमान गर्न सक्छ।
अन्य शब्दहरूमा, प्रत्येक व्यक्तिको लागि एल्गोरिदमको अनुमानित लिङ्क बल प्रयोग गरेर, टोलीले 200 व्यक्तिहरूको नमूना बीच व्यवहार र संज्ञानात्मक परीक्षण स्कोरहरूमा भिन्नताहरू व्याख्या गर्न सक्षम भयो।
यस्तो विश्लेषणको औषधीय प्रयोग पनि हुन सक्छ।" ठूला-ठूला डाटा प्रशोधन ठूला डाटा न्यूरोसाइन्स अनुप्रयोगहरूको लागि बढ्दो महत्त्वपूर्ण हुँदै गइरहेको छ, विशेष गरी स्वस्थ मस्तिष्क कार्य र मस्तिष्क विकारहरू बुझ्नको लागि।
जवाफ छाड्नुस्