💬 NLP

Neural Circuit Function Inference with LLMs

이 논문은 대규모 언어 모델을 활용하여 문헌 기반의 세포 유형 기능을 추출하고 이를 커넥톰 데이터와 통합함으로써 신경 회로 및 그 구성 세포 유형의 기능을 체계적으로 추론하고 계층적으로 구조화하는 자동화된 방법인 LLantia를 소개하며, 이는 성체 초파리 뇌에서 입증 및 검증되었습니다.

원저자: Yijie Yin (Department of Physiology, Development and Neuroscience, University of Cambridge, Cambridge, UK, MRC Laboratory of Molecular Biology, Cambridge, UK), Albert Cardona (MRC Laboratory of Molecu

게시일 2026-08-04

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Yijie Yin (Department of Physiology, Development and Neuroscience, University of Cambridge, Cambridge, UK, MRC Laboratory of Molecular Biology, Cambridge, UK), Albert Cardona (MRC Laboratory of Molecular Biology, Cambridge, UK, Department of Physiology, Development and Neuroscience, University of Cambridge, Cambridge, UK)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

도시가 어떻게 돌아가는지 이해하기 위해 모든 거리, 골목, 보도를 보여주는 지도만을 보고 있다고 상상해 보십시오. 여러분은 도로가 어디서 연결되는지는 알지만, 교차로에서 실제로 어떤 일이 일어나는지는 전혀 모릅니다. 저 신호등은 스쿨존을 위한 것인가요? 저 골목은 배달 트럭을 위한 지름길인가요, 아니면 막다른 길인가요? 이것이 현재 신경과학의 상태입니다. 과학자들은 마침내 초파리와 같은 아주 작은 뇌의 "배선도(wiring diagrams)"를 완성하여, 어떤 뉴런이 다른 뉴런과 정확히 어디서 맞닿아 있는지를 보여주었습니다. 하지만 연결 관계를 아는 것은 싸움의 절반에 불과합니다. 진짜 미스터리는 그 연결들이 실제로 무엇을 하는가를 알아내는 것입니다. 어떻게 특정한 전선 뭉치가 식초 냄새를 감지하여 그곳을 향해 날아가라는 결정으로 바꾸는 것일까요?

이를 해결하기 위해 연구자들은 새로운 종류의 디지털 탐정, 즉 대규모 언어 모델(LLM)을 사용하고 있습니다. 이들을 거의 모든 과학 논문을 섭렵한 매우 똑똑한 AI 독서가라고 생각하십시오. 이들은 텍스트에서 패턴을 찾는 데 탁ell하지만, 보통 배선도를 직접 볼 수는 없습니다. 큰 질문은 이것입니다. AI에게 연결 지도를 보면서 동시에 그 부분들이 무엇을 하는지에 대한 역사서를 읽도록 가르칠 수 있을까요? 그리고 그 지식을 사용하여 아직 아무도 연구하지 않은 부분의 기능을 추측하게 할 수 있을까요? 만약 우리가 이를 해낼 수 있다면, 매번 단 하나의 뉴런을 위해 수천 번의 느리고 비싼 실험을 수행할 필요 없이 복잡한 회로가 어떻게 작동하는지 즉각적으로 이해할 수 있을 것입니다.

AI 탐정: LLantia

LLantia(LLM 자동 신경 회로 추론 및 분석)를 만나보십시오. 이는 연구자 이지에 인(Yijie Yin)과 알버트 카르도나(Albert Cardona)가 만든 새로운 디지털 도구입니다. 그들의 목표는 성체 초파리 뇌의 거대한 완성형 배선 지도를 가져와서, 설령 어떤 과학자도 그 특정 뉴런에 대해 글을 쓴 적이 없더라도 모든 유형의 뉴런이 무엇을 하는지 자동으로 파악할 수 있는 시스템을 구축하는 것이었습니다.

문제점: 잃어버린 페이지들이 가득한 도서관
초파리의 뇌에는 약 14만 개의 뉴런이 있지만, 형태와 연결 방식에 따라 분류하면 약 9,000개의 뚜렷한 "세포 유형"을 형성합니다. 과학자들은 이 중 일부 유형을 연구해 왔지만, 정보는 마치 서로 다른 상자에 담긴 퍼즐 조각처럼 흩어져 있습니다. 어떤 논문은 뉴런이 냄새를 돕는다고 말하고, 다른 논문은 움직임을 돕는다고 말합니다. 한편, 배선도는 이 뉴러들이 매우 밀접하게 연결되어 있음을 보여줍니다. 마치 80%의 역이 단 5개 정거장 안에 연결되어 있는 붐비는 지하철역과 같습니다. 이 모든 신호가 결합될 때 어떤 일이 일어나는지 인간이 빠르게 파악하는 것은 불가능합니다.

해결책: 2단계 마술
LLantia는 매우 조직적인 사서이자 뛰어난 탐정의 역할을 겸하며 두 가지 주요 단계로 작동합니다.

1단계: 사서 (단서 읽기)
먼저, 시스템은 과학 문헌을 뒤지는 보물찾기를 시작합니다. 몇 개의 "시드(seed)" 논문에서 시작하여 인용 그래프(어떤 논문이 어떤 논문을 참조하는지의 지도)를 사용하여 관련된 모든 연구를 찾아냅니다. 시스템은 텍스트를 다운로드하고 AI를 사용하여 언급된 뉴런의 구체적인 기능을 추출합니다.

도전 과제: 과학자들은 종종 동일한 뉴런을 서로 다른 이름으로 부릅니다 (예를 들어 "개"를 "견종"이나 "강아지"라고 부르는 것처럼). AI는 "MBON-α'1"과 "MBON15"가 이야기 속의 동일한 캐릭터라는 것을 알아차릴 만큼 똑똑해야 합니다.
결과: 시스템은 수천 편의 논문에서 411개의 고유한 세포 유형의 기능을 성공적으로 추출하여, 길고 복잡한 문장을 짧고 명확한 요약본으로 변환했습니다.

2단계: 탐정 (미스터리 해결)
다음으로, 시스템은 배선 지도와 방금 읽은 요약본을 가져옵니다. 그리고 강력한 AI 모델을 위한 맞춤형 "프롬프트"(상세한 지침)를 생성합니다. 이 프롬프트는 다음과 같이 말합니다: "여기 특정 뉴런이 있습니다. 이 뉴런은 누구와 대화합니다. 이 이웃들은 무엇을 하는 것으로 알려져 있습니다. 이를 바탕으로, 이 뉴록의 역할은 무엇입니까?"

논리: 만약 어떤 뉴런이 "냄새 감지기"로부터 신호를 받고 "비행 제어기"로 신호를 보낸다면, AI는 이 뉴런이 아마도 "냄새를 비행으로 전환하는 장치"일 것이라고 추론합니다.
출력: 단순한 추측 대신, AI는 구조화된 보고서를 생성합니다. 이 보고서는 뉴런의 기능을 제안하고, 그 뉴런이 제어할 수 있는 구체적인 행동(예: "배고플 때 먹이를 찾는 것")을 제시하며, 심지어 이 아이디어를 뒷받침하는 구체적인 연결 관계까지 목록으로 만듭니다. 또한 이 추측들을 계층 구조로 정리하여 작은 회로가 어떻게 더 큰 회로에 포함되는지 보여줍니다.

성공했는가? 증거
연구진은 단순히 운에 맡기지 않고 엄격하게 테스트했습니다.

"미래" 테스트: 그들은 AI가 학습된 후 발표된 완전히 새로운 과학 논문과 결과를 대조했습니다. AI는 특정 뉴런(LoVPN)이 다른 감각(예: 냄새)이 조용할 때만 작동하는 "시각적 돌출도 감지기(visual salience detector)" 역할을 한다는 것을 정확히 추론해 냈습니다. 이는 새로운 논문의 결과와 완벽히 일치했으며, AI가 단순히 오래된 사실을 암기한 것이 아니라 회로에 대해 실제로 추론하고 있음을 입证明했습니다.
"기억" 테스트: AI가 학습 데이터에서 답을 단순히 회상하는 것이 아닌지 확인하기 위해, 연구진은 뉴런의 이름을 숨기고 알려진 기능 설명을 제거했습니다. 이름이 사라지자 AI의 추측은 모호하고 일반적이 되었습니다. 이는 AI가 답을 맞히기 위해 단순히 사실을 기억해 낸 것이 아니라, 배선 지도와 다른 뉴런들의 맥락을 실제로 사용했다는 것을 입증했습니다.
"인간" 테스트: AI의 요약본을 인간 전문가가 작성한 것과 비교했을 때, 컴퓨터가 생성한 설명은 표현 방식은 다르더라도 의미 면에서는 놀라울 정도로 유사했습니다.

발견한 내용
이 방법을 사용하여, 팀은 초파리 뇌의 9,000개 모든 세포 유형에 대한 기능 가설을 생성했습니다. 또한 그들은 6개의 주요 "회로"(예: 냄새 센서에서 항법 센터로 가는 경로)를 지도화했습니다. AI는 다음과 같은 공통된 테마를 발견했습니다:

교차 억제(Cross-inhibition): 다른 더 긴급한 행동(예: 포식자로부터 도망치는 것)이 필요할 때 하나의 행동(예: 사랑 노래를 부르는 것)을 멈추게 하는 뉴런들.
AND 게이트(AND Gates): 여러 조건이 모두 충족될 때만 활성화되는 뉴런들 (예: "나는 배가 고프다" AND "나는 음식 냄새를 맡는다" AND "나는 짝짓기 중이 아니다").

핵심 요약
LLantia는 과학자를 대체하는 것이 아니라, 그들에게 엄청난 출발점을 제공합니다. 이 도구는 흩어져 있는 방대한 데이터를 "무엇이 무엇을 하는가"에 대한 구조화되고 검색 가능한 지도로 바꿔줍니다. 뉴런의 배선과 그 역할을 연결하는 과정을 자동화함으로써, 연구자들이 추측의 단계를 건너뛰고 이러한 새로운 아이디어를 테스트하기 위한 실험 설계로 바로 나아갈 수 있게 해줍니다. 저자들은 우리의 지도가 더 정교해짐에 따라 이 접근 방식이 더 큰 뇌로 확장될 수 있으며, 신경계의 압도적인 복잡성을 해결 가능한 퍼즐로 바꿀 수 있을 것이라고 제안합니다.

기술 요약: LLM을 이용한 신경 회로 기능 추론 (LLantia)

문제 정의

초파리(Drosophila melanogaster)를 중심으로 한 커넥톰 매핑의 급격한 가속화는 주요 과제를 데이터 획득에서 신경 회로 기능의 해석으로 전환시켰다. 초파리 커넥톰은 약 140,000개의 뉴런을 포함하고 있지만, 형태학 및 시냅스 연결성을 바탕으로 약 9,000개의 구별되는 세포 유형(cell types)으로 축소될 수 있다. 그러나 약 80%의 세포 유형이 5단계(five hops) 이내에 시냅스적으로 연결되어 있다는 점에서의 높은 연결 밀도는 잠재적인 입출력 경로의 조합 폭발을 야기한다. 이러한 복잡성과 더불어, 일부 세포 유형만을 다루는 파편화되고 흩어진 문헌 자료는 테스트 가능한 모델과 실험을 수립하는 데 걸림돌이 된다. 기존의 문헌 집계 방식은 수동 큐레이션이나 오픈 API가 없는 상용 도구에 크게 의존하고 있어, 알려진 기능적 데이터와 구조적 커넥톰 데이터를 대규모로 체계적으로 통합하기 어렵다.

방법론: LLantia 프레임워크

저자들은 커넥톰 구조와 문헌 유래 기능 설명을 결부터하여 신경 세포 유형 및 이들이 구성하는 회로의 기능을 추론하도록 설계된 자동화된 파이프라인인 LLantia(LLM automated neural circuit inference and analysis)를 소개한다. 이 프레임워크는 세 가지 주요 단계로 작동한다:

1. 자동 문헌 마이닝 및 기능 추출(Distillation)

인용 그래프 탐색: 114개의 엄선된 "시드(seed)" 논문에서 시작하여, 시스템은 Semantic Scholar API를 사용하여 인용 그래프(상위 및 하위, 2단계)를 탐색한다.
관련성 필터링: 소형 LLM(Qwen3.5-4B)이 초기 키워드 필터를 거친 후, 제목과 초록을 바탕으로 초파리 신경 기능과의 관련성을 필터링한다.
추출 및 정규화: 전체 텍스트 PDF를 검색(Semantic Scholar, Unpaywall, OpenAlex 활용)하고 대형 LLM(Qwen3.6-35B)을 통해 세포 유형 이름과 그 기능을 추출한다.
이름 매칭: 추출된 이름은 동의어 목록 및 부분 문자열 매칭을 통해 커넥톰 식별자와 매칭된다.
요약: 여러 논문에 등장하는 세포 유형의 경우, LLM은 후속 프롬프트 제약 조건을 충족하기 위해 발견된 내용들을 간결한 설명(최대 30단어)으로 통합한다.

2. 단일 세포 유형 기능 추론

질의 대상 세포 유형의 기능을 추론하기 위해, 시스템은 다음과 같은 구조화된 프롬프트를 구성한다:

커넥토롬 데이터: 감각 뉴런 및 알려진 기능적 세포로부터 질의 대상 세포로의, 그리고 질의 대상 세포로부터 알려진 세포들로 이어지는 사전 계산된 부호화된 유효 연결성(excitatory/inhibitory).
국소적 맥락(Local Context): 직접적인 전시냅스(presynaptic) 및 후시냅스(postsynaptic) 파트너와 그들의 연결 가중치.
기능적 지식: 질의 대상의 다시냅스 경로에 참여하는 모든 "알려진" 세포 유형들에 대해 추출된 기능 설명 모음집.
제약 조건: 데이터 누수(data leakage)를 방로하고 추론 능력을 테스트하기 위해, 질의 대상 세포의 알려진 기능은 명시적으로 제외된다.
출력: LLM(Qwen3.6-35B)은 행동 맥락, 회로 로직, 일관성 평가, 추론된 계산, 핵심 지원 연결 및 중간 계산 과정을 상세히 기술하는 구조화된 JSON 응답을 생성한다.

3. 계층적 회로 기능 추론

더 넓은 범위의 회로를 위해, 파이프라인은 다단계 계층적 프롬프팅 전략을 채택한다:

경로 탐색: Connectome Interpreter는 정의된 소스(source)와 타겟(target) 세포 유형 사이의 모든 다시냅스 경로를 식별한다.
계층적 표현: 토큰 중복을 줄이기 위해 회로를 레이어드 그래프(정보 흐름 기반)로 변환하며, 소스로부터의 시냅스 거리별로 세포 유형을 나열한다.
반복적 합성:
1. 쌍별(Pairwise): 특정 입출력 쌍에 대한 기능을 추론한다.
2. 집계(Aggregation): 타겟으로 수렴하거나 소스로부터 발산하는 모든 경로에 대한 기능을 합성한다.
3. 전역 합성(Global Synthesis): 이러한 요약들을 결합하여 여러 행동 및 생리적 맥락(예: 허기, 교미 상태)에 걸친 전체 회로의 기능을 정의한다.

주요 결과 및 검증

문헌 추출 정확도

자동화된 세포 유형 기능 추출은 수동으로 큐레이션된 데이터셋을 통해 검증되었다. 임베딩 유사도 분석(Qwen3-Embedding-8B 사용) 결과, 자동화된 파이프라인이 생성한 동일 세포 유형에 대한 설명은 다른 세포 유형에 대한 설명보다 인간이 큐레이션한 설명과 유의미하게 더 유사했다 (Wilcoxon $p < 1.51 \times 10^{-35}$ ).

추론 검증

정량적 분석: 알려진 기능을 가진 488개 세포 유형에 대해, (알려진 기능을 프롬프트에서 제외한 후의) LLM 추론 설명은 다른 세포 유형의 설명보다 문헌 기반의 실제 값(ground truth)에 유의미하게 더 가까웠다 ( $p < 1.30 \times 10^{-33}$ ).
메모리 vs. 분석 제어:
- 알려진 기능 설명을 프롬프트에서 제거했을 때 성능이 하락했는데, 이는 모델이 단순히 세포 유형 이름을 암기한 것이 아니라 제공된 맥락에 의존함을 나타낸다.
- 세포 유형 이름을 더미(dummy) 이름으로 대체했을 때(연결성과 기능적 설명은 유지), 모델은 높은 성능을 유지하였으며, 이는 추론이 이름 기반의 검색이 아닌 구조적 및 기능적 분석에 의해 구동됨을 증명한다.
전향적 검증(Prospective Validation): 본 방법론은 LoVPN 세포 유형(LTe72)의 기능을 추론하는 데 적용되었으며, 사용된 LLM은 Qwen3.6이다. 이 분석은 2026년 4월에 출시된 Qwen3.6을 통해 수행되었으며, Coban, Harris 등의 논문(2026년 6월)이 발표되기 전에 진행되었다. LLM은 "다른 감각 양식(후각, 열감각)에 의해 게이팅되는 맥ual-dependent 시각적 돌출도(visual salience) 탐지기"를 예측하였으며, 이는 이후 2026년 6월 논문에서 보고된 LHPV6m 매개 게이팅에 관한 실험적 결과와 정확히 일치하였다.

회로 분석 응용

프레임워크는 초파리 뇌의 6가지 광범 \ 회로(예: Lateral Horn에서 Central Complex로, MBON에서 하행 뉴런으로)에 적용되었다. 시스템은 다음과 같은 계층적 설명을 생성하였다:

맥락 의존적 로직: 특정 상태(예: 허기 vs 포만감)에 따라 다르게 작동하는 회로.
교차 억제(Cross-Inhibition): 특정 세포 유형(예: LPLC2)이 다른 세포 유형(예: pMP2)을 억제하여 행동적 배타성을 강제하는 메커니즘.
AND 게이트: 특정 운동 출력을 트리거하기 위해 여러 조건(예: 음식 냄새 존재 + 구애 우선순위 부재)이 동시에 충족되어야 하는 요구 사항.

의의 및 주장

본 논문은 LLantia가 커넥톰 구조와 기능적 이해 사이의 간극을 메우는 확장 가능하고 자동화된 방법을 제공한다고 주장한다. 주요 기여는 다음과 같다:

체계적 추론: 수동 큐레이션을 넘어 초파리 커넥톰의 약 9,000개 모든 세포 유형에 대해 기능을 체계적으로 추론한다.
역추적 및 투명성: 계층적이고 구조화된 출력은 연구자들이 회로 수준의 가설을 특정 하위 회로, 시냅스 연결, 그리고 원래의 문헌으로 역추적할 수 있게 하여 실험적 검증을 용이하게 한다.
맥락적 미묘함: 행동 및 생리적 맥락을 명시적으로 모델링함으로써, 이 방법은 특정 조건 하에서 회로가 어떻게 작동하는지를 추론하며, 정적인 연결 지도의 한계를 해결한다.
오픈 사이언스: 저자들은 소프트웨어 제품군(LLantia), Connectome Interpreter, 그리고 생성된 모든 데이터(FAFB/FlyWire 커넥톰에 대한 가설 포함)를 오픈 소스 리소스로 공개하여 커뮤니티가 이 방법론을 다른 커넥톰에 적용할 수 있도록 한다.

저자들은 현대의 오픈 웨이트 LLM이 구조화된 프롬프트(연결성과 추출된 기능적 지식 포함)의 안내를 받을 때 신경 회로에 대한 추론을 효과적으로 수행할 수 있음을 입증하면서도, 본 프레임워크가 적어도 일부 구성 세포 유형에 대한 기존 문헌의 존재 여부에 의존한다는 점과 자유 텍스트 형태의 출력이 인간 전문가나 자동화된 기능적 일치도 체크에 의한 추가적인 체계적 검증이 필요하다는 점을 인정하며 신중한 입장을 유지한다.