Behavior-dLDS: A decomposed linear dynamical systems model for neural activity partially constrained by behavior

이 논문은 행동과 내부 계산을 분리하여 대규모 신경 활동을 모델링하는 새로운 방법인 '행동 분해 선형 동적 시스템 (b-dLDS)'을 제안하고, 이를 통해 행동 생성 네트워크와 내부 계산을 구별하며 실제 대규모 신경 데이터에서 행동 관련 동적 연결성을 규명하는 성과를 보여줍니다.

핵심

1. 문제: 뇌는 너무 시끄러워요! (The Problem)

우리가 뇌를 기록할 때 (예: 물고기의 뇌를 카메라로 찍을 때), 우리는 수만 개의 뉴런이 동시에 활동하는 모습을 봅니다.

• 비유: 마치 거대한 교향악단 (오케스트라) 이 한꺼번에 연주하는 소리를 듣는 것과 같습니다.
• 문제점: 이 소리는 두 가지로 섞여 있습니다.
  1. 행동 (Behavior): 물고기가 헤엄치는 소리 (관찰 가능한 것).
  2. 내부 계산 (Internal Computations): 배고픔, 방향 감각, 혹은 "지금 물살이 세니까 어떻게 해야 하지?" 같은 생각들 (관찰하기 힘든 것).

기존의 모델들은 이 모든 소리를 한 덩어리로 보거나, 오케스트라 전체를 '헤엄치는 소리'에 맞춰서만 분석하려 했습니다. 하지만 뇌는 그렇게 단순하지 않습니다. 헤엄치는 소리 (행동) 를 내는 악기들만 따로 뽑아내고, 나머지 악기들이 무슨 생각을 하는지 (내부 계산) 도 알아내야 합니다.

2. 해결책: b-dLDS, '스마트한 음향 엔지니어' (The Solution)

이 논문에서 제안한 b-dLDS는 이 혼란스러운 오케스트라 소리를 분석하는 초고급 음향 엔지니어와 같습니다.

• 핵심 아이디어: 뇌의 활동을 '기초적인 동력 (Dynamics Operators)'이라는 작은 블록들로 쪼갭니다.
  • 어떤 블록은 헤엄치는 행동을 담당합니다.
  • 어떤 블록은 배고픔을 담당합니다.
  • 어떤 블록은 물살에 대한 반응을 담당합니다.
• b-dLDS 의 능력: 이 엔지니어는 "아, 이 블록 (블록 A) 은 물고기가 헤엄칠 때만 켜지네! 이건 행동 관련 블록이야!"라고 찾아냅니다. 반면, "이 블록 (블록 B) 은 헤엄칠 때와 상관없이 계속 켜져 있네? 이건 내부 생각 (배고픔 등) 을 담당하는 구나!"라고 구분해 냅니다.

3. 기존 모델과의 차이점 (Why is it better?)

• 기존 모델 (CLDS 등): "헤엄치는 소리만 들으면, 뇌의 모든 활동이 그 소리에 맞춰져야 해!"라고 강요합니다. 마치 오케스트라 전체를 지휘자가 "헤엄치는 리듬"만 따라 연주하게 강요하는 것과 같습니다. 그래서 진짜 중요한 '내부 생각' 소리가 묻혀버립니다.
• b-dLDS: "헤엄치는 소리 (행동) 를 만드는 블록은 따로 있고, 나머지 블록들은 다른 일을 할 수도 있어"라고 유연하게 생각합니다. 행동과 무관한 내부 계산까지도 깔끔하게 분리해냅니다.

4. 실제 실험: 물고기의 뇌를 해부하다 (The Experiment)

연구진은 이 모델을 **제브라피시 (줄무늬 물고기)**의 뇌 데이터에 적용했습니다.

• 상황: 물고기가 물살을 거슬러 제자리에 머무는 '위치 유지' 행동을 하고 있습니다.
• 데이터: 약 13,000 개의 뉴런 활동 기록 (이건 정말 거대한 데이터입니다!).
• 결과:
  • b-dLDS 는 물고기가 헤엄칠 때만 활성화되는 '행동 전용 회로'를 찾아냈습니다.
  • 동시에, 물고기가 물살의 세기를 감지하고 "얼마나 힘껏 헤엄쳐야 하지?"라고 계산하는 '내부 계산 회로'도 찾아냈습니다.
  • 특히, 기존 모델들은 이 방대한 데이터 (13,000 개 뉴런) 를 처리하려면 컴퓨터 메모리가 터져버려서 실행조차 못 했지만, b-dLDS 는 이를 가볍게 처리했습니다.

5. 요약: 왜 이 연구가 중요할까요?

이 논문은 뇌 과학에 다음과 같은 새로운 시선을 가져왔습니다.

1. 분리 (Disentanglement): 뇌가 행동을 할 때, '행동 자체'와 '행동을 위한 내부 계산'을 섞지 않고 따로따로 볼 수 있게 해줍니다.
2. 확장성 (Scalability): 수만 개의 뉴런이 동시에 활동하는 거대한 뇌 데이터도 처리할 수 있는 효율적인 방법을 제시했습니다.
3. 해석 가능성 (Interpretability): 단순히 "뇌가 이렇게 움직였다"는 숫자만 주는 게 아니라, "어떤 뇌 부위가 행동을 만들고, 어떤 부위가 생각을 하고 있다"는 구체적인 이야기를 들려줍니다.

한 줄 요약:

b-dLDS 는 뇌라는 거대한 오케스트라에서, '헤엄치는 소리 (행동)'를 내는 악기들과 '생각하는 소리 (내부 계산)'를 내는 악기들을 구별해 내는 똑똑한 음향 엔지니어입니다.

이 기술을 통해 우리는 앞으로 뇌가 어떻게 복잡한 행동을 만들어내고, 그 과정에서 어떤 숨겨진 생각들이 오가는지 더 깊이 이해할 수 있게 될 것입니다.

기술 요약

이 논문은 대규모 신경 네트워크의 뇌 전체 기록 데이터에서 행동과 관련된 신경 역학을 내부 계산 (internal computations) 과 분리해내는 새로운 모델인 **행동-분해 선형 동적 시스템 (Behavior-decomposed Linear Dynamical Systems, b-dLDS)**을 제안합니다.

아래는 논문의 핵심 내용을 기술적으로 요약한 것입니다.

1. 문제 정의 (Problem)

• 신경 활동과 행동의 복잡한 관계: 뇌 활동은 행동과 직접적으로 관련된 정보뿐만 아니라, 내부 계산 (의사결정, 항상성 유지 등) 도 포함하고 있습니다. 또한 행동은 뇌뿐만 아니라 척추와 말초 신경계를 통해 실행되므로, 관찰 가능한 행동은 신경 활동의 거시적 (coarse-grained) 결과물입니다.
• 기존 모델의 한계:
  • 행동 무관 모델 (Behavior-agnostic): 신경 활동만으로 구성 요소를 학습한 후 사후적으로 행동과 상관관계를 분석합니다. (예: dLDS)
  • 행동 의존 모델 (Behavior-aware): 외부 입력 (행동) 에 조건부로 신경 역학을 학습합니다. (예: CLDS, DCM) 하지만 이러한 모델은 행동과 직접적으로 관련된 역학만 학습하여, 행동과 무관한 중요한 내부 계산 과정을 놓치거나 역학의 구조를 왜곡할 수 있습니다.
  • 공유 잠재 공간 모델 (PSID, CEBRA): 신경과 행동을 공유 잠재 공간으로 매핑하지만, 계층적 관계나 독립적인 하위 시스템을 명확히 구분하기 어렵거나 대규모 데이터 (수만 개 뉴런) 에 확장성이 부족합니다.
• 핵심 과제: 병렬로 실행되는 대규모 신경 집단 내에서, 행동을 생성하는 하위 시스템과 행동과 무관한 내부 계산 하위 시스템을 동시에 식별하고 분리할 수 있는 모델이 필요합니다.

2. 방법론 (Methodology: b-dLDS)

b-dLDS 는 기존 분해 선형 동적 시스템 (dLDS) 을 확장하여 행동 정보를 명시적으로 통합한 모델입니다.

• 기본 구조:

  1. 관측 모델: 고차원 신경 데이터 ($y_t$) 를 저차원 잠재 상태 ($x_t$) 로 매핑합니다 ($y_t = Dx_t + \epsilon_y$).
  2. 동적 모델: 잠재 상태의 역학을 시간 가변 선형 시스템으로 모델링합니다 ($x_t = F_t x_{t-1} + \epsilon_x$). 여기서 전이 행렬 $F_t$는 고정된 기저 동적 연산자 (Dynamics Operators, DOs, $f_m$) 들의 선형 결합으로 표현됩니다 ($F_t = \sum f_m c_{mt}$). $c_{mt}$는 동적 계수 (dynamics coefficients) 입니다.
  3. 행동 생성 모델: 관찰된 행동 ($b_t$) 은 직접적인 신경 상태가 아니라, **동적 계수 ($c_t$)**에서 생성된다고 가정합니다 ($b_t = \Psi c_t + \epsilon_b$). 이는 행동이 특정 신경 역학 패턴 (DOs) 의 활성화에 의해 결정됨을 의미합니다.

• 핵심 혁신 (Regularization 및 희소성):

  • 부분적 제약: 모든 동적 계수가 행동을 생성하는 것은 아니라고 가정합니다. 행동을 생성하는 계수 집합 ($\Gamma$) 과 내부 계산만 수행하는 계수 집합 ($\Gamma^C$) 으로 나눕니다.
  • 희소성 정규화 (Sparsity Regularization): 행동과 동적 계수 간의 매핑 행렬 $\Psi$에 Frobenius 노름 정규화를 적용하여, $\Psi$의 열 (동적 계수) 중 일부만 행동을 생성하도록 유도합니다. 즉, 일부 DOs 는 행동을 생성하고 나머지는 내부 과정을 담당하도록 모델이 학습됩니다.
  • 추론 (Inference): 기대값 최대화 (EM) 알고리즘을 사용하여 잠재 상태 ($x_t$) 와 동적 계수 ($c_t$) 를 추정하고, 파라미터 ($D, \Psi, \{f_m\}$) 를 업데이트합니다. E-step 에서는 BPDN-DF (Basis Pursuit Denoising with Dynamic Filtering) 를 사용하여 효율적으로 추론합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 모델 아키텍처 제안: 외부 입력 (행동) 에 조건을 두는 것이 아니라, 동적 계수와 행동 간의 희소 매핑을 학습하여 행동 생성 역학과 내부 계산 역학을 동시에 분리하는 b-dLDS 를 최초로 제안했습니다.
2. 정규화 기법 개발: 행동 재구성을 위한 추가 정규화 항과 $\Psi$의 희소성을 유도하는 Frobenius 노름 정규화를 도입하여, 모델이 불필요한 역학까지 행동과 연결하는 것을 방지했습니다.
3. 대규모 데이터 확장성: 기존 모델 (CLDS, PSID) 이 수만 개의 뉴런 데이터에서 메모리 오류나 계산 비용 문제로 실패한 반면, b-dLDS 는 희소 상태 필터링 알고리즘을 활용하여 수만 개 뉴런 (zebrafish hindbrain, ~13,000 개) 규모의 데이터 처리가 가능함을 입증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 데이터:
  • 정확도: b-dLDS 는 행동과 관련된 동적 계수만 정확히 식별하여 행동을 재구성했습니다. 반면, 행동에 강하게 조건화된 CLDS 모델은 행동과 무관한 내부 역학까지 행동과 연결하려 하여 역학 재구성 오차 (MSE) 가 높았습니다.
  • 비교: PSID 는 공유 잠재 공간을 가정하여 역학의 비정상성 (nonstationarity) 을 제대로 포착하지 못했으나, b-dLDS 는 계층적 관계를 잘 모델링했습니다.
• 실제 데이터 (제브라피시 후뇌):
  • 데이터: 제브라피시 후뇌의 13,000 개 뉴런과 수영 행동 (위치 항상성) 데이터를 분석했습니다.
  • 결과: b-dLDS 는 수영 행동과 강하게 연관된 동적 연결성 네트워크 (예: SLO-MO 영역) 와 행동과 무관하거나 다른 시간 패턴을 보이는 내부 계산 네트워크를 성공적으로 분리했습니다.
  • 동적 연결성: 행동과 관련된 동적 연산자 (DOs) 는 전체 기록 동안 지속적으로 활성화되거나 특정 시기에 강하게 나타나는 반면, 행동과 무관한 DOs 는 희소하게 활성화되는 패턴을 보였습니다.

5. 의의 및 결론 (Significance)

• 개념적 전환: 뇌 활동과 행동의 관계를 "순간적인 신경 발화"가 행동을 직접 생성한다는 관점에서, **"잠재 역학의 구성 (configuration of latent dynamics)"**이 행동을 생성한다는 관점으로 전환시켰습니다.
• 해석 가능성: b-dLDS 는 학습된 동적 연산자 (DOs) 를 통해 어떤 신경 하위 시스템이 행동을 담당하고, 어떤 시스템이 내부 계산 (예: 공간 인지, 감각 처리 등) 을 담당하는지 해석 가능한 형태로 제공합니다.
• 확장성: 뇌 전체 (whole-brain) 기록 데이터가 급증하는 상황에서, 수만 개 이상의 뉴런을 처리하면서도 행동과 내부 과정을 분리할 수 있는 계산 효율적인 프레임워크를 제공했습니다. 이는 향후 뇌 회로 매핑 및 복잡한 행동의 신경 기전 규명에 중요한 도구가 될 것입니다.

요약하자면, b-dLDS는 행동과 내부 신경 과정을 분리하여 대규모 뇌 데이터에서 의미 있는 신경 역학 하위 시스템을 식별할 수 있는 강력한 도구로, 기존 모델들의 한계를 극복하고 신경과학 연구의 새로운 지평을 열었습니다.