🧬 biology

Entropy measures as indicators of connectivity paths in the human brain

이 논문은 모델 프리(model-free) 정보 이론적 엔트로피 측도를 활용하여 과업 기반 fMRI 데이터를 분석함으로써, 사전 가정에 의존하지 않고 다양한 인지 과업 중 뇌 영역 간의 선형 및 비선형 연결 경로를 모두 탐지할 수 있게 한다.

원저자: Ania Mesa-Rodríguez, Ernesto Estevez-Rams, Holger Kantz

게시일 2026-07-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ania Mesa-Rodríguez, Ernesto Estevez-Rams, Holger Kantz

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신의 뇌가 단순히 전선들이 얽힌 정적인 지도가 아니라, 당신이 무엇을 하든 그 리듬에 맞춰 수백만 명의 작은 전령들이 끊임없이 외치고, 속삭이고, 춤을 추는 북적이는 도시라고 상상해 보십시오. 수년 동안 과학자들은 이 도시의 어느 부분이 "작동"하고 있고 어느 부분이 그저 쉬고 있는지를 알아내기 위해 노력해 왔습니다. 그들은 대개 도시의 교통 흐름이 직선적이고 예측 가능한 경로로 흐른다고 가정하는 도구들을 사용해 왔습니다. 하지만 만약 뇌가 직선형 도구들이 놓쳐버리는 거칠고 비선형적인 스윙을 즉흥적으로 연주하는 재즈 밴드와 같다면 어떨까요?

이것이 바로 막스 플랑크 연구소와 쿠바 대학교의 연구진이 조사하기로 결정한 내용입니다. 그들은 경직된 규칙 책이나 미리 만들어진 모델을 사용하지 않았습니다. 대신, 그들은 정보 이론에 기반한 새로운 종류의 "복잡성 탐지기"를 구축하여 손가락 움직이기, 기억하기, 감정 인식하기, 그리고 이야기 듣기 또는 수학 문제 풀기와 같은 네 가지 서로 다른 활동 중에 발생하는 뇌의 수다를 경청했습니다.

"재즈 대 악보"의 발견

연구진은 뇌의 신호를 길고 무질서한 노래처럼 취급했습니다. 그들은 뇌의 모든 구역(또는 영역)에 대해 두 가지 간단한 질문을 던졌습니다:

이 노래는 얼마나 예측 불가능한가? (엔트로피 밀도). 이것은 혼란스러운 드럼 솔로인가, 아니면 지루하고 반복적인 비프음인가?
이 노래의 얼마나 많은 부분이 스스로를 반복하고 있는가? (유효 측정 복잡도). 이 소음 속에 패턴, 기억, 혹은 구조가 존재하는가?

그들은 모든 뇌 영역을 거대한 그래프 위에 배치했습니다. "지루한" 영역들(그저 쉬고 있는 영역들)은 무작위성은 높고 패턴은 낮았습니다. 하지만 "작동 중인" 영역들은 어떠했을까요? 그들은 덜 무작위적이고 더 패턴화된 모습을 보였습니다. 마치 뇌의 한 영역이 일을 시작하면, 격렬하게 즉흥 연주를 멈추고 특정한 구조를 가진 곡을 연주하기 시작하는 것과 같았습니다.

이 방법은 운동 과제(손가락 두드리기)를 수행할 때 운동 및 감각 영역이 매우 구조화된다는 것을 발견했습니다. 감정 과제(화나거나 두려운 얼굴 보기)를 수행할 때는 얼굴을 인식하는 시각 영역이 구조화된 신호를 보냈습니다. 언어 과제(이야기 듣기와 수학 문제 풀기)를 수행할 때는 청각 및 수학 처리 영역이 무대의 주인공이 되었습니다.

그들이 배제한 것들

여기서 중요한 점은, 저자들이 뇌가 직선적으로 작동한다고 가정하거나, 뇌가 무엇을 해야 하는지에 대한 사전 설정된 스케줄(설계 행렬)이 필요하다는 생각에 명시적으로 반대한다는 것입니다.

그랜저 인과관계(Granger causality)나 단순 상관관계와 같은 많은 기존 방식은 만약 영역 A가 영역 B에게 말을 건다면, 그것이 직선적이고 예측 가능한 선을 따라 일어난다고 가정합니다. 논문은 뇌에 있어 이것이 틀렸다고 주장합니다. 그들은 자신들의 방법이 선형성을 가정하지 않고도 작동함을 보여줍니다. 또한 그들은 두 영역이 어떻게 연결되어 있는지 측정하기 위해 신호가 정확히 언제 발생하는지 알 필요가 없다는 점을 입증했습니다. 그들의 방법은 한 영역이 다른 영역보다 시간이 약간 앞서거나 뒤처지는지 여부와 관계없이, 두 영역이 얼마나 동일한 "패턴"을 공유하는지를 측정합니다.

"중추(Backbone)"와 "전문가들"

연구진은 단일 영역만을 관찰한 것이 아니라, 영역들이 서로 어떻게 대화하는지를 살펴보았습니다. 그들은 두 영역의 "노래"가 얼마나 유사한지를 보기 위해 "거리" 측정 방식(렘펠-지브 거리)을 사용했습니다.

그들은 매혹적인 구조를 발견했습니다:

전문가들: 과제가 진행될 때, 활성화된 영역들(예: 감정 과제 중의 얼굴 인식 영역)은 함께 뭉칩니다. 이들은 그들이 하는 일에 따라 긴밀한 그룹을 형성합니다.
중추: 특정 과제를 수행하고 있지 않은 영역들은 어떻게 될까요? 그들은 단순히 조용해지는 것이 아닙니다. 그들은 모든 과제에 걸쳐 동일하게 유지되는 거대하고 밀접하게 연결된 "중추"를 형성합니다. 이것은 도시의 배경 소음과 같습니다. 활성화된 영역들은 이 소음으로부터 떨어져 나와 자신의 특정 업무를 수행하는 특수 임무 부대와 같으며, 배경 소음과는 매우 다른 독특한 패턴을 만들어냅니다.

얼마나 확신하는가?

저자들은 자신들의 측정값에 대해 상당히 확신하고 있지만, 지나친 과장을 경계하며 신중을 기하고 있습니다.

그들은 측정했습니다: 그들은 Human Connectome Project의 데이터를 사용하여 153명의 피험자를 분석했습니다.
그들은 검증했습니다: 그들은 세 가지 주요 방법(Cole-Anticevic 네트워크, Neurosynth 메타 분석, 표준 GLM 모델)과 결과를 대조했습니다.
- 그들은 자신들의 방법이 다른 방법들과 "큰 그림"(예: 시각적 과제 시 시각 네트워크가 활성화됨)에서 일치함을 확인했습니다.
- 그러나 그들은 자신들의 방법이 표준 모델보다 활성 영역에서 더 많은 구조를 찾아냈다는 점에 주목했습니다. 예를 들어, 언어 과제에서 표준 모델은 일부 영역이 기저선보다 커지지 않았기 때문에 "비활성" 상태라고 말했지만, 엔트로피 방법은 그 영역들의 내부 패턴이 더 복잡해졌기 때문에 매우 활발하다고 보았습니다.
그들은 제안합니다: 그들은 이러한 "모델 프리(model-free)" 접근 방식이 데이터를 특정 틀에 가두지 않기 때문에 뇌를 탐구하는 데 더 낫다고 제안합니다. 그들은 의식의 미스터리를 해결했다고 주장하는 것이 아니라, 규칙을 먼저 추측할 필요 없이 뇌가 스스로를 어떻게 조직하는지 볼 수 있는 견고하고 새로운 방법을 찾았다고 주장합니다.

"놀라운" 발견들

기존의 가설에 의존하지 않았기 때문에, 그들은 보통 무시되는 영역들을 발견할 수 있었습니다. 예를 들어, 언어 과제(수학 문제가 포함되었기 때문에) 동안 수학적 인지와 관련된 영역에서 강한 활동을 관찰했습니다. 표준 모델이 만약 "이야기" 처리만을 보고 있었다면 이를 놓쳤을 수도 있습니다. 또한 휴지기(눈을 뜨고 그냥 앉아 있는 상태) 동안에는 뇌의 좌우가 놀라울 정도로 비대칭적이었던 반면, 과제를 수행하는 동안에는 매우 대칭적이고 조화로운 상태가 되었습니다.

결론

이 논문은 뇌 질환을 치료하는 마법의 지팡이를 제시하는 것이 아닙니다. 대신, 새로운 안경을 제공합니다. 이 안경은 뇌를 단순한 기계라고 가정하지 않고, 복잡한 패턴 생성 시스템이라고 가정합니다. 뇌의 소음이 단순히 얼마나 "커지는가"가 아니라 얼마나 "구조적인가"를 측정함으로써, 연구진은 뇌의 숨겨진 구조, 즉 특정한 과제에 특화된 클러스터를 지원하는 유연한 배경 활동의 중추를 볼 수 있습니다. 이것은 뇌의 재즈를 들으면서 억지로 악보를 연주하도록 강요하지 않는 방법입니다.

기술 요약: 인간 뇌의 연결 경로 지표로서의 엔트로피 측정법

문제 제기
뇌의 위상학적 및 기능적 복잡성은 미세한 신경 단위에서 거시적 네트워크에 이르기까지 다양한 척도에 걸쳐 작동한다. fMRI와 같은 기법은 대규모 기능적 특수화에 대한 통찰을 제공하지만, 이러한 신호를 분석하는 데는 상당한 어려움이 따른다. 직접적인 뇌 영역 간 상호작용을 추론하기 위한 기존 방법들은 탐색적 연구를 제한하는 강력한 가정들에 의존하는 경우가 많다. 인과 모델은 종종 구체적인 사전 지식을 요구하며, 그랜저 인과성(Granger causality) 및 관련 주파수 영역 측정치(예: DTF, PDC)는 선형성과 정상성을 가정하므로 즉각적이거나 비선형적인 효과를 감지하지 못한다. 상관관계 기반 접근법은 선형적 연관성만을 포착하며 간접적인 연결에 의해 혼란을 겪고, 그래프 이론이나 커뮤니티 탐지 방법은 임계값 선택과 알고리즘 선택에 매우 민감하다.

데이터 분석 접근법이 사전 설정된 파라미터, 생성 모델, 또는 네트워크에 대한 올바른 사전 지식 없이도 인지 상태를 특징짓고 기능적 연결을 복구할 수 있는 능력이 부족하다. 특히, 선형 응답을 가정하지 않으면서 비선형성을 단순히 섭동(perturbation)으로 취급하지 않고, fMRI 데이터에 내재된 혈류역학적 반응 함수(HRF) 지연에 대해 강건성을 유지할 수 있는 방법이 필요하다.

방법론
저자들은 fMRI 시계열에 적용된 정보 이론 변수에 기반한 분석 프레임워크를 제안한다. 본 연구는 휴지기(resting state), 운동(motor), 작업 기억(working memory), 감정 인식(emotion recognition), 언어(language) 과제를 포함하는 다섯 가지 조건을 다루는 Human Connectome Project(HCP)의 과업 기반 fMRI 데이터를 활용한다. 뇌는 Glasser 아틀라스를 사용하여 360개의 피질 관심 영역(ROI)으로 분할된다.

분석 파이프라인은 다음과 같이 진행된다:

이산화(Discretization): 연속적인 BOLD 신호는 평균값을 임계값으로 사용하여 이진화된다. 이는 기저선(baseline) 위와 아래에서 머무는 상대적인 시간을 보존하면서 신호를 이진 시퀀스로 축소한다. 저자들은 이러한 이진화가 스펙트럼 엔트로피와의 비교를 통해 확인되었듯이, 관련 역동적 정보를 파괴하지 않는다고 언급한다.
엔트로피 측정치: 각 영역에 대해 세 가지 정보 이론적 크기가 계산된다:
- 엔트로피 밀도 ( $h_{LZ}$ ): 렘펠-지브(Lempel-Ziv, LZ) 인자로 추정되며, 신호 내의 새로운 패턴 생성률(불예측성)을 측정한다.
- 유효 측정 복잡도 ( $E_{LZ}$ ): LZ 복잡성에 대한 무작위 셔플링 절차를 사용하여 추정되며, 시계열의 절반 사이의 상호 정보량을 정량화하여 척도 간의 패턴 지속성 또는 기억을 반영한다.
- 정보 거리 ( $d_{LZ}$ ): LZ 복잡도에서 유도되며, 시간 지연과 독립적으로 한 시퀀스를 다른 시퀀스로 변환하는 데 필요한 알고리즘 정보에 기반하여 두 시퀀스 사이의 거리를 측정한다.
복잡도-엔트로피 매핑: 영역들이 2D $(h_{LZ}, E_{LZ})$ 평면에 플로팅된다. 데이터 클라우드에 대한 선형 적합(linear fit)의 잔차를 기반으로 한 객관적인 임계값 기준은 "활성" 영역(낮은 $h_{LZ}$ 와 높은 $E_{LZ}$ 를 특징으로 하며, 구조화되고 덜 무작위적인 역동성을 나타냄)과 "비활성" 영역을 구분한다.
연결성 분석: 쌍별 $d_{LZ}$ 값이 계산되어 거리 행렬을 구성한다. 이 행렬들은 계층적 덴드로그램(Neighbor-Joining 클러스터링을 통해)과 연결 그래프(거리의 하위 5백분위수에서 임계값 설정)를 생성하는 데 사용되어 기능적 구조를 드러낸다.

주요 기여 및 결과

모델 프리 활성화 탐지: 이 프레임워크는 디자인 행렬, 혈류역학적 반응 모델, 또는 튜닝된 파라미터 없이도 과업 관련 영역을 성공적으로 식별한다. 결과로 얻은 복잡도-엔트로피 맵은 확립된 과업 관련 영역(예: 시각 과제에 대한 시각 피질, 운동 과제에 대한 운동/감각 피질, 언어 과제에 대한 청각/언어 영역)과 일치한다.
역동성의 차별화: $(h_{LZ}, E_{LZ})$ 맵은 단순한 진폭 기반 활성화보다 더 풍부한 특징화를 제공한다. 이는 활성화되어 있으나 서로 다른 역동적 체계(예: 운동 과제 중 운동 영역에 비해 패턴 생성 능력이 낮은 시각 영역)를 가진 영역들을 구별해 낸다.
기능적 계층 구조의 복구: LZ-거리 분석은 모든 과제에 걸쳐 일관된 계층적 및 모듈형 구조를 드러낸다:
- 활성 영역: 기능적 특수화(예: 시각, 운동, 주의력 클러스터)에 따라 덴드로그램의 낮은 수준에서 함께 클러스터링된다.
- 비활성 영역: 과제와 무관하게 공유되는 조밀하게 연결된 "백본(backbone)"을 형성하며, 이는 과업에 의해 유도된 활동과는 구별되는 공통의 배경 역동성을 시사한다.
검증: 엔트로피 유도 활성 집합은 세 가지 독립적인 참조 모델을 통해 검증되었다:
1. Cole-Anticevic 네트워크 분할: 활성 영역은 예상되는 기능적 네트워크(예: 감정/기억 과제에 대한 시각 네트워크, 운동 과제에 대한 체감각 운동 영역)에서 유의미한 폴 인리치먼트(fold enrichment)를 보였다.
2. Neurosynth 메타 분석: 활성화의 공간적 패턴은 용어별 연관 맵과 일치하여 핵심 인지 네트워크(예: 작업 기억을 위한 배외측 전전두엽 피질)를 복구하였다.
3. HCP GLM 활성화: 전체 뇌에 대한 GLM 효과 크기와의 상관관계는 일반적인 방법론적 차이(구조와 진폭을 측정하는 방식의 차이)로 인해 전반적으로 약했으나, 특정 기능적 네트워크 내에서는 강한 상관관계가 발견되었다. 특히, 엔트로피 측정법은 GLM이 "과업 부정적(task-negative, 비활성화)"으로 분류한 영역에서 언어 과제 중 전두-두정엽 참여를 식별해 냈으며, 이는 구조적 변화를 진폭 변화와 독립적으로 탐지하는 이 방법의 능력을 강조한다.
반구 대칭성: 연구는 과제 수행 중 높은 반구 간 대칭성을 관찰하였으나, 휴지기 동안에는 이러한 대칭성이 크게 무너져 엔트로피 밀도의 자발적인 비대칭성을 드러냈다.

의의 및 주장
본 논문은 이 분석 프레임워크가 탐색적 연구를 위한 강력하고 모델 프리한 도구를 제공한다고 주장한다. 엔트로피 밀도와 유효 측정 복잡도를 활용함으로써, 이 방법은 선형성과 정상성을 가정하지 않고 선형 및 비선형 역동성을 모두 포착할 수 있다. Lempel-Ziv 복잡성을 사용하는 것은 전통적인 선형 방법론이 놓치기 쉬운 비선형 상호작용을 탐지할 수 있게 한다.

이 연구의 의의는 다음과 같다:

데이터나 네트워크 토폴로지에 대한 사전 가정 없이 지역적 참여와 기능적 특수화를 식별한다.
과업 특이적 하위 네트워크가 공유되고 조밀하게 연결된 배경의 비활성 영역으로부터 정보적으로 구별되는 계층적 조직을 복구한다.
표준적인 과업 기반 분석에서 일반적으로 강조되지 않는 영역(예: 언어 및 운동 과제 중 특정 전두엽 및 두정엽 영역)에서의 활성화를 식별함으로써, 이전에 보고되지 않은 연결이나 패턴의 발견을 용이하게 한다.

저자들은 현재의 프레임워크가 방향성이 없는 연결성에 초점을 맞추고 있지만, 뇌의 활성화와 기능적 연결성을 분석하기 위한 통합된 도구 역할을 한다고 결론짓는다. 그들은 유효 연결성(effective connectivity)을 분석하기 위해 방향성을 도입하는 것이 향후 연구를 위한 자연스러운 확장이라고 제안한다. 이 방법은 뇌의 중요한 비선형 상호작용을 다양한 기능적 수준에서 연구하는 데 특히 가치가 있다고 제시된다.

기술 요약: 인간 뇌의 연결 경로 지표로서의 엔트로피 측정법

유사한 논문