Phenomenological renormalization group in neuronal models near criticality

기술 요약: 임계점 근처의 신경 모델에서의 현상론적 재규격화 그룹(Phenomenological Renormalization Group)

문제 제기
현상론적 재규격화 그룹(PRG)은 신경 데이터에서 척도 불변성(scale-invariant) 현상과 임계 거동을 식별하는 데 있어 중요한 도구가 되었으며, 이는 "임계 뇌 가설(critical brain hypothesis)"을 뒷받침한다. 그러나 PRG 시그니처의 신뢰성을 이해하는 데에는 여전히 상당한 간극이 존재한다. 즉, 시스템이 임계점에 얼마나 가까워야 이러한 시그니처가 나타나는지, 혹은 이것이 데이터 전처리 과정의 결과물(artifact)인지 여부가 불분명하다. 특히, 서로 다른 역학적 단계(아임계, 임계, 초임계)에 걸쳐 PRG 결과가 시간 빈닝(time-binning) 선택에 어떻게 의존하는지에 대한 체계적인 조사가 이루어지지 않았다. 기존의 표준 모델(예: 접촉 과정, 이징 모델)에 대한 적용 연구들은 억제(inhibition)와 같은 핵심적인 생물학적 특징이 결여되어 있어 실제 신경 데이터와의 비교가 제한적이었다.

방법론
저자들은 정확한 임계점이 알려진 두 가지 신경 모델에 PRG를 적용하여 PRG의 견고성을 조사한다. 두 모델 모두 평균장 방향성 퍼콜레이션(mean-field directed percolation, MF-DP) 보편성 클래스에 속한다:

1. 흥분성 셀룰러 오토마타(Excitable Cellular Automaton): 무작위 네트워크 상의 스파이킹 모델로, 제어 파라미터는 분기비($\sigma$)이다.
2. 확률적 적분-발화(Stochastic Integrate-and-Fire, I&F) 네트워크: 흥분성 및 억제성 뉴런을 포함하는 네트워크로, 제어 파라미터는 억제-흥분 결합 비율($g$)이다.

본 연구는 두 가지 PRG 코스 그레이닝(coarse-graining) 접근 방식을 채택한다:

• 모멘텀 공간(Momentum-space): 공분산 행렬의 고유값 스펙트럼을 사용하여 데이터를 점진적으로 더 거친 표현으로 투영한다. 거칠게 처리된 변수($\psi$) 분포의 비가우시안성(non-Gaussianity)은 첨도(Kurtosis, $\kappa$)와 쿨백-라이블러(Kullback-Leibler, KL) 발산(divergence)을 사용하여 측정된다.
• 실제 공간(Real-space): 가장 상관관계가 높은 뉴런들을 반복적으로 쌍으로 묶어 클러스터를 형성하고, 클러스터 내 평균 분산의 스케일링($M^2 \propto C_{size}^\alpha$)을 분석한다.

결정적으로, 저자들은 시간 빈 크기($\Delta t$)를 체계적으로 변화시키며 데이터 기반 적응형 빈닝(data-driven adaptive binning) 전략을 도입한다. 고정된 $\Delta t$를 사용하는 대신, 빈 크기를 평균 인터스파이크 간격($\langle ISI \rangle$)에 비례하도록 설정한다($\Delta t = f \cdot \langle ISI \rangle$). 이는 활성 빈 밀도($\rho_{bin}$)가 역학적 단계 전반에 걸쳐 안정적으로 유지되도록 보장한다. 상관관계를 파괴하기 위해 인터스파이크 간격을 섞어서 생성한 대조군 데이터(surrogate data)가 통제 변수로 사용된다.

주요 결과

1. 타임스케일 불일치가 가짜 시그니처를 생성함: 고정된 시간 빈을 사용할 경우, PRG 방법은 오해의 소지가 있는 결과를 낸다.

   • **아임계 영역(Subcritical regime)**에서 작은 빈은 희소한 데이터(대부분 0)를 생성하여, 거칠게 처리된 분포가 0에 날카롭게 집중되게 만들고, 이는 인위적으로 첨도를 높여 임계 상태를 흉내 낸다.
   • **초임계 영역(Supercritical regime)**에서 큰 빈은 포화 상태(대부분 1)를 유도하며, 이 역시 피크가 있는 분포를 만들어 가짜 스케일링 시그니처를 생성한다.
   • 단일 고정 빈 크기로는 가짜 시그니처를 생성하지 않고 두 단계 모두를 수용할 수 없다.

2. 적응형 빈닝은 진정한 임계성을 드러냄: 적응형 빈닝 전략($\Delta t \propto \langle ISI \rangle$)을 사용함으로써, 저자들은 PRG의 임계성 시그니처(비가우시안 분포 및 비자명한 스케일링 지수)가 임계점의 매우 좁은 근방에서만 나타난다는 것을 입증했다.

   • 거칠게 처리된 분포와 가우시안 분포 사이의 KL 발산은 임계점에서 날카롭게 정점을 찍으며, 아임계 및 초임계 단계에서는 거의 0으로 떨어진다.
   • 실제 공간 스케일링 지수 $\alpha$는 상관관계가 없는 기저선($\alpha=1$)에서 임계점 근처에서만 비자명한 영역($1 < \alpha < 2$)으로 전이된다.
   • 이러한 결과는 안정적인 활성 밀도를 유지하는 한 다양한 스케일링 인자($f$) 범위 내에서 견고하게 나타난다.

3. 모델 검증: 확률적 I&F 모델에 억제를 포함하는 것이 더욱 명확한 임계 시그니처를 제공한다는 점은 생물학적 시스템에 대한 연구의 타당성을 강화한다. 결과는 심한 서브샘플링(제한된 실험적 관측 가능성을 시뮬레이션함) 하에서도 유효하다.

의의 및 주장
본 논문은 데이터 전처리(특히 시간 빈닝)가 올바르게 처리될 경우, PRG 시그니처인 척도 불변성이 임계점에 대한 근접성을 나타내는 신뢰할 수 있는 지표라는 것을 최초로 체계적인 계산적 검증을 통해 제시한다.

• 실험적 해석의 강화: 스케일링 동작이 임계점 주변의 좁은 창에 국한된다는 발견은, 실험적 신경 데이터에 대한 PRG 분석에서 도출된 해석들이 방법론적 오류가 아닌 실제 임계 역학을 반영하고 있음을 시사하며, 이는 실험적 해석을 강화한다.
• 방법론적 교정: 본 연구는 부적절한 시간 빈닝이 가짜 시그니처를 도입할 수 있음을 강조한다. 제안된 적응형 빈닝 절차는 이러한 문제를 우회하여, PRG 결과가 임의적인 $\Delta t$의 선택이 아닌 시스템의 고유한 역학을 반영하도록 하는 실질적인 해결책을 제공한다.
• 범위: 저자들은 PR-G가 강력한 탐사 도구이지만, 그 적용에는 자명한 행동(trivial behavior)과 진정한 임계성을 구분하기 위해 기저 역학의 타임스케일에 대한 세심한 주의가 필요하다고 결론짓는다.