기술 요약: 잠재 신경 활동 역학 연구를 위한 머신러닝 방법론

문제 정의

대규모 신경 기록 도구의 급격한 발전은 행동하는 동물 내 여러 뇌 영역에서 수백에서 수천 개의 뉴런을 동시에 관찰하는 것을 가능하게 했습니다. 이러한 데이터의 범람은 신경과학의 초점을 단일 뉴런의 반응 분석에서 대규모 신경 집단의 집단적 역학(collective dynamics)을 이해하는 것으로 전환시켰습니다. 핵심 과제는 이러한 고차원 신경 역학이 저차원 매니폴드(manifold) 상에서 진화하는 현저히 감소된 세트인 "잠재 변수(latent variables)"에 의해 구동된다고 믿어진다는 점입니다.

현재의 한계로는 생물학적 정보 처리를 지배하는 잠재적 역학 규칙을 역설계(reverse-engineer)해야 하는 필요성, 과업 관련 신경 활동과 내부 상태를 분리해야 하는 문제, 그리고 시냅스 지연(synaptic delays)을 가진 분산된 뇌 영역 간의 상호작용을 모델링해야 하는 문제가 있습니다. 기존의 리뷰들은 특정 아키텍처나 생물학적 질문에 집중해 왔으나, 단일 영역 역학, 다중 영역 통신, 그리고 행동 정렬 모델링을 공통의 생성 프레임워크 내에서 통합하는 통일된 관점의 잠재 변수 모델(LVM)에 대한 논의는 부족한 실정입니다.

방법론 및 분류 체계

본 논문은 LVM에 대한 포괄적인 조사와 분류를 제시하며, 기존 문헌을 세 가지 상호 보완적인 기둥으로 범주화합니다. 저자들은 신경 집단 분석을 다음과 같은 생성 과정으로 정의합니다:
$$x_t = f(x_{t-1}, u_t, \epsilon_t)$$
$$y_t \sim P(g(x_t, s_t))$$
여기서 $x_t$는 잠재 상태, $u_t$는 외부 입력, $y_t$는 관측값(스파이크 열 또는 칼슘 신호)입니다.

1. 단일 영역 잠재 역학 (Single-Region Latent Dynamics)

이 영역은 정적 평활화(static smoothing)에서 역학적 모델링으로 나아가며, 단일 뇌 영역 내의 고유한 시간적 진화를 다룹니다.

• 확률적 및 선형 상태 공간 모델: 초기 접근법으로는 가우시안 프로세스 인자 분석(GPFA)을 통한 시간적 매끄러움 구현과 포아송 방출 모델을 포함한 선형 동적 시스템(LDS)이 있습니다. 최근의 변형 모델들은 데일의 법칙(Dale's Law)과 같은 생물학적 제약을 강제하거나(CTDS), 변분 프레임워크(vLGP)를 통해 비가우시안 노이즈를 처리합니다.
• 심층 순차 생성 모델: 순환 신경망(RNN)은 LFADS와 같은 변분 오토인코더에서 생성 역학을 추론하는 데 활용됩니다. 개선된 모델로는 AutoLFADS(자기 최적화 아키텍처), DASC(그래디언트 안정성), 그리고 Stochastic Low-Rank RNN(해석 가능성) 등이 있습니다. 트랜스포머 기반 모델(예: NDT)은 명시적인 순환 구조 대신 셀프 어텐션(self-attention)과 마스크드 모델링을 사용하여 복잡한 상호 의존성을 포착합니다.
• 연속 및 스위칭 역학: 신경 상미분 방정식(ODE) 및 확률 미분 방정식(SDE)(예: PLNDE, FINDR)은 연속 시간 진화와 잠재 흐름장(latent flow fields)을 모델링합니다. 스위칭 선형 동적 시스템(SLDS), 예를 들어 rSLDS는 동적으로 선형 모드 사이를 전환함으로써 전역적 비선형 지형을 근사하며, 최근의 DynCL 연구는 대조 학습(contrastive learning)을 사용하여 스위칭 매니폴드를 식별합니다.

2. 다중 영역 통신 (Multi-Region Communication)

이 영역은 시냅스 전파 지연과 양방향 루프를 고려하여, 분산된 뇌 영역 간에 정보가 어떻게 경로를 찾고 전달되는지를 다룹니다.

• 확률적 생성 모델: DLAG 및 mDLAG와 같은 방법은 영역 간 전송 지연($\tau$)을 명시적으로 매개변수화하는 다중 출력 커널을 포함하도록 상태 공간 모델을 확장합니다. 스위칭 상태 공간 모델(예: MR-SDS)은 내부 인지 상태에 따라 정보 흐름을 제어하기 위해 이산 상태를 사용합니다.
• 심층 표현 학습: MR-LFADS와 같은 아키텍처는 방향성 비선형 영향력을 추론하기 위해 송신자-수신자(Sender-Receiver) 구조를 채택합니다. GLM-Transformer는 일반화 선형 모델(GLM)의 해석 가능성과 셀프 어텐션을 통합하며, MARBLE과 같은 모델은 국소적 기록 기저(recording bases)에 대한 신경 매니폴드의 기하학적 불변성에 집중합니다.
• 부 subspace 식별: CCA(Canonical Correlation Analysis) 및 RRR(Reduced Rank Regression)과 같은 기술은 저차원 통신 부공간(subspaces)을 식별합니다. 다중 뷰 정렬 방법(예: CREIMBO)은 활동을 세션별 요인과 공유된 잠재 회로 라이브러리로 분해합니다.

3. 행동 정렬 모델링 (Behavior-Aligned Modeling)

이 영역은 지도 학습 또는 대조 학습을 사용하여 과업 수행과 관련된 신경 활동을 다른 내부 상태로부터 분리하고자 합니다.

• 분리된 역학 모델링: PSID 및 IPSID와 같은 접근법은 과거의 신경 활동과 미래의 행동 사이의 상호 정보량을 최대화하도록 상태 공간 목적 함수를 재정의하여 행동과 정렬된 부공간을 격리합니다. 비선형 방법(DPAD, BRAID)은 잠서적 인과 구조를 해결하기 위해 순방향 예측 목적 함수를 사용하여 잠재 공간을 행동 정렬 차원과 무관한 차원으로 분할합니다.
• 표현 정렬: CEBRA와 같은 대조 학습 프레임워크는 동일한 행동 라벨을 가진 신경 시점들을 서로 끌어당김으로써 잠재 공간을 형성합니다. 기하학적 메트릭(예: GLUE)은 매니폴드 용량을 정량화합니다. 도메인 적응 기술(예: SABLE)은 분포 변화와 기록 아 artifacts에 대한 견고성을 보장합니다.
• 생성 및 파운데이션 모델: 신흥 신경 파운데이션 모델(예: POYO, NEDS, POSSM)은 신경 스파이크를 토큰으로 취급하여 보편적인 신경 문법(grammars)을 학습합니다. 이러한 모델은 트랜스포머에서 하이브리드 순환 상태 공간 모델에 이르는 아키텍처를 활용하여, 대규모 사전 학습을 통해 교차 피험자 일반화 및 제로샷 디코딩을 수행합니다.

주요 기여

1. 통합된 분류 체계: 본 논문은 파편화된 분야를 단일 영역 역학, 다중 영역 통신, 행동 정렬 모델링을 아우르는 구조화된 분류 체계로 정리하여, 정적 평활화와 복잡한 역학 시스템 사이의 간극을 메웠습니다.
2. 생성 프레임워크: 다양한 방법론에 대한 공통의 생성적 정식화를 제공하여, 서로 다른 모델들이 잠재 상태를 어떻게 추론하는지 체계적으로 비교할 수 있게 합니다.
3. 신흥 패러다임 식별: 본 조사는 "신경 파운데이션 모델(Neuro-Foundation Models)"을 네 번째 신흥 패러다임으로 식별하며, 이는 대규모 사전 학습과 보편적 신경 표현을 향한 거대 언어 모델(LLM)과 유사한 변화를 강조합니다.
4. 벤치마킹 및 자원: 모델 평가에 필수적인 표준화된 벤치마크(예: Neural Latents Benchmark)와 대규모 공개 데이터셋(예: International Brain Laboratory, Allen Brain Observatory)을 목록화하였습니다.

결과 및 평가

조사 논문으로서 저자들은 새로운 실험 결과를 제시하는 대신, 문헌에 보고된 기존 방법들의 성능과 역량을 종합합니다:

• 역학: 딥 순차 모델(LFADS, Transformer)은 선형 상태 공간 모델에 비해 자율적인 신경 역학을 회복하고 잠재 흐로 필드(flow fields)를 추론하는 데 탁월한 능력을 입증했습니다.
• 통신: 부공간 식별 및 딥 러닝 접근법은 전송 지연이 존재하는 상황에서도 방향성 기능적 연결성과 통신 부공간을 성공적으로 식별해 냈습니다.
• 행동 정렬: 대조 학습 및 분리(disentanglement) 방법은 행동과 정렬된 잠재 요인을 격리하는 데 효과적임을 증명하였으며, 이를 통해 서로 다른 피험자 및 세션 간의 신경 매니폴드 정렬을 가능하게 했습니다.
• 파운데이션 모델: 초기 신경 파운데이션 모델들은 제로샷 디코딩과 교차 피험자 일반화에서 유망한 가능성을 보여주며, 개별 실험의 데이터 부족 문제를 해결하고 있습니다.

의의 및 향후 과제

본 논문은 이 분야가 고급 LVM을 통해 해석 가능한 뇌 역학과 신뢰할 수 있는 신경 디코딩을 연결할 수 있는 중요한 전환점에 있다고 주장합니다. 그러나 몇 가지 과제가 남아 있습니다:

• 식별 가능성(Identifiability): 학습된 파라미터가 데이터의 아티팩트가 아닌 실제 생물학적 메커니즘에 대응하도록 보장하는 것은 여전히 어려우며, 특히 회전 모호성(rotational ambiguity)이 있는 딥 모델에서 그러합니다.
• 인과관계(Causality): 현재의 방법들은 주로 관찰적입니다. 분야는 "디지털 트윈(Digital Twins)"을 사용하여 물리적 실험 전에 반사실적 가설을 테스트하는 등 인과적 표현 학습을 향해 나아가야 합니다.
• 일반화(Generalization): 보편적인 "신경 문법"의 부재는 제로샷 전이를 방해합니다. 해결책은 신경 역학을 절대적인 발화율이 아닌 상대적인 매니폴드로 취급하는 데 있을 수 있습니다.
• 효율성(Efficiency): 트랜스포머 및 확률적 모델의 계산 비용은 실시간 뇌-컴퓨터 인터페이스의 장벽이 되며, 이는 경량 네트워크로의 지식 증류(knowledge distillation)를 필요로 합니다.

저자들은 인과성, 해석 가능성, 그리고 기하학적 측면의 과제를 해결하는 것이 생물학적 지능의 알고리즘을 성공적으로 역설계하는 데 필수적이라고 결론짓습니다.