가로등 밖에서 들려오는 소음만으로 거대하고 북적이는 도시를 이해하려고 노력한다고 상상해 보십시오. 교통 체증의 웅성거림, 군중의 대화 소리, 지하철의 덜컹거림은 들을 수 있지만, 누가 누구와 대화하고 있는지, 대화가 어디에서 일어나고 있는지, 혹은 그 소음이 단지 건물들에 부딪혀 발생하는 하나의 거대한 메아리인지 알 수는 없습니다. 이것이 신경과학자들이 인간의 뇌를 지도화할 때 직면하는 도전 과제입니다. 뇌는 수십억 개의 뉴런이 동시에 발화하며 전기적, 자기적 신호의 교향곡을 만들어내는 복 복잡한 네트워크입니다. 두개골을 열지 않고 이 음악을 듣기 위해 과학자들은 두 가지 특별한 도구를 사용합니다. 바로 두피의 센서를 통해 뇌의 전기적 전압을 듣는 EEG(뇌전도)와, 동일한 전류가 만들어내는 미세한 자기장을 감지하는 MEG(뇌자도)입니다. 두 도구 모두 뇌의 생각을 밀리초 단위로 포착할 수 있는 고속 마이크와 같지만, 까다로운 결함이 있습니다. 신호가 두개골과 피부를 통과하면서 번지고 섞이기 때문에, 두 개의 센서가 서로 다른 뇌 영역 간의 대화를 포착하고 있는 것인지, 아니면 단순히 한 명의 큰 목소리가 두 곳에서 울려 퍼지는 메아리인지를 구별하기 어렵다는 점입니다.

서던 캘리포니아 대학교의 리처드 레히(Richard Leahy)와 타크파리나스 메다니(Takfarinas Medani)가 작성한 이 논문은 본질적으로 그 지저받은 거리 수준의 소음을 명확한 도시의 동네와 그 연결망의 지도로 바꾸기 위한 가이드북입니다. 저자들은 EEG와 MEG 센서로부터 얻은 가공되지 않은 데이터를 어떻게 가져와서 고급 수학을 사용하여 뇌 활동을 "역설계(reverse-engineer)"하고, 신호가 뇌 내부의 정확히 어디에서 오는지 알아낼 수 있는지 설명합니다. 그들은 MRI 스캔을 사용하여 개인의 머리에 대한 상세한 3D 모델을 구축하고 복잡한 물리적 퍼즐을 해결함으로써, 연구자들이 표면적인 추측에서 벗어나 실제 관여된 뇌 영역을 정밀하게 찾아낼 수 있음을 보여줍니다. 이 논문은 단순히 위치를 찾는 데 그치지 않고, 이러한 영역들이 서로 어떻게 대화하는지 측정하는 방법, 즉 두개골의 "메아리" 효과로 인해 발생하는 가짜 연결과 실제 의미 있는 연결을 구별하는 방법을 가르쳐줍니다. 또한, 연구자들이 이 모든 작업을 단계별로 재현 가능한 방식으로 수행할 수 있도록 도와주는 '브레인스톰(Brainstorm)'이라는 특정 소프트웨어 툴킷을 강조하며, 이를 통해 생성된 뇌 네트워크 지도가 정확하고 신뢰할 수 있음을 보장합니다.

가로등에서 근원지로: 뇌 네트워크 매핑하기

뇌를 거대한, 보이지 않는 오케스트라라고 생각해보십시오. 음악가들(뉴런)이 함께 연주하면, 그들은 공기(머리)를 통해 관객(두피 위의 센서)에게 전달되는 소리를 만들어냅니다. 문제는 공기가 두껍고 울퉁불퉁하여 소리가 사방으로 튀기 때문에, 어떤 악기가 어떤 음을 연주하고 있는지 구별하기 어렵다는 것입니다. 이것이 과학자들이 말하는 "순방향 문제(forward problem)"입니다. 만약 우리가 음악가들이 어디에 있는지 안다면, 관객이 듣는 것을 예측할 수 있을까요? 논문은 이를 정확하게 수행하기 위해 우리는 완벽한 콘서트홀 지도가 필요하다고 설명합니다. 과거에 과학자들은 완벽한 구(sphere)와 같은 단순하고 둥근 형태의 머리 모델을 사용했습니다. 하지만 실제 머리는 울퉁불퉁하며 피부, 두개골, 뇌 조직처럼 각각 소리(또는 전기와 자기)를 다르게 전달하는 서로 다른 층으로 이루어져 있습니다.

저자들은 현대적인 도구들이 MRI 스캔을 사용하여 각 개인을 위한 맞춤형 "콘서트홀"을 구축하는 방법을 설명합니다. 그들은 신호가 어떻게 이동하는지 계산하기 위해 두 가지 주요 방법을 사용합니다. 한 가지 방법(BEM)은 층들을 별개의 껍질처럼 취급하는 반 것이고, 다른 방법(FEM)은 머리 전체를 아주 작은 3D 퍼즐 조각으로 나누어, 뇌의 백질 섬유를 따라 전기가 어떻게 다르게 흐르는지와 같은 더 세밀한 부분까지 파악하는 것입니다. 이러한 상세한 지도를 사용함으로써, 과학자들은 뇌의 특정 지점에서 발생한 신호가 최종적으로 센서에 도달했을 때 어떤 모습일지 정확하게 계산할 수 있습니다.

위대한 탐정 작업: 역문제 해결하기

이제 논문에서 "역문제(inverse problem)"라고 부르는 어려운 단계가 옵니다. 만약 우리가 관객으로부터 들리는 기록(센서 데이터)만 가지고 있다면, 어떤 음악가들이 연주했는지 알아낼 수 있을까요? 이것은 오케스트라의 혼합된 소리를 공연장 뒤쪽에서 듣는 것만으로 특정 음을 연주한 사람이 누구인지 추측하는 것과 같습니다. 이는 수많은 가능한 음악가 조합이 동일한 소리를 만들어낼 수 있기 때문에 매우 까다로운 퍼즐입니다. 이를 해결하기 위해, 논문은 과학자들이 몇 가지 영리한 추측, 즉 "제약 조건(constraints)"을 설정해야 한다고 설명합니다.

"다이폴 피팅(dipole fitting)"과 같은 일부 방법은 소수의 주요 음악가가 솔로 연주를 하고 있다고 가정합니다. 반면 "분산 소스 이미징(distributed source imaging)"이라고 불리는 다른 방법들은 오케스트라 전체가 연주하고 있다고 가정하고 모든 개별 악기의 볼륨을 파악하려고 시료합니다. 논문은 이를 위한 여러 기법을 강조하는데, 예를 들어 최소 에너지 해를 찾는 최소 노름 추정(Minimum Norm Estimation, MNE)이나, 신호가 센서에서 멀리 떨어져 있다는 이유로 깊은 곳의 조용한 악기들이 무시되지 않도록 볼륨을 조정하는 dSPM 등이 있습니다. 목표는 혼란스러운 센서 데이터를 깨끗한 뇌 활동 지도로 변환하여, 각 부분이 무엇을 하고 있는지에 대한 명확한 시간 궤적(time-trace)을 얻는 것입니다.

메아리 방: 전도 현상 다루기

여기서 논문이 경고하는 가장 큰 함정이 있습니다. 바로 "볼륨 전도(volume conduction)" 효과입니다. 오케스트라에 아주 큰 소리를 내는 트럼펫 연주자가 한 명 있다고 상상해 보십시오. 소리가 공기를 통해 매우 빠르게 전달되기 때문에, 방 반대편에 있는 두 개의 마이크가 정확히 같은 시간에 그 트럼펫 소리를 포착할 수 있습니다. 만약 여러분이 마이크의 신호만 본다면, 두 마이크가 서로 대화를 나누고 있거나 두 개의 서로 다른 섹션이 완벽하게 동기화되어 있다고 생각할 수도 있습니다. 하지만 실제로는 단 하나의 근원에서 발생한 소리가 울려 퍼진 것뿐입니다.

뇌에서도 이는 두 개의 센서가 실제로 두 뇌 영역이 통신하고 있기 때문이 아니라, 단지 한 뇌 영역으로부터 오는 동일한 신호를 둘 다 듣고 있기 때문에 강한 연결성을 보여줄 수 있음을 의미합니다. 논문은 이 "제로 래그(zero-lag)" 효과(신호가 지연 없이 도착하는 현상)가 가짜 연결의 주요 원인이라고 설명합니다. 이를 해결하기 위해 저자들은 몇 가지 기술을 제안합니다. 하나는 신호가 정확히 동시에 발생하는 것을 무시하고, 실제 대화가 일어나고 있음을 시사하는 미세한 지연(위상차, phase lag)이 있는 신호에만 집중하는 특수한 수학적 도구를 사용하는 것입니다. 또 다른 방법은 로우 데이터(센서 데이터)를 보는 대신, 이미 신호가 어디서 오는지 파악한 후인 "소스 공간(source space)"에서 분석을 수행하는 것입니다. 이것은 마이크를 공연장 뒤쪽에서 음악가 바로 옆으로 옮기는 것과 같습니다. 이렇게 하면 누가 누구와 대화하고 있는지 훨씬 쉽게 구별할 수 있습니다.

네트워크 지도 구축하기

과학자들이 데이터를 정화하고 뇌 활동의 진정한 근원을 찾아내면, 비로소 뇌 네트워크의 지도를 그리기 시작할 수 있습니다. 논문은 이를 뇌의 "커넥톰(connectome)"을 만드는 과정이라고 설명하며, 이는 마치 뇌의 지하철 노선도와 같습니다. 이 지도에서 역은 서로 다른 뇌 영역이며, 이들을 잇는 선은 통신이 얼마나 강력한지를 보여줍니다.

저자들은 이러한 연결을 측정하는 두 가지 주요 방법을 설명합니다.

1. 기능적 연결성 (Functional Connectivity): "이 두 역이 동시에 움직이고 있는가?"를 묻습니다. 누가 기차를 운전하는지는 중요하지 않으며, 단지 기차가 함께 도착하고 떠나는지가 중요합니다. 논문은 파동이 일치하는지 확인하는 위상 동기화(phase synchronization)나 신호의 크기가 함께 오르내리는지 확인하는 진폭 상관관계(amplitude correlation) 등 많은 측정 방식을 나열합니다.
2. 유효 연결성 (Effective Connectivity): "누가 기차를 운전하고 있는가?"를 묻습니다. 이는 영향력의 방향을 파악하려고 시도합니다. 전전두엽 피질(뇌의 상사)이 편도체(공포 센터)에게 진정하라고 명령하는 것인지, 아니면 그 반대인지를 밝혀냅니다. 논문은 "누가 누구에게 영향을 미치는가"라는 질문에 답하기 위해 그랜저 인과관계(Granger Causality)와 동적 인과 모델링(Dynamic Causal Modeling) 같은 도구들을 언급합니다.

툴킷: 브레인스톰과 친구들

마지막으로, 논문은 일반 연구자들이 이 모든 것을 가능하게 하는 도구들을 소개합니다. 이 논문은 **브레인스톰(Brainstorm)**이라는 소프트웨어 패키지를 강조하는데, 이는 뇌 데이터를 위한 맥가이버 칼(Swiss Army knife)과 같습니다. 이것은 노이즈가 섞인 녹음 데이터를 정화하는 것부터 3D 머리 모델을 구축하고 네트워크 지도를 그리는 것까지 모든 것을 할 수 있게 해주는 무료 오픈 소스 프로그램입니다. 저자들은 브레인스톰이 모든 단계에서 자신이 무엇을 하고 있는지 확인할 수 있게 해주므로 매우 유용하다고 강조합니다. 또한, MRI 스캔을 수학 계산에 필요한 상세한 머리 모델로 변환하는 데 도움을 주는 **브레인슈트(BrainSuite)**라는 다른 도구와도 연동됩니다.

논문은 이러한 도구들이 강력하지만, 연구자들은 주의를 기울여야 한다고 상기시키며 끝을 맺습니다. 모든 문제를 해결할 수 있는 단 하나의 "마법 탄환"은 없으며, 최선의 결과는 다양한 방법을 결합하고 스스로의 한계에 대해 정직해지는 것에서 나옵니다. 이러한 단계들을 따르고 이 도구들을 사용함으로써, 과학자들은 두개골을 절개하지 않고도 우리가 어떻게 생각하고 느끼는지에 대한 이해를 돕는 뇌 네트워크의 훨씬 더 명확한 그림을 그려낼 수 있습니다.