When and Where: A Model Hippocampal Network Unifies Formation of Time Cells and Place Cells

이 논문은 해마 CA3 영역을 예측 자동 인코더로 모델링한 단일 재귀 신경망이 공간 입력에는 위치 세포를, 시간 입력에는 시간 세포를 생성하는 두 가지 동역학 체계를 통해 두 세포 유형의 공통된 기원과 과업에 따른 차이를 제시합니다.

핵심

이 논문은 우리 뇌의 **'해마 (Hippocampus)'**라는 부위가 어떻게 **장소 (어디에 있는가)**와 **시간 (언제 일어났는가)**을 동시에 기억하는지에 대한 놀라운 비밀을 밝혀냈습니다.

기존의 과학계에서는 "장소 세포 (Place Cells)"와 "시간 세포 (Time Cells)"는 서로 다른 메커니즘으로 작동한다고 생각했습니다. 마치 나침반과 시계가 완전히 다른 원리로 움직인다고 믿었던 것과 비슷하죠. 하지만 이 연구는 **"아니요, 사실은 같은 기계가 상황에 따라 두 가지 역할을 모두 할 수 있다"**고 주장합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 핵심 비유: 똑똑한 '예측하는 자동완성' 시스템

이 연구의 핵심은 뇌의 해마를 '예측 자동완성 (Predictive Autoencoder)' 시스템으로 보는 것입니다.

• 상황: 여러분이 친구와 대화하고 있는데, 친구가 갑자기 말을 멈추고 눈을 감았습니다. 여러분은 친구가 다음에 어떤 말을 할지, 혹은 어떤 표정을 짓고 있을지 **상상 (예측)**하게 됩니다.
• 뇌의 역할: 해마도 똑같이 작동합니다. 감각 정보 (눈에 보이는 풍경, 귀에 들리는 소리) 가 끊기거나 일부만 들어올 때, 뇌는 **"아직 안 들린 부분을 채워 넣어야지!"**라고 생각하며 과거의 기억과 현재 상황을 연결해 미래를 예측합니다.

이 연구는 이 '예측 자동완성' 시스템이 어떤 입력을 받느냐에 따라 장소를 기억하거나 시간을 기억하는 두 가지 다른 모드로 변신한다는 것을 발견했습니다.

---

2. 두 가지 모드: 나침반 모드 vs 시계 모드

연구진은 컴퓨터 시뮬레이션 (가상의 뇌) 을 만들어 실험했습니다.

📍 모드 A: 나침반 모드 (장소 세포, Place Cells)

• 상황: 가상의 쥐가 미로나 공원을 돌아다닙니다. 눈앞의 풍경 (공간 정보) 이 계속 들어옵니다.
• 작동: 뇌는 "지금 내가 어디에 있는가?"를 예측합니다.
• 결과: 뇌의 특정 세포들은 "이곳은 현관문 앞이야", "저곳은 정중앙이야"라고 특정 장소에서만 활발히 반응합니다. 마치 지도에 핀을 꽂는 것과 같습니다.

⏱️ 모드 B: 시계 모드 (시간 세포, Time Cells)

• 상황: 가상의 쥐는 가만히 앉아 있습니다. 하지만 "종이 울리는 소리"가 2 초 뒤에, 그리고 10 초 뒤에 들립니다. 중간 8 초 동안은 아무것도 들리지 않습니다 (정보 차단).
• 작동: 뇌는 "종이 울리기까지 얼마나 남았을까?"를 예측해야 합니다.
• 결과: 뇌의 세포들은 순서대로 켜집니다. "첫 번째 종이 울림 후 1 초 지났어", "2 초 지났어", "3 초 지났어..."라고 순차적으로 반응합니다. 특히 시간이 지날수록 반응하는 세포의 활동 범위가 점점 넓어지는데, 이는 마치 시계의 초침이 움직이는 것과 같습니다.

---

3. 놀라운 발견: 두 모드는 사실 같은 기계의 다른 얼굴

가장 중요한 발견은 이 두 가지가 완전히 다른 기계가 아니라, 같은 회로가 상황에 따라 변신한다는 것입니다.

• 연속적인 변화: 연구진은 공간 정보와 시간 정보를 섞어서 입력했습니다.
  • 공간 정보가 많으면? → 장소 세포가 주로 나옵니다.
  • 시간 정보가 많고 공간 정보가 끊기면? → 시간 세포가 주로 나옵니다.
  • 둘 다 섞여 있으면? → 두 세포가 섞여 나타납니다.
• 비유: 이는 마치 스마트폰과 같습니다.
  • 카메라 앱을 켜면 카메라가 됩니다.
  • 음악 앱을 켜면 음악 플레이어가 됩니다.
  • 하드웨어 (두뇌) 는 하나지만, **사용 목적 (작업)**에 따라 기능이 달라지는 것입니다.

---

4. 왜 이런 일이 일어날까? (메커니즘)

뇌는 끊어진 정보를 연결하는 데 특화되어 있습니다.

• 공간이 끊어지면: "내가 어디에 있었지?"를 기억하기 위해 과거의 위치를 예측하며 시간을 세게 됩니다. (예: 어둠 속에서 길을 찾을 때, "10 걸음 갔으니 이제 왼쪽으로 가야 해"라고 시간과 걸음 수를 기억함)
• 시간이 끊어지면: "다음에 무슨 일이 일어날지"를 예측하기 위해 공간적인 맥락을 유지하며 시간을 채웁니다.

연구진은 이 과정에서 뇌의 신경 연결망이 **앞으로 나아가는 신호 (Forward Excitation)**와 **뒤로 막는 신호 (Backward Inhibition)**를 조절하여, 마치 **물결 (파도)**이 퍼지듯 세포들이 순차적으로 활성화된다고 설명합니다.

---

5. 결론: 우리 뇌는 '시공간'을 따로 구분하지 않는다

이 논문이 우리에게 주는 메시지는 매우 단순하지만 강력합니다.

"뇌는 '어디 (Where)'와 '언제 (When)'를 별개의 파일로 저장하지 않는다. 뇌는 경험의 조각이 끊어졌을 때, 그 빈 공간을 채우기 위해 상황에 맞춰 '장소'를 기억하거나 '시간'을 세는 것이다."

우리가 길을 찾을 때나, 과거의 추억을 떠올릴 때, 혹은 기다림을 견딜 때, 우리 뇌의 해마는 같은 회로를 사용하여 현재의 상황을 가장 잘 예측할 수 있는 방식으로 유연하게 변신하고 있다는 것입니다.

한 줄 요약:
우리 뇌의 해마는 나침반과 시계가 따로 있는 게 아니라, **상황에 따라 나침반이 되기도 하고 시계가 되기도 하는 똑똑한 '예측 기계'**입니다.

기술 요약

논문 요약: 해마 네트워크 모델이 시간 세포와 위치 세포의 형성을 통합하는 방식

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 해마 (특히 CA3 영역) 에서는 공간적 위치를 인코딩하는 '위치 세포 (Place Cells)'와 시간적 순서나 지연을 인코딩하는 '시간 세포 (Time Cells)'가 모두 관찰됩니다.
• 기존 연구의 한계:
  • 위치 세포: 주로 연속적 어트랙터 네트워크 (Continuous Attractor Networks, CAN) 로 모델링되어, 자기 운동 신호에 기반한 경로 적분 (path integration) 을 통해 형성된다고 설명됩니다.
  • 시간 세포: 주로 '누수 적분기 (leaky integrators)'와 같은 단일 뉴런 메커니즘으로 설명되며, 과거 감각 입력의 라플라스 역변환을 수행한다고 여겨집니다.
  • 결점: 두 세포 유형이 동일한 해마 CA3 네트워크 내에서 공존하고 상호작용할 수 있는 통합된 메커니즘이 부족합니다. 기존 모델들은 공간과 시간을 별개의 메커니즘으로 다루어, 두 세포의 공통된 기원과 상호 변환 가능성을 설명하지 못했습니다.
• 연구 질문: 위치 세포와 시간 세포는 서로 다른 메커니즘에서 비롯된 것일까, 아니면 동일한 재귀적 네트워크 (Recurrent Network) 의 서로 다른 동역학적 상태 (regimes) 에서 비롯된 것일까?

2. 방법론 (Methodology)

저자들은 해마 CA3 를 예측형 오토인코더 (Predictive Autoencoder) 로 모델링한 연속 시간 재귀 신경망 (CTRNN) 을 제안했습니다.

• 모델 구조:
  • 입력층: 부분적으로 가려진 (masked) '경험 벡터 (Experience Vectors, EV)'를 입력받습니다.
  • 재귀층 (Hidden Layer): CA3 뉴런의 활동을 모사하며, 가중치 $W_{rc}$를 통해 재귀적 연결을 가집니다.
  • 출력층: 입력된 부분 정보를 바탕으로 누락된 정보를 복원 (재구성) 하도록 훈련됩니다.
  • 동역학: 멤브레인 전위 ($v_t$) 와 발화율 ($r_t$) 은 미분 방정식과 ReLU 활성화 함수를 통해 정의됩니다.
• 학습 목표:
  • 노이즈가 섞이거나 부분적으로 가려진 입력 시퀀스 $\{e_t\}$를 받아, 원래의 완전한 경험 벡터 $\hat{e}_t$를 복원하도록 훈련합니다.
  • 손실 함수는 재구성 오차 (MSE) 와 생물학적 타당성을 위한 발화율 규제 (firing rate regularization) 의 합입니다.
• 실험 조건 (입력 패턴):
  1. 공간 작업 (Space Task): 동물 (에이전트) 이 환경 (정사각형, 원형 트랙) 을 이동하며 공간적으로 변조된 신호를 받습니다.
  2. 시간 작업 (Time Task): 에이전트는 정지해 있으며, 두 개의 시간적 사건 (예: 종소리) 사이에 고정된 간격이 존재합니다. 첫 번째 사건 이후 17 초 동안 입력이 완전히 차단되며, 네트워크는 내부 동역학만으로 두 번째 사건을 예측해야 합니다.
  3. 혼합 작업 (Spacetime & Mixed Tasks): 공간과 시간 입력의 비율을 조절하거나, 공간 입력이 일시적으로 차단되는 상황을 시뮬레이션하여 두 세포 유형의 전이를 관찰합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 단일 네트워크에서의 시간 세포와 위치 세포의 공진출 (Co-emergence)

• 시간 세포의 형성: 시간 작업 (두 사건 간의 지연 예측) 에서 훈련된 네트워크는 숨겨진 유닛들이 사건 간에 순차적으로 발화하며, 발화 시점이 늦어질수록 발화 필드가 점차 넓어지는 (temporal broadening) 특징을 보입니다. 이는 실험적으로 관찰된 시간 세포의 특성을 정확히 재현합니다.
• 위치 세포의 형성: 공간 작업 (환경 탐색) 에서 훈련된 네트워크는 특정 공간 위치에서 선택적으로 발화하는 안정적인 어트랙터 (attractor) 형태의 위치 필드를 생성합니다.
• 통찰: 동일한 네트워크 아키텍처가 입력 데이터의 통계적 구조 (공간적 연속성 vs 시간적 지연) 에 따라 위치 세포 또는 시간 세포로 유연하게 변형될 수 있음을 증명했습니다.

나. 공간 - 시간 표현의 연속적 전이 (Continuous Transition)

• 작업 변형을 통한 전이:
  • 시간 작업에서 사건 지속 시간을 점차 늘려 공간 작업과 유사하게 만들면, 시간 세포 특성이 점진적으로 위치 세포 특성과 유사해집니다.
  • 반대로, 공간 작업에서 공간 입력의 지속 시간을 줄이고 차단 구간을 늘리면, 위치 세포가 시간 세포처럼 변하는 것을 관찰했습니다.
• 혼합 입력의 비대칭성: 공간과 시간 입력이 동시에 주어질 때, 공간 입력이 약하게만 존재해도 위치 세포는 유지되지만, 시간 세포 특성은 시간 입력이 압도적으로 우세할 때만 명확히 나타납니다. 이는 공간 입력이 훈련 신호로 더 밀집되고 연속적이기 때문입니다.

다. 메커니즘적 해석 (Mechanistic Interpretation)

• 재귀 연결 패턴 (Connectivity Motifs):
  • 시간 세포: 순차적 발화와 필드 확장을 위해, 이전 뉴런을 억제하고 이후 뉴런을 흥분시키는 비대칭적 전방 흥분/후방 억제 (forward excitation / backward inhibition) 연결 패턴이 학습됩니다. 이는 이상적인 연결 행렬과 유사하며, 고유값 스펙트럼 분석에서도 시간 작업 네트워크가 이를 반영함을 확인했습니다.
  • 위치 세포: 공간적으로 국소화된 안정적인 활동 덩어리 (bump) 를 유지하기 위해 국소적 흥분과 전역적 억제가 작용하는 어트랙터 역학을 보입니다.
• 통일된 관점: 위치 세포와 시간 세포는 모두 불완전한 감각 궤적의 재구성에서 비롯됩니다.
  • 감각 입력이 끊긴 구간 (공간적 이동 중이거나 시간적 지연 중) 을 네트워크의 재귀 동역학이 채워 넣습니다.
  • 누락된 정보가 '공간적 위치'라면 위치 세포가, '시간적 간격'이라면 시간 세포가 활성화되어 이를 예측합니다.

4. 의의 및 결론 (Significance)

• 통합적 이론 제시: 위치 세포와 시간 세포는 서로 다른 신경 구조물이 아니라, 해마 CA3 의 단일 재귀 네트워크가 작업 요구사항 (task demands) 과 입력 통계에 따라 발현하는 서로 다른 동역학적 상태임을 제시했습니다.
• 예측적 인코딩: 해마가 과거의 기억을 저장하는 것을 넘어, 불완전한 감각 입력을 바탕으로 미래의 경험 (위치 또는 시간) 을 예측하는 '예측형 오토인코더'로 작동함을 시사합니다.
• 실험적 예측:
  1. 공간과 시간 단서가 혼합된 환경에서 CA3 표현은 두 입력의 균형에 따라 점진적으로 전이될 것이다.
  2. 공간 입력을 제거하는 것이 시간 입력을 추가하는 것보다 시간 세포의 형성을 더 쉽게 유도할 것이다 (비대칭성).
  3. 학습 후 수행되는 작업에 따라 CA3 내부의 기능적 연결 패턴 (functional connectivity motifs) 이 달라질 것이다.

이 연구는 공간 탐색, 시간 코딩, 에피소드 기억 형성을 하나의 계산적 목표 (불완전한 경험의 재구성) 로 통합하여 해마의 기능을 이해하는 새로운 틀을 제공합니다.