From Performance to Viability: A Bootstrap Framework for Latent-Space Representation Learning in Adaptive Biological Systems

기술 요약: 성능에서 생존 가능성으로: 적응형 생물학적 시스템의 잠재 공간 표현 학습을 위한 부트스트랩 프레임워크

문제 제기

본 논문은 적응형 생물학적 시스템 분석의 근본적인 한계, 즉 관찰 가능한 성능 지표만으로는 기저의 시스템 조직을 고유하게 특징지울 수 없다는 점을 다룬다. 생체역학, 생리학, 재활과 같은 분야에서 시스템은 일반적으로 측정 가능한 출력값(예: 속도, 대칭성, 안정성)을 통해 평가된다. 그러나 적응형 생물한 시스템은 **조직적 비식별성(organizational non-identifiability)**을 나타내는데, 이는 유사한 관찰 성능이 서로 다른 내부 구성으로부터 발생할 수 있으며, 미세한 관찰 차이가 더 깊은 구조적 재편을 은폐할 수 있음을 의미한다.

나아가, 정적 분석은 종단적 진화를 포착하지 못한다. 시스템은 보상 작능을 통해 성능을 유지할 수 있으므로, 순간적인 관찰은 시스템이 시간이 지남에 따라 어떻게 적응하는지 또는 현재의 구성이 장기적으로 생존 가능한지를 드러내지 못한다. 기존의 프레임워크들은 흔히 완전한 기계론적 모델을 사전적으로(a priori) 부과하지만, 복잡하고 적응적인 생명 시스템에서는 그러한 모델을 확보하기 어렵거나 불충분할 수 있다. 핵심 문제는 정의된 인과 모델을 가정하지 않고도 성능 기반의 해석을 넘어설 수 있는 방법론적 프레임워크가 결여되어 있다는 점이다.

방법론: 부트스트랩 프레임워크

저자들은 통계적 재표본 추출이 아닌 하나의 인식론적 원리에 의해 정의되는 부트스트랩 프레임워크를 제안한다: 이론은 관찰의 한계로부터 점진적으로 출현한다. 이 방법론은 새로운 분석 수준이 이전 수준이 관찰된 현상을 설명하기에 불충분하다고 증명될 때 오직 도입되는 순차적이고 반복적인 과정이다.

프레임워크는 관찰된 데이터에서 점점 더 추상적인 표현으로 나아가는 다섯 단계의 연속적인 분석 수준으로 구성된다:

1. 레벨 1: 관찰 가능한 성능 (Observable Performance): 전통적인 임상 및 생체역학적 지표(속도, 보행수, 비대칭성)를 포함하는 출발점이다. 여기서의 한계는 유사한 성능이 유사한 조직을 함의한다는 가정이며, 적응형 시스템은 이를 빈번히 위반한다.
2. 레벨 2: 동적 조직 (Dynamic Organization): 성능이 차이를 설명하지 못할 때, 초점은 제약 조건 하에서의 출력 간의 협응된 과정과 관계 관계로 이동한다. 이는 시스템을 정적인 실체가 아닌 적응적 과정으로 인식하는 것이다.
3. 레벨 3: 잠재적 조직 (Latent Organization): 동적 조직이 여전히 다차원적 관계를 드러내기에 불충분할 때, 프레임워크는 잠재 공간 표현 학습(latent-space representation learning)을 도입한다. 이는 관계적 구조(근접성, 클러스터링, 궤적)를 접근 가능하게 만드는 축소된 차원의 공간을 구축한다. 이 단계에서의 핵심 발견은 유사한 성능을 가진 구성들이 잠재 공간 내에서 서로 다른 영역을 점유할 수 있다는 것이며, 이는 성능이 조직을 유일하게 결정하지 않음을 확인해 준다.
4. 레벨 4: 종단적 생존 가능성 (Longitudinal Viability): 정적인 잠재 조직은 시간적 진화를 설명하는 데 실패한다. 이 단계는 (제한된 방법론적 의미에서의) 생존 가능성을 도입하여, 잠재 공간 내에서 구성들이 시간이 지남에 따라 어떻게 행동하는지를 평가한다. 이는 초점을 '시스템이 어디에 있는가'에서 '시스템이 공간 내에서 어떻게 움직이는가'로 전환하며, 종단적 변위(displacement)를 재편의 대리 지표로 사용한다.
5. 레벨 5: 내부 예측 근사 (Internal Predictive Approximation): 생존 가능성에 대한 사후적 관찰이 불충분할 때, 프레임워크는 관찰된 변환이 내부적으로 표현 가능한 구조를 갖는지 묻는다. 이 단계는 잠재적 변환(예: M1–M2)이 동일한 단일 피험자 데이터셋 내에서 내부적으로 근사될 수 있는지 테스트한다. 이는 전향적인 임상 예측이 아니라 **표현적 일관성(representational coherence)**에 대한 테스트이다.

이 방법론은 세 차례 보고된 보행-폐쇄(gait–occlusion) 연구를 새로운 실험적 증거로서가 아니라, 각 연구가 어떻게 이전 단계의 불충분함을 드러내고 다음 단계의 출현을 필요로 했는지를 보여주는 연대기적 방법론적 순서로서 활용한다.

주요 기여

본 논문은 자신의 기여가 새로운 학습 알고리즘, 새로운 임상 프로토콜, 새로운 데이터셋, 또는 보행이나 폐쇄에 대한 새로운 인과 이론이 아님을 명시한다. 대신, 그 기여는 다음과 같다:

• 부트스트랩 방법론의 정형화: 이론적 수준이 사전에 부과되는 것이 아니라 설명적 공백으로부터 출현하는 잠재 공간 표현 학습의 구조화된 접근법을 제시한다.
• 인식론적 프레임워크: 숨겨진 실재를 '발견'하는 것에서부터 점진적으로 적절한 표현을 '구축'하는 것으로의 전환을 의미한다. 이는 과학적 진보가 가설을 확인하는 것이 아니라 설명적 불충분성을 인식함으로써 발생한다고 상정한다.
• 5단계 시퀀스: 성능 → 동적 조직 → 잠재적 조직 → 종단적 생존 가능성 → 예측적 근사로 이어지는 구체적인 진행 과정을 정의하며, 이는 완전한 기계론적 모델을 사용할 수 없는 적응형 시스템을 분석하기 위한 템플릿 역할을 한다.
• 해석적 절제의 원칙: 표현 도구(잠재 공간, 생존 가능성 지표)를 생물학적 실재와 혼동하지 않도록 경고하는 방법론적 지침을 제공한다. 이는 모델이 잠정적이며, 그 가치는 존재론적 완결성이 아닌 설명적 유용성에 있음을 강조한다.

결과

방법론적 종합으로서, 본 논문은 새로운 경험적 결과를 제시하지 않는다. 논문의 '결과'는 제시된 세 가지 연구를 바탕으로 한 프레임워크의 논리적 타당성 검증이다:

• 연구 1 (성능에서 조직으로): 관찰 가능한 성능이 시스템 조직을 특징짓기에 불충분함을 입증하여, 잠재 표현으로의 이동을 정당화했다.
• 연구 2 (조직에서 생존 가능성으로): 정적인 잠재 조직이 시간적 진화를 설명하기에 불충분함을 입증하여, 종단적 생존 가능성의 도입을 정당화했다.
• 연구 3 (생존 가능성에서 근사로): 관찰된 생존 가능성 관련 변환이 동일한 데이터셋 내에서 계산적으로 근사될 수 있을 만큼 충분한 내부 구조를 가지고 있음을 입증하여, 표현적 일관성 테스트로서 레벨 5의 정당성을 부여했다.

이 프레임워크는 이러한 전이들이 일어난 논리를 성공적으로 정형화하며, 각 새로운 단계가 이전 단계의 한계에 대한 필연적인 대응이었음을 보여준다.

의의 및 주장

본 논문은 양적 생물학 및 제약 조건 하의 복잡한 생물학적 시스템 분석에 대한 방법론적 기여로서의 의의를 주장한다. 주요 주장은 다음과 같다:

• 이론은 관찰로부터 출현한다: 프레임워크는 전통적인 과학적 순서를 역전시킨다. 이론이 관찰을 안내하는 대신, 관찰(특히 현재 모델로 설명할 수 없는 현상)이 새로운 이론의 출현을 이끈다.
• 확실성보다 적절성: 적응형 시스템에서의 과학적 목표는 확정적인 '최종 진리'에 도달하는 것이 아니라, 관찰된 현상에 점점 더 적절한 표현을 구축하는 것이다.
• 비식별성 처리: 프레임워크는 여러 내부 상태가 유사한 출력을 생성하는 시스템을 연구하는 엄격한 방법을 제공하며, 복잡한 생명 시스템을 단순한 성능 지표로 환원하는 것을 방지한다.
• 표현 학습의 규율: 새로운 표현 계층이 설명적 공백에 의해 경험적으로 필요할 때만 도입되도록 함으로써, 잠재 공간 학습에 대한 규율 있는 접근 방식을 제공하고 개념의 추측적 팽창을 방지한다.

저자들은 이 프레임워크를 조직이 동적이고, 역사적 의존성을 가지며, 지속적으로 재편되는 적응형 생명 시스템(예: 생체역학, 신경과학, 재활)을 연구하기 위한 도구로 위치시키며, 이러한 시스템은 상태 기반의 과학보다는 궤적 기반의 과학을 필요로 한다고 주장한다.