दिमाग और AIमध्यमपाठ 2965 मिनट का पाठ

FlyWire: मक्खी के पूरे दिमाग का नक्शा

2024 में FlyWire टीम ने एक वयस्क फल मक्खी (फ्रूट फ्लाई) के दिमाग का पूरा वायरिंग मैप प्रकाशित किया। जानिए कि इसे इलेक्ट्रॉन माइक्रोस्कोप, AI और कई इंसानी प्रूफरीडरों की मदद से कैसे तैयार किया गया।

✦ ट्यूटर से पूछें🧪 लैब · 20 min📝 पाठ का टेस्ट
पाठ वीडियो में

60 सेकंड में

FlyWire: मक्खी के पूरे दिमाग का नक्शा

2024 में FlyWire टीम ने एक वयस्क फल मक्खी (फ्रूट फ्लाई) के दिमाग का पूरा वायरिंग मैप प्रकाशित किया। जानिए कि इसे इलेक्ट्रॉन माइक्रोस्कोप, AI और कई इंसानी प्रूफरीडरों की मदद से…

1/5
आसान शब्दों में
कल्पना कीजिए कि एक बहुत मोटी किताब को हज़ारों पन्नों में काट दिया जाए और हर पन्ने की तस्वीर ली जाए। अब सोचिए कि वह किताब एक मक्खी का दिमाग है, जो चावल के दाने से भी बहुत छोटा है, और उसका हर "पन्ना" किसी भी ऐसी चीज़ से पतला है जिसे आप देख सकते हैं। नक्शा बनाने के लिए, आप एक तस्वीर से दूसरी तस्वीर तक हर न्यूरॉन का पीछा करते हैं, जैसे नूडल्स से भरी एक बड़ी प्लेट में से किसी एक नूडल का पीछा करना। इस काम का ज़्यादातर हिस्सा एक कंप्यूटर ने किया, और इंसानों ने उसकी गलतियों की जाँच करके उन्हें ठीक किया।
फ्रूट फ्लाई, Drosophila melanogaster, वह छोटी मक्खी है जिसे आप पके केले और आम के पास देखते होंगे। वैज्ञानिक एक सदी से भी ज़्यादा समय से इसका अध्ययन कर रहे हैं। यह चल सकती है, उड़ सकती है, सूँघ सकती है, स्वाद ले सकती है, देख सकती है, खाना ढूँढ़ सकती है, साथी को रिझा सकती है और सीख सकती है। फिर भी इसका दिमाग बहुत छोटा होता है।
अक्टूबर 2024 में, वैज्ञानिकों और वॉलंटियरों की एक बड़ी टीम, FlyWire कंसोर्टियम ने Nature पत्रिका में एक वयस्क मादा फ्रूट फ्लाई के दिमाग का पूरा वायरिंग मैप प्रकाशित किया। इसमें लगभग 1,40,000 न्यूरॉन और करोड़ों सिनेप्सेस (synapses) कनेक्शन शामिल हैं।

नक्शा कैसे बनाया गया

  1. 1

    पतले टुकड़े

    एक मक्खी के दिमाग को बेहद पतले टुकड़ों में काटा गया।
  2. 2

    इलेक्ट्रॉन माइक्रोस्कोप से ली गई तस्वीरें

    हर टुकड़े की इलेक्ट्रॉन माइक्रोस्कोप से तस्वीर ली गई, जो एक साधारण लाइट माइक्रोस्कोप की तुलना में कहीं ज़्यादा बारीक विवरण दिखाता है।
  3. 3

    AI ट्रेसिंग

    AI मॉडलों ने तस्वीरों में न्यूरॉन्स के किनारों को ढूँढ़ा और एक टुकड़े से दूसरे टुकड़े के हिस्सों को जोड़ा। उन्होंने सिनेप्सेस का भी पता लगाया।
  4. 4

    इंसानों द्वारा प्रूफरीडिंग

    प्रशिक्षित वैज्ञानिकों और आम नागरिकों (सिटिजन साइंटिस्ट) सहित कई लोगों ने AI के काम की जाँच की और गलत जोड़ व टूटे हुए हिस्सों को ठीक किया।
  5. 5

    ओपन डेटा

    तैयार नक्शा खुले तौर पर शेयर किया गया, ताकि कोई भी इसे एक्सप्लोर कर सके।

AI को इंसानी मदद की ज़रूरत क्यों पड़ी

AI ट्रेसिंग तेज़ तो थी, लेकिन उससे गलतियाँ हुईं। इस तरह के काम में दो तरह की गलतियाँ आम हैं:
गलतीक्या होता हैनक्शे पर असर
मर्ज (Merge)दो अलग-अलग न्यूरॉन्स आपस में जुड़कर एक हो जाते हैंएक नकली न्यूरॉन बन जाता है, जिसमें ऐसे कनेक्शन दिखने लगते हैं जो असल में हैं ही नहीं
स्प्लिट (Split)एक न्यूरॉन टुकड़ों में टूट जाता हैकनेक्शन गायब हो जाते हैं, और टुकड़े छोटे-छोटे न्यूरॉन जैसे दिखने लगते हैं
इंसानी प्रूफरीडरों ने 3D आकृतियों को देखा, इन गलतियों को पहचाना और उन्हें ठीक किया। क्योंकि तस्वीरें ऑनलाइन शेयर की गई थीं, इसलिए कई लोग मदद कर सके, जिनमें ऐसे वॉलंटियर भी शामिल थे जो पेशेवर वैज्ञानिक नहीं थे। इसे सिटिजन साइंस (citizen science) कहा जाता है।

वैज्ञानिक इस नक्शे का क्या करते हैं

  • किसी पाथवे (रास्ते) का पता लगाना, उदाहरण के लिए स्वाद वाले न्यूरॉन्स से लेकर खाना खाने को नियंत्रित करने वाले न्यूरॉन्स तक।
  • एक जैसी बनावट और कनेक्शन वाले न्यूरॉन्स को सेल टाइप्स (cell types) में बाँटना।
  • दिमाग के बाएँ और दाएँ हिस्से की तुलना करना।
  • पूरे दिमाग के कंप्यूटर मॉडल बनाना, जैसा कि आप पाठ 3 में देखेंगे।

कनेक्शनों को जोड़ना

कच्चा (रॉ) डेटा सिनेप्सेस की सूची देता है। कनेक्शनों का अध्ययन करने के लिए, वैज्ञानिक आमतौर पर यह जोड़ते हैं कि न्यूरॉन्स के प्रत्येक जोड़े को कितने सिनेप्सेस आपस में जोड़ते हैं। इसके बाद कई विश्लेषण बहुत कमज़ोर संपर्कों को नज़रअंदाज़ कर देते हैं, क्योंकि कुछ गिने-चुने सिनेप्सेस गलतियाँ भी हो सकते हैं। नीचे दिया गया कोड काल्पनिक संख्याओं के साथ इसी विचार को दिखाता है।
Python: adding up made-up synapse records with pandaspython
import pandas as pd

# MADE-UP synapse records, only for practice.
rows = [("taste_1", "relay", 3), ("taste_1", "relay", 4),
        ("taste_2", "relay", 2), ("relay", "feed_cmd", 9)]
df = pd.DataFrame(rows, columns=["pre", "post", "synapses"])
pairs = df.groupby(["pre", "post"], as_index=False)["synapses"].sum()
print(pairs)
नोट
यह नक्शा सिर्फ़ एक मक्खी से मिला है। एक ही प्रजाति के दिमागों में बहुत सी समानताएँ होती हैं, लेकिन वे अलग-अलग जीवों में भिन्न भी होते हैं। यह जानने के लिए कि कौन सी विशेषताएँ आम हैं, वैज्ञानिक एक से अधिक जीवों के नक्शों की तुलना करते हैं।
असली उदाहरण
भुवनेश्वर में एक कॉलेज की छात्रा अपने लैपटॉप पर FlyWire Codex वेबसाइट खोलती है। वह स्वाद पर प्रतिक्रिया देने वाले न्यूरॉन्स को खोजती है, और यह देखने के लिए क्लिक करती है कि वे अपने कनेक्शन कहाँ भेजते हैं। जो डेटा रिसर्च टीमों ने इस्तेमाल किया था, वही डेटा उसके लिए भी मुफ़्त में उपलब्ध है।
यह करें
आप FlyWire Codex पर असली डेटा खुद देख सकते हैं। किसी एक न्यूरॉन से शुरुआत करें और उसके इनपुट और आउटपुट देखें।

और देखें और पढ़ें

FlyWire Codex: explore the fly brain connectomeFlyWire · reading

लैब

काल्पनिक सिनेप्स रिकॉर्ड्स का एक pandas विश्लेषण: जोड़े गए कनेक्शन, एक स्ट्रेंथ फ़िल्टर, और एक न्यूरॉन को मिलने वाला सबसे मज़बूत इनपुट।

~20 min

समस्या

यह आपके ब्राउज़र में चलता है। सारा डेटा काल्पनिक है।

  1. स्टार्टर कोड चलाएँ। यह काल्पनिक सिनेप्स रिकॉर्ड्स की एक टेबल दिखाता है। न्यूरॉन्स का एक ही जोड़ा एक से ज़्यादा पंक्तियों (rows) में दिख सकता है।
  2. pairs बनाएँ: प्रत्येक (pre, post) जोड़े के लिए एक पंक्ति, जिसमें synapses की कुल संख्या जोड़ी गई हो। संकेत: groupby और sum।
  3. strong बनाएँ: केवल वे जोड़े जिनमें कम से कम MIN_SYNAPSES सिनेप्सेस हों।
  4. top_input को उस न्यूरॉन के नाम पर सेट करें जो कुल मिलाकर "feed_cmd" को सबसे अधिक सिनेप्सेस भेजता है।
  5. कच्ची पंक्तियों को देखें: किस न्यूरॉन की "feed_cmd" में सबसे बड़ी एकल पंक्ति (single biggest row) है? यह जवाब अलग क्यों है?

प्रैक्टिस लैब

कोड में बदलाव करें और इसे रन करें। Python आपके ब्राउज़र में चलता है — हमारे सर्वर पर कुछ नहीं भेजा जाता।

आउटपुट

कोई आउटपुट नहीं। वैल्यूज़ देखने के लिए print(...) जोड़ें।

आपका काम तब पूरा होगा जब

कठिन सवाल

उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।

Q1बहुत कम थ्रेशोल्ड, जैसे कि 1 सिनेप्स, कनेक्टोम विश्लेषण को कम भरोसेमंद क्यों बना सकता है?दिखाएं

स्वचालित सिनेप्स डिटेक्शन में कुछ गलतियाँ होती हैं, और दो न्यूरॉन्स के बीच पहचाना गया एक अकेला सिनेप्स कोई गलती हो सकता है। 1 के थ्रेशोल्ड के साथ, वे गलतियाँ असली कनेक्शन मान ली जाती हैं और नकली पाथवे बना सकती हैं। एक उच्च थ्रेशोल्ड इस तरह के अधिकांश शोर (noise) को हटा देता है, लेकिन यह कुछ वास्तविक कमज़ोर कनेक्शनों को भी छोड़ सकता है, इसलिए परिणामों को एक से अधिक थ्रेशोल्ड के साथ जाँचना चाहिए।

Q2FlyWire नक्शा एक मादा मक्खी से मिला है। यह अपने दम पर किन सवालों के जवाब नहीं दे सकता?दिखाएं

यह यह नहीं दिखा सकता कि अलग-अलग मक्खियों के दिमाग में, या नर और मादा के बीच कितना अंतर होता है, या उम्र और अनुभव के साथ दिमाग कैसे बदलता है। इसके लिए, वैज्ञानिकों को अधिक जीवों के नक्शों और जीवित मक्खियों पर प्रयोगों की आवश्यकता है। एक सावधानीपूर्वक बनाया गया नक्शा एक संदर्भ (रेफ़रेंस) है, अंतिम शब्द नहीं।

जारी रखने के लिए कृपया साइन इन करें।

अक्सर पूछे जाने वाले सवाल

फ्रूट फ्लाई ही क्यों, चूहा क्यों नहीं?

मक्खी का दिमाग इतना छोटा होता है कि आज के टूल्स से उसका पूरा नक्शा बनाया जा सकता है, फिर भी मक्खी कई जटिल काम करती है। चूहे के दिमाग में बहुत अधिक न्यूरॉन होते हैं, इसलिए उसका पूरा नक्शा बनाना कहीं बड़ा काम है।

क्या सारा काम AI ने किया?

नहीं। पहली ट्रेसिंग का ज़्यादातर काम AI ने किया, जिसे हाथ से करने में इंसानों को बहुत ज़्यादा समय लगता। लेकिन इंसानों ने नतीजों को प्रूफरीड किया और कई गलतियों को सुधारा। नक्शे को दोनों की ज़रूरत थी।

क्या यह नक्शा बिल्कुल सही है?

इस आकार का कोई भी नक्शा पूरी तरह से सही नहीं होता। कुछ छोटी-मोटी गलतियाँ रह जाती हैं, और तस्वीरों में कुछ प्रकार के कनेक्शन देखना मुश्किल होता है। टीम ने डेटा को खुले तौर पर शेयर किया ताकि दूसरे लोग इसकी जाँच कर सकें और इसे बेहतर बना सकें।

क्या मैं स्कूल या कॉलेज प्रोजेक्ट के लिए इस डेटा का उपयोग कर सकता हूँ?

हाँ, डेटा को ऑनलाइन खुले तौर पर देखा जा सकता है। इसका उपयोग कैसे करें और इसका श्रेय कैसे दें, इसके लिए साइट की मौजूदा शर्तें देखें।

पाठ का टेस्ट

5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।

टेस्ट देने और अपनी प्रोग्रेस सेव करने के लिए साइन इन करें