기술 요약: 체화된 뇌(The Embodied Brain): 생물학적 사실주의 신경기계 모델을 통한 뇌, 신체, 행동의 연결

문제 제기

동물의 행동은 신경계, 신체, 그리고 환경 사이의 지속적이고 폐쇄된 루프형 상호작용으로부터 발생한다. 그러나 전통적인 실험 신경과학은 이러한 상호작용을 연구하는 데 있어 두 가지 근본적인 한계에 직면해 있다:

1. 관찰의 장벽: 포괄적인 신경 기록을 얻는 것은 매우 어렵다. 특히 유전적 타겟팅이 까다롭거나 고밀도 어레이로 개별 세포의 정체를 식별할 수 없는 대형 동물의 경우 더욱 그러하다. 또한, 근육 생리학을 측정하는 행위가 자연스러운 행동을 방해할 수 있으며, 내부 생체역학적 변수(예: 관절 토크, 내부 힘)는 물리적 제약으로 인해 접근이 불가능하거나 가려지는 경우가 많다.
2. 섭동(Perturbation)의 한계: 인과관관계를 확립하기 위해서는 일반적으로 섭동이 필요하다. 기존의 방법들은 너무 국소적이거나(예: 소수의 뉴런만을 타겟팅하는 광유전학), 혹은 너무 광범위하여(예: 전체 영역의 약리학적 또는 유전적 결손) 적절한 조절이 어렵다. 패턴화된 고특이성 조작을 통해 대규모 신경 집단을 제어하거나, 동물을 물리적으로 변화시키지 않고도 반사실적 가설(예: "만약 ~라면 어떨까" 시나리오)을 테스트할 수 있는 실험적 역량이 부족하다.

결과적으로, 신경계, 신체, 환경 중 어느 하나의 구성 요소만을 분리하여 연구하는 것은 통합적인 전체 모습에 대한 부분적인 관점만을 제공할 뿐이다.

방법론

본 논문은 이러한 간극을 메우는 계산적 프레임워크 역할을 하는 **생물학적 사실주의 신경기계 모델(biorealistic neuromechanical models)**의 최신 기술을 검토한다. 이 모델들은 세 가지 계층적 복잡성 수준으로 정의된다:

• 생체역학적/신체 모델(Biomechanical/Body Models): 관절, 물리적 기하 구조, 질량 및 접촉 역학을 갖춘 동물의 형태학적으로 사실적인 표현.
• 신경기계 모델(Neuromechanical Models): 에뮬레이션된 신경 역학이 결합된 생체역학 모델. 이는 생물학적 액추에이터(운동 뉴런, 근육)와 센서(고유 수용기, 촉각 센서)를 통합하여 폐쇄 루프 시스템을 형성한다.
• 신경기계 디지털 트윈(Neuromechanical Digital Twins): 실시간 실험 측정값으로 지속적으로 업데이트되는 특정 신경기계 모델의 사례.

본 리뷰는 이 모델들의 적용을 두 가지 주요 방법론적 방향(그림 3 참조)으로 분류한다:

1. 역 시뮬레이션(추론, Reverse Simulation - Inference): 실험적 행동(예: 포즈 추정)을 역운동학(inverse kinematics) 및 역역학(dynamics)을 사용하여 인실리코(in silico)에서 재현한다. 이를 통해 직접 측정하기 어려운 내부 힘, 근육 활성화 패턴, 감각 피드백과 같은 잠재 변수를 추론할 수 있다. 이 과정에서는 종종 **모방 학습(Imitation Learning, IL)**이나 최적화 기준(예: 근육 활성화 최소화)을 활용하여 근골격계 특유의 중복성 문제를 해결한다.
2. 순방향 시뮬레이션(가설 검증, Forward Simulation - Hypothesis Testing): 중앙 패턴 생성기(Central Patterners)부터 커넥톰 제약 인공 신경망에 이르기까지, 가설화된 신경 제어기를 신체 모델에 삽ored한다. 생성된 시뮬레이션 행동을 실험 데이터와 비교함으로써 회로 역학, 타이밍 및 동기화에 관한 특정 신경과학적 가설을 검증하거나 반박한다.

본 리뷰는 고충실도, 확장성 및 미분 가능한 신경기계 시뮬레이션을 달성하기 위해 미분 가능한 물리 엔진(예: MuJoCo Warp, Brax), 미분 가능한 뉴런 모델링(예: Jaxley), 그리고 GPU 가속 시뮬레이션의 통합을 강조한다.

주요 기여 및 결과

본 논문은 최근 5년간의 발전을 다섯 가지 주제 영역에 걸쳐 종합한다:

1. 측정 불가능한 변수의 추론

생물학적 사실주의 모델은 숨겨진 생리적 상태의 재구성을 가능하게 한다. 기록된 행동을 재현함으로써 연구자들은 다음을 추론해 왔다:

• 내부 힘 및 근육 시너지: 초파리(Drosophila)와 설치류에서 직접 관찰할 수 없는 공동 활성화 패턴 및 근육 시너지를 식 식별함.
• 감사 피드백: 고유 수용성 신호(예: 방추사 반응) 및 시각 시스템 활동을 재구성하여 감각 인코딩 역할에 대한 가설을 테스트함.
• 신경 제어 신호: 역역학 제어기를 사용하여 특정 제어 계산을 담당하는 후보 뇌 영역(예: 선조체, 운동 피질)을 식별하기 위해 시뮬레이션과 실제 신경 활동을 비교함.

2. 순방향 공학을 통한 가설 검증

시뮬레이션은 실험적으로 조사하기 어려운 신경 제어 이론을 체계적으로 테스트할 수 있게 한다:

• 폐쇄 루프 행동: 시각, 후각 및 기계적 피드백을 통합함으로써 초파리의 장애물 회피나 젤라틴투스(C. elegans)의 지그재그 움직임과 같은 복잡한 센서리모터(sensorimotor) 행동을 성공적으로 재현했다.
• 강건성 및 적응: 시뮬레이션을 통해 제어기의 강건성(예: 램프레이 모델의 척수 절단)을 테스트하고, 마우스에서 센서리모터 예측 오류가 어떻게 적응을 유도하는지 탐구했다.
• 발달적 창발: 발달 단계에 따른 추정 신경 회로를 모델링함으로써 제브라피쉬의 발달 과정에서 나타나는 뚜요한 수영 패턴의 창발을 재현했다.

3. 로보틱스 및 NeuroAI와의 시너지

본 논문은 지식의 양방향 흐름을 강조한다:

• 신경과학에서 AI로: 생물학적 원리(예: 계층적 제어, 분산 피드백, 내재적 동기)는 강건한 인공 에이전트 및 강화 학습 알고리즘의 설계를 뒷받침한다.
• AI에서 신경과학으로: 모방 학습 및 강화 학습과 같은 머신러닝 알고리즘이 사실적인 신체 모델에 구현되어, 관찰된 동물 행동을 설명할 수 있는지 테스트하는 검증 도구로 사용된다.
• 로보틱스: 신경기계 모델은 초파리 해부학에 기반한 육각 보행 로봇이나 해파리 공명에 기반한 소프트 로봇과 같이 물리적 로봇 설계에 영감을 주었다.

4. 헬스케어 응용

본 리뷰는 이러한 모델들이 임상 현장으로 어떻게 전이되는지 상세히 설명한다:

• 병리 모델링: 병리적 보행(예: 뇌졸중 또는 뇌성마비 환자)을 시뮬레이션하여 장애가 신경적 원인인지 생체역학적 원인인지를 식별한다.
• 개별 맞춤 의료: 환자 특이적 데이터(CT 스캔, EMG)로 제약된 "디지털 트윈"을 생성하여 하중 분포를 예측하고, 보조 기구를 최적화하며, 재활 전략을 계획한다.

5. 현재의 한계 및 향ere 향후 방향

본 논문은 다음과 같은 중요한 과제를 인정한다:

• 모델의 사실성: 현재의 신체 모델은 종종 강체(rigid bodies)와 단순화된 감각/근육 시스템에 의존한다. 비행/수영을 위한 유체 역학 및 복잡한 소프트 바디 상호작용은 여전히 계산 비용이 많이 들며 모델링하기 어렵다.
• 매개변수 튜닝: 시뮬레이션의 사실성을 개선하는 매개변수(모델링 아티팩트)와 실제 생물학적 양을 나타내는 매개변수를 구별하는 것은 중요한 개념적 도전 과제이다.
• 데이터 제약: 커넥토믹스와 고해 resolution 스캔 기술이 발전하고 있으나, 많은 모델이 여전히 충분한 해부학적 및 생리학적 제약 조건을 결여하고 있다.

의의 및 주장

저자들은 생물학적 사실주의 신경기계 모델이 신경과학을 단순한 관찰 연구에서 뇌-신체-환경 상호작용에 대한 **능동적 탐사(active probing)**로 전환하는 변혁적인 도구라고 주장한다.

• 계층 간 연결: 이 모델들은 신경 회로, 생체역학, 행동을 연결하는 통합된 프레임워크를 제공하여, 연구자들이 여러 생물학적 조직 수준을 넘나들 수 있게 한다.
• 반사실적 실험: "만약 ~라면" 시나리오와 제한 없는 섭동(신경적 및 기계적 모두)을 가능하게 함으로써, 생체 내(in vivo)에서는 윤리적 또는 기술적으로 불가능한 반사실적 가설을 테스트할 수 있게 한다.
• 발견의 가속화: 실험 연구와 능동적 탐사 도구로서의 신경기계 대리물(surrogates)을 결합함으로써, 센서리모터 제어 이해를 위한 진전을 크게 가속화할 것으로 기대된다.
• NeuroAI의 토대: 본 논문은 이 모델들이 실제 환경에서 강건하게 작동하는 차세대 체화된 AI 시스템의 개발을 촉진하는 "NeuroAI"의 기초적 프레임워크를 제공한다고 주장한다.

궁극적으로, 본 논문은 사실성과 계산 비용 측면에서 과제가 남아 있음에도 불구하고, 고충 fidelity 시뮬레이션과 실험 데이터의 통합이 신경과학을 사후 분석(post-hoc analysis)에서 보다 역동적이고 가설 중심적인 체화된 행동 과학으로 변화시킬 것이라고 주장한다.