مس میچ نیگیٹیوٹی، جسے مختصراً MMN کہا جاتا ہے، الیکٹرو اینسفالوگرام (EEG) کی ریکارڈنگ سے حاصل کردہ ایک ایونٹ سے متعلقہ ممکنہ جزو ہے۔ بہت سے ابھرے ہوئے پوٹینشلز کے برعکس جن کے لیے فعال توجہ کی ضرورت ہوتی ہے، MMN خود بخود اس وقت ابھرتا ہے جب ایک غیر معمولی "انحراف" آواز بار بار آنے والی "معیاری" آوازوں کے سلسلے کی خلاف ورزی کرتی ہے۔ یہ خودکار خصوصیت اسے خاص طور پر ایک طبی اور تحقیقی آلے کے طور پر قیمتی بناتی ہے، کیونکہ یہ اس الجھن میں ڈالنے والے تغیر کو ختم کرتی ہے کہ آیا مریض ٹیسٹنگ کے دوران تعاون کر رہا ہے یا اپنی توجہ مرکوز رکھ رہا ہے۔
مس میچ نیگیٹیوٹی (Mismatch Negativity) کیا ہے؟
مس میچ نیگیٹیوٹی (MMN) ایک ایونٹ سے متعلقہ پوٹینشل کا جزو ہے جسے الیکٹرو اینسفالوگرام (EEG) کے ذریعے ریکارڈ کیا جاتا ہے جو آواز میں ہونے والی تبدیلیوں کی دماغ کی خودکار، توجہ سے پہلے کی شناخت کی عکاسی کرتا ہے۔ یہ خودکار ردعمل عام طور پر ایک جیسے معیاری ٹونز کا ایک تسلسل پیش کر کے پیدا کیا جاتا ہے، جس کے بعد ایک غیر معمولی 'ڈیوینٹ' (مختلف) ٹون آتی ہے جو فریکوئنسی، دورانیے، یا دیگر صوتی خصوصیات میں مختلف ہوتی ہے۔
دماغ اس انحراف کا پتہ لگاتا ہے، اور ایک منفی وولٹیج پیدا کرتا ہے جو تبدیلی کے تقریباً 100 سے 200 ملی سیکنڈ بعد اپنے عروج پر پہنچتا ہے۔ یہ خصوصیت والی لہر، جو کہ فرنٹل اور سینٹرل اسکیلپ الیکٹروڈز پر سب سے نمایاں طور پر ریکارڈ کی جاتی ہے، مس میچ نیگیٹیوٹی کے بنیادی اشارے کے طور پر کام کرتی ہے۔
دو خصوصیات MMN کو دماغ کے دیگر ردعمل سے ممتاز کرتی ہیں:
پہلا یہ کہ یہ خودکار ہے۔ ایک شخص کتاب پڑھ رہا ہو، خاموش فلم دیکھ رہا ہو، یا آوازوں کو مکمل طور پر نظر انداز کر رہا ہو، تب بھی MMN ظاہر ہوگا۔
دوسرا یہ کہ یہ توجہ سے پہلے کا عمل ہے۔ دماغ توجہ مبذول ہونے سے پہلے ہی مختلف آواز اور معیاری آوازوں کی یادداشت کے درمیان موازنہ کر لیتا ہے۔
یہ خصوصیات MMN کو تبدیلی کا پتہ لگانے کی دماغی بنیادی صلاحیت کا اشاریہ بناتی ہیں، جو کہ اعلیٰ علمی عمل سے آزاد ہے جو کہ مختلف افراد میں خراب یا مختلف ہو سکتی ہے۔
MMN کا مقناطیسی متبادل، جسے میگنیٹو اینسفالوگرافی سے ریکارڈ کیا جاتا ہے اور اسے مختصر طور پر MMNm کہا جاتا ہے، آواز میں تبدیلی کا پتہ لگانے کے اسی بنیادی عمل کی نمائندگی کرتا ہے۔ چونکہ MEG، EEG کے مقابلے میں مختلف مقامی حساسیت پیش کرتا ہے، اس لیے دونوں ریکارڈنگ طریقوں کو یکجا کرنے سے محققین کو دماغ کے مختلف حصوں کے کردار کو الگ کرنے میں مدد ملتی ہے۔ MMNm آڈیٹری کارٹیکس اور آس پاس کے ٹیمپورل لوب کے ڈھانچے میں واقع ہوتا ہے، جس سے یہ تصدیق ہوتی ہے کہ یہ ردعمل اعلیٰ ایسوسی ایٹیو علاقوں کے بجائے حسی پروسیسنگ والے علاقوں سے شروع ہوتا ہے۔
دماغ مس میچ نیگیٹیوٹی کیسے پیدا کرتا ہے
MMN کی پیدائش آڈیٹری کارٹیکس میں پیچیدہ، متحرک نیورونل میکانزم کے ذریعے ہوتی ہے، جسے محققین جدید نیورو کمپیوٹیشنل ماڈلز کے ذریعے فعال طور پر تلاش کر رہے ہیں۔ اگرچہ اس بات پر خلیاتی سطح پر کوئی واحد اتفاق رائے نہیں ہے کہ جب کوئی مختلف آواز اس ردعمل کو متحرک کرتی ہے تو کیا ہوتا ہے، لیکن دو بڑے مفروضوں نے دہائیوں کی سائنسی تحقیق کو شکل دی ہے: موافقت کا مفروضہ (adaptation hypothesis) اور ماڈل ایڈجسٹمنٹ کا مفروضہ (model adjustment hypothesis)۔
موافقت کا مفروضہ یہ بتاتا ہے کہ آڈیٹری کارٹیکس میں نیورون بار بار آنے والی معیاری آوازوں پر بتدریج اپنی فائرنگ کی شرح کو کم کر کے ردعمل دیتے ہیں—ایک ایسا عمل جسے محرک کے لحاظ سے مخصوص موافقت (stimulus-specific adaptation) کہا جاتا ہے۔ جب ایک نایاب مختلف آواز متعارف کرائی جاتی ہے، تو یہ غیر موافقت پذیر نیورونز کی ایک علیحدہ، نئی آبادی کو متحرک کرتی ہے۔ اس نقطہ نظر کے تحت، MMN بنیادی طور پر موافقت پذیر اور غیر موافقت پذیر اعصابی آبادیوں کے درمیان ایک فرق والا ردعمل ہے۔
اس کے برعکس، ماڈل ایڈجسٹمنٹ کا مفروضہ غیر فعال اعصابی تھکن کے بجائے ایک فعال علمی طریقہ کار کی تجویز پیش کرتا ہے۔ یہ فرض کرتا ہے کہ دماغ اپنے سمعی ماحول کا ایک پیش گوئی کرنے والا اندرونی ماڈل مسلسل تیار کرتا ہے۔ جب معیاری آوازیں دہرائی جاتی ہیں، تو وہ اس توقع کو تقویت دیتی ہیں؛ جب کوئی مختلف آواز آتی ہے، تو وہ توقع کی خلاف ورزی کرتی ہے اور دماغ کو اپنی اندرونی نمائندگی کو اپ ڈیٹ کرنے پر مجبور کرتی ہے۔ اس لیے، MMN لہر اس فعال ماڈل کو اپ ڈیٹ کرنے کے عمل کی عکاسی کرتی ہے۔
پریڈیکٹو کوڈنگ فریم ورک اور اسپائیکنگ نیورون ماڈلز
ان متضاد بیانات کو یکجا کرنے کے لیے، محققین تیزی سے پریڈیکٹو کوڈنگ کو ایک متحدہ فریم ورک کے طور پر دیکھ رہے ہیں۔ پریڈیکٹو کوڈنگ دماغ کو ایک فعال پیش گوئی کے انجن کے طور پر دیکھتی ہے جو معلومات پر زیادہ مؤثر طریقے سے کارروائی کرنے کے لیے حسی معلومات کا پہلے سے اندازہ لگاتا ہے۔
آڈیٹری کارٹیکس پیش گوئیاں پیدا کرنے کے لیے پچھلی آوازوں سے شماریاتی باقاعدگی سیکھتا ہے۔ جب آنے والے محرکات ان توقعات پر پورا اترتے ہیں، تو پروسیسنگ آسانی سے آگے بڑھتی ہے؛ جب کوئی آواز مختلف ہوتی ہے، تو کارٹیکل درجہ بندی کے ذریعے پیش گوئی کی خرابی پھیل جاتی ہے۔ نتیجے کے طور پر، MMN ایک پیش گوئی کی خرابی کے سگنل کی الیکٹرو فزیولوجیکل علامت ہے۔
آڈیٹری کارٹیکس کا ایک تفصیلی، حیاتیاتی طور پر قابل فہم اسپائیکنگ نیورون ماڈل اس فریم ورک کی حمایت کرتا ہے۔ یہ ماڈل پرجوش اور روکنے والے نیورونز کو ایک تہہ دار کارٹیکل فن تعمیر میں ترتیب دیتا ہے جس میں الگ الگ فعال پروسیسنگ یونٹس ہوتے ہیں:
ان پٹ یونٹس جو خام حسی ڈیٹا حاصل کرتے ہیں۔
پیش گوئی کرنے والے یونٹس جو ماحول سے سیکھی ہوئی توقعات کی نمائندگی کرتے ہیں۔
پیش گوئی کی خرابی والے یونٹس جو اس وقت سگنل دیتے ہیں جب ان پٹ اور پیش گوئیوں میں تصادم ہوتا ہے۔
این ایم ڈی اے (NMDA) ریسیپٹر ٹرانسمیشن پر منحصر ایکSynaptic لرننگ رول کو شامل کر کے، یہ نیٹ ورک حالیہ آوازوں کے تغیراتی اعداد و شمار کی بنیاد پر متحرک طور پر اپنی پیش گوئیوں کو ایڈجسٹ کرتا ہے۔
یہ کمپیوٹیشنل ماڈل کامیابی کے ساتھ کئی اہم، تجرباتی طور پر مشاہدہ کی گئی MMN خصوصیات کی وضاحت کرتا ہے:
فریکوئنسی پر منحصر اسکیلنگ: MMN کی وسعت (amplitude) متناسب طور پر بڑھتی ہے جتنا کہ مختلف آواز معیاری ٹون سے مختلف ہوتی ہے۔
مقامی پیٹرن کے لیے حساسیت: ماڈل متبادل تسلسل میں غیر متوقع تکرار کے ردعمل کو دوبارہ پیش کرتا ہے (مثال کے طور پر، جب ایک متبادل ABABAB تسلسل اچانک ABABAA میں تبدیل ہو جاتا ہے تو پیش گوئی کی خرابی درج کرتا ہے)، جو عالمی شماریاتی اصولوں کے بجائے مقامی منتقلی کے امکانات پر انحصار کی عکاسی کرتا ہے۔
ترک شدہ آوازوں کے ردعمل: ماڈل پیش گوئی کی خرابی پیدا کرتا ہے یہاں تک کہ جب ایک متوقع آواز کو مکمل طور پر چھوڑ دیا جائے۔
فارماکولوجیکل حساسیت: یہ ماڈل NMDA ریسیپٹر مخالفوں کے لیے انتہائی حساس ہے، جو ان طبی مطالعات کے مطابق ہے جو یہ ظاہر کرتے ہیں کہ ان ریسیپٹرز کو بلاک کرنے سے MMN کی وسعت کم یا ختم ہو جاتی ہے۔
مزید برآں، ایک تکمیلی میگنیٹو اینسفالوگرافی (MEG) تجربے نے ان ماڈل کے دعووں کی توثیق کی، جس سے یہ ظاہر ہوا کہ MMN ردعمل سادہ Synaptic عادت کے بجائے فعال کارٹیکل پیش گوئیوں سے حاصل ہوتا ہے، جو پریڈیکٹو کوڈنگ اکاؤنٹ کے لیے مضبوط تجربی مدد فراہم کرتا ہے۔
جنریٹیو ماڈلز اور آڈیٹری پروسیسنگ میں بایسیئن انفرنس
ایک اور ممتاز نیورو کمپیوٹیشنل ماڈل بایسیئن انفرنس (Bayesian inference) کے تناظر میں آڈیٹری کارٹیکس تک رسائی حاصل کرتا ہے۔ یہ نیورو سائنسی فریم ورک دماغ کو عمومی بایسیئن فلٹرنگ کا استعمال کرتے ہوئے حسی دنیا کی امکانی جنریٹیو نمائندگی کو مسلسل اپ ڈیٹ کرنے کے طور پر ماڈل کرتا ہے۔
اس سسٹم میں، MMN پیش گوئی کی خرابی والے نیورونز کے ذریعے پیدا ہونے والی اجتماعی برقی سرگرمی کی نمائندگی کرتا ہے کیونکہ وہ درجہ بندی کی حرکیات کی پوشیدہ حالتوں پر استنباط کرتے ہیں۔ یہ بایسیئن نقطہ نظر انتہائی حقیقت پسندانہ MMN لہریں پیدا کرتا ہے جو تجرباتی ڈیٹا کی عکاسی کرتی ہیں، درست طریقے سے یہ ظاہر کرتی ہیں کہ کس طرح انحراف کا امکان اور شدت ردعمل کو تشکیل دیتی ہے:
جیسے ہی ایک مختلف آواز کا امکان بڑھ جاتا ہے، توقع کی خلاف ورزی کم ہو جاتی ہے، جس سے MMN کی وسعت کم ہو جاتی ہے۔
جیسے جیسے مختلف آواز معیار سے صوتی طور پر کم الگ ہوتی جاتی ہے، MMN ردعمل کی تاخیر (latency) بڑھ جاتی ہے جبکہ اس کی وسعت گر جاتی ہے۔
مجموعی طور پر، دونوں پریڈیکٹو کوڈنگ اور بایسیئن ماڈل ایک ہی بنیادی سچائی پر متفق ہیں: MMN ایک ایسے دماغ کا برقی دستخط ہے جو اپنے سمعی ماحول کی فعال طور پر پیش گوئی کرتا ہے اور اس وقت سگنل دیتا ہے جب حسی حقیقت اندرونی توقعات سے متصادم ہوتی ہے۔
مفروضہ | میکانزم | بنیادی نظریہ |
|---|---|---|
موافقت (Adaptation) | بار بار کی آوازوں سے نیورونز تھک جاتے ہیں | موافقت پذیر آبادیوں کے درمیان امتیازی ردعمل |
ماڈل ایڈجسٹمنٹ | دماغ فعال طور پر اندرونی ماڈل کو اپ ڈیٹ کرتا ہے | MMN توقع کی خلاف ورزی کی عکاسی کرتا ہے |
پیش گوئی کرنے والی کوڈنگ | دماغ آنے والی حسی ان پٹ کی پیش گوئی کرتا ہے | MMN پیش گوئی کی خرابی کا اشارہ دیتا ہے |
شیزوفرینیا میں بائیو مارکر کے طور پر MMN
1990 کی دہائی کے اوائل سے، مطالعات نے صحت مند افراد کے مقابلے میں شیزوفرینیا کے مریضوں میں MMN کی کم وسعت کو دستاویز کیا ہے۔ یہ کمی مضبوط اور منظم معلوم ہوتی ہے، جو تجربہ گاہوں، ریکارڈنگ پروٹوکول اور مریضوں کی آبادیوں میں ظاہر ہوتی ہے۔
ایک روایتی آڈیٹری اوڈ بال پیراڈائم شیزوفرینیا کے مریضوں میں دورانیے کے انحراف اور فریکوئنسی کے انحراف دونوں MMN میں اہم خسارے کو ظاہر کرتا ہے۔ یہ خرابی اتنی قابل اعتماد ہے کہ MMN کو وسیع پیمانے پر ایک طبی بائیو مارکر کے طور پر تجویز کیا گیا ہے—جو بیماری کے بڑھنے کی پیمائش کرنے اور علاج کی افادیت کو جانچنے کے قابل ایک معروضی، فزیولوجیکل پیمانہ ہے۔
مختلف صوتی انحراف پیتھالوجی کے الگ الگ پہلوؤں کا پتہ لگاتے ہیں:
فریکوئنسی-ڈیوینٹ MMN: بیماری کے بڑھنے کے ساتھ ہی اس کی وسعت میں کمی بگڑتی جاتی ہے، جو بیماری کے دورانیے اور علمی اور فعال زوال سے گہرا تعلق رکھتی ہے۔ یہ فریکوئنسی-ڈیوینٹ MMN کو بیماری کے بڑھنے کا ایک قیمتی مارکر بناتا ہے۔
دورانیہ-ڈیوینٹ MMN: اس علاقے میں خسارہ ایک مختلف راستے پر چلتا ہے اور جینیاتی کمزوری سے زیادہ مضبوطی سے جڑا ہوا ہے، جو کہ ایک خصلت کے مارکر کے طور پر کام کرتا ہے جو وقت کے ساتھ نسبتاً مستحکم رہتا ہے۔
اضافی طور پر، MMN میں حصہ ڈالنے والے الگ اعصابی جنریٹرز شیزوفرینیا میں مختلف طور پر متاثر ہوتے ہیں:
ٹیمپورل لوب جنریٹرز: یہاں کے نقائص بنیادی سمعی ادراک اور امتیاز میں کمی سے منسلک ہیں، جو سمعی وہم جیسی مثبت علامات میں حصہ ڈال سکتے ہیں۔
فرنٹل لوب جنریٹرز: فرنٹل کارٹیکس میں کم سرگرمی توجہ کی تبدیلی میں رکاوٹ سے جڑی ہوئی ہے، جو سماجی علیحدگی اور فلیٹ اثر جیسی منفی علامات کے ساتھ تعلق رکھتی ہے۔
شیزوفرینیا میں نیورونل موافقت بمقابلہ انحراف کا پتہ لگانا
ایک اہم سوال یہ ہے کہ کیا شیزوفرینیا میں MMN کا خسارہ حسی موافقت کی ناکامی سے پیدا ہوتا ہے یا فعال انحراف کی شناخت کی ناکامی سے۔ ایک معیاری اوڈ بال پیراڈائم میں، یہ دونوں عمل الجھ جاتے ہیں کیونکہ مختلف ٹون پر دماغ کا ردعمل دونوں پر منحصر ہوتا ہے کہ یہ بار بار آنے والے معیار کے ساتھ کیسے مطابقت رکھتا ہے اور یہ نئی تبدیلی کا پتہ کیسے لگاتا ہے۔
ان میکانزم کو الگ کرنے کے لیے، کوشیاما اور دیگر نے کثیر معیاراتی کنٹرول پیراڈائم (many-standards control paradigm) کا استعمال کیا۔ اس ڈیزائن میں، مختلف فریکوئنسیوں کے متعدد ٹونز یکساں امکان کے ساتھ پیش کیے جاتے ہیں تاکہ کوئی ایک ٹون اتنی بار نہ دہرایا جائے کہ موافقت شروع ہو سکے۔ اس کے بعد مختلف ٹون کا موازنہ اس متنوع پس منظر سے کیا جاتا ہے، جس سے انحراف کی شناخت کو موافقت کے اثرات سے الگ کیا جاتا ہے۔
جب شیزوفرینیا کے مریضوں کا دونوں نمونوں کا استعمال کرتے ہوئے جائزہ لیا گیا، تو نتائج نے انحراف کی شناخت میں ایک انتخابی خرابی کو ظاہر کیا۔ اگرچہ بار بار آنے والے ٹونز کے لیے ان کی اعصابی موافقت مکمل طور پر برقرار رہی، لیکن صوتی تبدیلیوں کا پتہ لگانے اور تبدیل شدہ ماحول کے جواب میں پیش گوئی کی خرابی پیدا کرنے کی ان کی صلاحیت نمایاں طور پر متاثر ہوئی۔
مس میچ نیگیٹیوٹی پیدا کرنے کے لیے بہترین طریقہ کار کے طریقے
ایک صاف، قابل فہم MMN کو ریکارڈ کرنے کا بنیادی اصول ایک سمعی باقاعدگی (ایک بار بار آنے والی معیاری آواز) کو پیش کرنا ہے اور کبھی کبھار ایک غیر معمولی مختلف آواز کے ساتھ اس باقاعدگی کی خلاف ورزی کرنا ہے۔ یہ خلاف ورزی کس طرح تیار کی جاتی ہے یہ طے کرتا ہے کہ اعصابی پروسیسنگ کے کس پہلو کا جائزہ لیا جا سکتا ہے۔
1. بنیادی اصول: معیاری اوڈ بال پیراڈائم
معیاری اوڈ بال پیراڈائم تین اہم محرک پیرامیٹرز پر انحصار کرتا ہے جو منظم طریقے سے پیدا ہونے والے MMN ردعمل کو شکل دیتے ہیں:
انحراف کی قسم: انحراف مختلف صوتی جہتوں، جیسے فریکوئنسی یا دورانیے میں معیارات سے مختلف ہو سکتے ہیں۔ طبی تحقیق میں فریکوئنسی اور دورانیے دونوں کے انحراف کو شامل کرنا اکثر ضروری ہوتا ہے کیونکہ وہ اعصابی پیتھالوجی اور بیماری کے بڑھنے کے مختلف پہلوؤں کی عکاسی کرتے ہیں۔
انحراف کا امکان: کم امکان والے انحراف زیادہ MMN وسعت پیدا کرتے ہیں کیونکہ وہ ماحولیاتی باقاعدگی میں ایک زیادہ غیر متوقع وقفے کی نمائندگی کرتے ہیں۔
انحراف کی مقدار: معیاری اور مختلف آوازوں کے درمیان زیادہ صوتی فرق زیادہ MMN وسعت اور کم ردعمل کی تاخیر کا سبب بنتا ہے۔
2. امتیازی عمل: اوڈ بال بمقابلہ مینی اسٹینڈرڈز پیراڈائم
ایک واحد معیاری اوڈ بال پیراڈائم فطری طور پر دو الگ الگ اعصابی عمل کو الجھا دیتا ہے: بار بار آنے والے معیار کے لیے غیر فعال موافقت اور مختلف کی فعال شناخت۔
انحراف کی شناخت کو الگ کرنے کے لیے، محققین مینی اسٹینڈرڈز پیراڈائم کا استعمال کرتے ہیں۔ یکساں امکانات پر ٹون فریکوئنسیوں کی ایک وسیع اقسام پیش کرنے سے، موافقت کو پورے محرک سیٹ پر یکساں طور پر تقسیم کیا جاتا ہے۔
ایک ہی تجربے میں اوڈ بال اور مینی اسٹینڈرڈز پیراڈائمز کا موازنہ کرنے سے محققین کو یہ تعین کرنے میں مدد ملتی ہے کہ آیا MMN کی اسامانیتا خراب موافقت، خراب انحراف کی شناخت، یا دونوں کے امتزاج سے پیدا ہوتی ہے۔
3. فعال پیش گوئی کی جانچ: معیاری اوڈ بال سے آگے
پریڈیکٹو کوڈنگ اکاؤنٹس کا جائزہ لینے کے لیے ایسے ڈیزائنز کی ضرورت ہوتی ہے جو سادہ جسمانی خصوصیت کی تبدیلیوں سے آگے جائیں:
پیٹرن کی خلاف ورزیاں: دہرائے جانے والے پیٹرن (مثال کے طور پر، ABABAB) کو پیش کرنا متبادل کی پیش گوئی قائم کرتا ہے۔ ایک غیر متوقع تکرار (مثال کے طور پر، ABABAA) ایک MMN کو متحرک کرتی ہے، جو پیچیدہ ساختی قوانین کی شناخت کو ظاہر کرتی ہے۔
اومیژن پیراڈائمز: جب ایک تال والے سلسلے میں کسی متوقع آواز کو مکمل طور پر چھوڑ دیا جاتا ہے، تب بھی دماغ پیش گوئی کی خرابی کا سگنل پیدا کرتا ہے، جو اس بات کو ثابت کرتا ہے کہ MMN محض حسی عادت کے بجائے فعال توقع کی عکاسی کرتا ہے۔
4. سورس لوکلائزیشن: EEG بمقابلہ MEG
اگرچہ معیاری EEG مضبوط سطح کی ریکارڈنگ فراہم کرتا ہے، MMN کے مخصوص اعصابی جنریٹرز کی نشاندہی کرنے کے لیے اکثر MEG کی ضرورت ہوتی ہے۔ MEG مقناطیسی متبادل (MMNm) کو ریکارڈ کرتا ہے اور ٹیمپورل لوب جنریٹرز (حسی امتیاز) اور فرنٹل لوب جنریٹرز (توجہ کی تبدیلی) کے کردار کو الگ کرنے کے لیے بہترین مقامی ریزولوشن پیش کرتا ہے۔
نتیجہ
مس میچ نیگیٹیوٹی آواز میں تبدیلی کے لیے دماغ کا ایک خودکار، توجہ سے پہلے کا ردعمل ہے۔ یہ اس وقت ظاہر ہوتا ہے جب کوئی آواز پچھلے محرکات کے ذریعے قائم کردہ باقاعدگی کی خلاف ورزی کرتی ہے، جو حسی یادداشت اور ادراک کی درستگی کے لیے دماغ کی صلاحیت کا اشاریہ بنتی ہے۔ دہائیوں کی تحقیق نے اسے اچھی طرح سے خصوصیات والی خصوصیات کے ساتھ ایک قابل اعتماد الیکٹرو فزیولوجیکل واقعہ کے طور پر قائم کیا ہے۔
MMN کے تحت اعصابی میکانزم کی وضاحت کے لیے دو بڑے مفروضے مدمقابل رہے ہیں۔ موافقت کا مفروضہ اسے الگ اعصابی تھکن سے منسوب کرتا ہے، جبکہ ماڈل ایڈجسٹمنٹ کا مفروضہ اندرونی نمائندگیوں کو فعال طور پر اپ ڈیٹ کرنے کا دعویٰ کرتا ہے۔ پریڈیکٹو کوڈنگ ایک ایسے متحد فریم ورک کے طور پر ابھری ہے جو تجربی خصوصیات کی ایک وسیع رینج کی وضاحت کرتی ہے۔ پریڈیکٹو کوڈنگ کے اصولوں پر بنائے گئے تفصیلی کمپیوٹیشنل ماڈلز MMN کی انحراف کے امکان، انحراف کی شدت، غیر متوقع تکرار، آواز کے ترک کیے جانے، اور NMDA ریسیپٹر کے مخالفوں کے لیے حساسیت کو دوبارہ پیش کرتے ہیں۔ MEG کے تجربات بھی اس بنیادی دعوے کی تائید کرتے ہیں کہ MMN غیر فعال عادت کے بجائے فعال کارٹیکل پیش گوئی کی عکاسی کرتا ہے۔
شیزوفرینیا میں، کم MMN وسعت ایک مضبوط اور منظم دریافت ہے۔ فریکوئنسی-ڈیوینٹ MMN بیماری کے بڑھنے اور علمی زوال کا پتہ لگاتا ہے، جبکہ دورانیہ-ڈیوینٹ MMN جینیاتی خطرے کی نشاندہی کر سکتا ہے۔ یہ خسارہ خاص طور پر انحراف کی شناخت کے لیے مخصوص لگتا ہے، جبکہ اعصابی موافقت برقرار رہتی ہے۔ اس خصوصیت کا مقصد علاج کی ترقی کے لیے ایک واضح ہدف کی نشاندہی کرنا ہے، اور MMN کی کراس اسپیشیز ترجمہ کی صلاحیت کا مقصد اسے طبی علاج کی جانچ کے لیے ایک عملی بائیو مارکر بنانا ہے۔
بامعنی MMN ڈیٹا کو ریکارڈ کرنے کے لیے محتاط طریقہ کار کی ضرورت ہوتی ہے۔ انحراف کی قسم، امکان، اور شدت کو ان کمپیوٹیشنل اصولوں کے حوالے سے دانستہ طور پر منتخب کیا جانا چاہیے جو ردعمل کو کنٹرول کرتے ہیں۔ مینی اسٹینڈرڈز پیراڈائم کو روایتی اوڈ بال کے ساتھ ہونا چاہیے جب موافقت کو انحراف کی شناخت سے الگ کرنا ضروری ہو۔ غیر متوقع تکرار یا آواز کو چھوڑنے کا استعمال کرتے ہوئے غیر روایتی ڈیزائن پریڈیکٹو کوڈنگ فریم ورک کی مخصوص پیش گوئیوں کی جانچ کر سکتے ہیں۔ جب سورس لوکلائزیشن اہمیت رکھتی ہے، تو MMNm کی MEG ریکارڈنگ EEG کی تکمیل کرتی ہے۔ یہ طریقہ کار کے تحفظات اس بات کو یقینی بناتے ہیں کہ MMN بنیادی نیورو سائنس اور طبی ترجمہ دونوں کے لیے ایک درست آلے کے طور پر کام کرتا رہے۔
حوالہ جات
گیریڈو، ایم آئی، کلنر، جے ایم، اسٹیفن، کے ای، اور فرسٹن، کے جے (2009)۔ مس میچ نیگیٹیوٹی: بنیادی طریقہ کار کا جائزہ۔ کلینیکل نیوروفزیالوجی، 120(3)، 453-463۔ https://doi.org/10.1016/j.clinph.2008.11.029
واکونگنے، سی، چینجکس، جے پی، اور ڈیہینے، ایس (2012)۔ پریڈیکٹو کوڈنگ کا ایک اعصابی ماڈل جو مس میچ نیگیٹیوٹی کی وضاحت کرتا ہے۔ دی جرنل آف نیورو سائنس، 32(11)، 3665-3678۔ https://doi.org/10.1523/JNEUROSCI.5003-11.2012
لیڈر، ایف، اسٹیفن، کے ای، ڈونیزو، جے، گیریڈو، ایم آئی، اور فرسٹن، کے جے (2013)۔ مس میچ نیگیٹیوٹی کا ایک نیورو کمپیوٹیشنل ماڈل۔ PLoS کمپیوٹیشنل بائیولوجی، 9(11)، e1003288۔ https://doi.org/10.1371/journal.pcbi.1003288
ناٹانین، آر، اور کاہکونین، ایس (2009)۔ شیزوفرینیا میں مرکزی آڈیٹری کمزوری جیسا کہ مس میچ نیگیٹیوٹی (MMN) اور اس کے مقناطیسی مساوی MMNm سے ظاہر ہوتا ہے: ایک جائزہ۔ انٹرنیشنل جرنل آف نیورو سائیکو فارماکولوجی، 12(1)، 125-135۔ https://doi.org/10.1017/S1461145708009322
کوشیاما، ڈی، کیریہارا، کے، ٹاڈا، ایم، ناگائی، ٹی، فوجی اوکا، ایم، یو سوئی، کے، ... اور کسائی، کے (2020)۔ کم آڈیٹری مس میچ نیگیٹیوٹی شیزوفرینیا میں خراب انحراف کی شناخت کی عکاسی کرتی ہے۔ شیزوفرینیا بلیٹن، 46(4)، 937-946۔ https://doi.org/10.1093/schbul/sbaa006
اکثر پوچھے گئے سوالات
مس میچ نیگیٹیوٹی (MMN) کیا ہے؟
مس میچ نیگیٹیوٹی، یا MMN، دماغ کا ایک برقی سگنل ہے جسے EEG کے ساتھ ریکارڈ کیا جاتا ہے جو اس وقت ہوتا ہے جب کوئی غیر معمولی "مختلف" آواز بار بار آنے والی "معیاری" آوازوں کے پیٹرن کو توڑتی ہے۔ یہ دماغ کی خودکار طور پر تبدیلی کا پتہ لگانے کی صلاحیت کی عکاسی کرتا ہے اور یہ تب بھی پیدا ہوتا ہے جب کوئی شخص آوازوں پر توجہ نہیں دے رہا ہوتا۔
MMN کو خودکار اور توجہ سے پہلے کا عمل کیوں سمجھا جاتا ہے؟
MMN خودکار ہے کیونکہ یہ تب بھی ظاہر ہوتا ہے جب کوئی شخص پڑھ رہا ہو، فلم دیکھ رہا ہو، یا آوازوں کو نظر انداز کر رہا ہو۔ یہ توجہ سے پہلے کا عمل ہے کیونکہ دماغ ہوش و حواس میں توجہ مبذول کرنے سے پہلے ہی مختلف آواز کا معیاری آوازوں کی یادداشت سے موازنہ کر لیتا ہے۔
دماغ MMN کیسے پیدا کرتا ہے اس کے دو اہم مفروضے کیا ہیں؟
موافقت کا مفروضہ یہ تجویز کرتا ہے کہ بار بار آنے والی معیاری آوازیں نیورونز کی فائرنگ کی شرح کو کم کرتی ہیں، اس لیے ایک نایاب مختلف آواز "تازہ" نیورونز کو متحرک کرتی ہے جو بڑا ردعمل پیدا کرتے ہیں۔ ماڈل ایڈجسٹمنٹ کا مفروضہ یہ تجویز کرتا ہے کہ دماغ فعال طور پر سمعی ماحول کا ایک اندرونی ماڈل بناتا ہے، اور MMN اس ماڈل کو اپ ڈیٹ کرنے کے عمل کی عکاسی کرتا ہے جب کوئی مختلف آواز توقعات کے برعکس آتی ہے۔
پریڈیکٹو کوڈنگ MMN کی وضاحت کیسے کرتی ہے؟
پریڈیکٹو کوڈنگ ایک ایسا متحد فریم ورک ہے جو دماغ کو سیکھی ہوئی باقاعدگیوں کی بنیاد پر آنے والی آوازوں کی فعال طور پر پیش گوئی کرنے والے کے طور پر دیکھتا ہے۔ جب اصل ان پٹ پیش گوئی سے مختلف ہوتا ہے، تو پیش گوئی کی خرابی کا سگنل پیدا ہوتا ہے، اور MMN کو اس پیش گوئی کی خرابی کے الیکٹرو فزیولوجیکل مظہر کے طور پر سمجھا جاتا ہے۔
مینی اسٹینڈرڈز پیراڈائم کیا ہے اور اسے کیوں استعمال کیا جاتا ہے؟
مینی اسٹینڈرڈز پیراڈائم برابر امکان کے ساتھ بہت سے مختلف ٹونز پیش کرتا ہے تاکہ کوئی ایک ٹون اعصابی موافقت کا سبب بننے کے لیے کافی حد تک نہ دہرایا جائے۔ یہ محققین کو انحراف کی شناخت کو موافقت کے اثرات سے الگ کرنے کی اجازت دیتا ہے، جو ایک روایتی اوڈ بال پیراڈائم میں الجھے ہوئے ہوتے ہیں۔
MMNm کیا ہے اور یہ MMN سے کیسے مختلف ہے؟
MMNm، MMN کا مقناطیسی متبادل ہے، جسے EEG کے بجائے میگنیٹو اینسفالوگرافی (MEG) سے ریکارڈ کیا جاتا ہے۔ یہ دماغ کے مختلف حصوں، جیسے ٹیمپورل لوب اور فرنٹل لوب جنریٹرز سے ہونے والے اثرات کو الگ کرنے کے لیے بہتر مقامی ریزولوشن پیش کرتا ہے۔
MMN تجربہ ڈیزائن کرتے وقت کن عوامل پر غور کیا جانا چاہیے؟
محققین کو دانستہ طور پر انحراف کی قسم، احتمال اور شدت کا انتخاب کرنا چاہیے کیونکہ یہ پیرامیٹرز منظم طریقے سے MMN ردعمل کو شکل دیتے ہیں۔ کم احتمال اور زیادہ شدت والے انحراف زیادہ وسعت پیدا کرتے ہیں، اور طبی مطالعہ کے لیے فریکوئنسی اور دورانیے دونوں کا انحراف ضروری ہے۔ مینی اسٹینڈرڈز پیراڈائم کو روایتی اوڈ بال کے ساتھ ہونا چاہیے جب موافقت کو انحراف کی شناخت سے الگ کرنا ضروری ہو۔
Emotiv ایک نیوروٹیکنالوجی لیڈر ہے جو قابلِ رسائی EEG اور دماغی ڈیٹا ٹولز کے ذریعے نیورو سائنس کی تحقیق کو آگے بڑھانے میں مدد کرتا ہے۔
طبی دستبرداری: اس ویب سائٹ پر فراہم کردہ معلومات صرف تعلیمی اور معلوماتی مقاصد کے لیے ہیں اور یہ کسی طبی یا صحت کی مشورے کے طور پر نہیں ہیں۔ اس مواد میں غلطیاں ہو سکتی ہیں اور زندگی کو تبدیل کرنے والے صحت، طبی، یا طرز زندگی کے فیصلے کرنے کے لیے اس پر انحصار نہیں کیا جانا چاہیے۔ طبی حالت یا علاج کے بارے میں آپ کے کسی بھی سوال کے لیے ہمیشہ اپنے معالج یا دیگر اہل صحت فراہم کنندہ سے مشورہ کریں۔
کرسچن برکوس
