PathFinder: Joint Decompositions of Linked Multimodal Datasets

인간의 뇌는 광대하고 복잡한 풍경이며, 과학자들은 오랫동안 그 숨겨진 패턴을 지도화하기 위해 노력해 왔습니다. 이를 위해 그들은 뇌의 전기적 활동을 스캔하거나, 혈류량을 측정하거나, 심지어 뇌를 형성하는 유전자를 살펴보는 등 다양한 각도에서 데이터를 수집하곤 합니다. 이러한 각 방법은 특정 관점에서 본 뇌의 스냅샷인 거대한 숫자 격자(grid)를 생성합니다. 수년 동안 연구자들은 이 격자를 분해하여 노이즈 속에서 반복되는 단순하고 근본적인 구조를 찾기 위해 수학적 도구들을 사용해 왔습니다. 이러한 도구들이 강력한 이유는 순수하게 데이터에 기반하기 때문입니다. 즉, 무엇을 찾으라고 미리 작성된 스크립트를 필요로 하지 않으므로, 뇌와 같은 복잡한 시스템 내의 숨겨진 연결 고리를 드러낼 수 있게 해줍니다. 그러나 중대한 장애물이 항상 존재해 왔습니다. 이러한 도구들은 일반적으로 비교되는 모든 데이터가 동일한 집단이나 동일한 뇌 영역과 같이 공통된 특징을 공유해야 한다는 점입니다. 만약 인간의 뇌와 원숭이의 뇌를 비교하려고 하거나, 어떤 사람들에 대한 데이터는 있지만 다른 이들에 대한 데이터는 없는 경우, 격자가 서로 일치하지 않기 때문에 표준적인 방법들은 종종 무너집니다.

옥스퍼드 대학교의 한 연구팀은 이 문제를 해결하기 위한 새로운 접근 방식인 '패스파인더(PathFinder)'라는 방법을 개발했습니다. 그들의 연구는 서로 다른 유형의 뇌 데이터를 결합하는 방식의 근본적인 한계를 다룹니다. 여러 상자에서 나온 조각들로 퍼즐을 맞추려 하는데, 어떤 조각들은 아예 빠져 있는 상황을 상상해 보십시오. 전통적인 방식은 모든 조각이 반드시 하나의 미리 정의된 틀 안에 완벽하게 들어맞아야 한다고 주장합니다. 반면, 패스파인더는 더 유연합니다. 이 방법은 전체 데이터 컬렉션이 하나의 공통된 차원을 공유하지 않더라도, 데이터 내의 작은 그룹들은 여면 겹칠 수 있다는 점을 인식합니다. 데이터 조각들을 하나로 묶어주는 연결의 사슬, 즉 '경로(path)'가 존재하기만 한다면, 이 방법은 그 모든 것들을 하나의 일관된 그림으로 엮어낼 수 있습니다. 이를 통해 과학자들은 데이터를 자연스럽게 갖지 않은 경직된 구조에 억지로 끼워 맞추지 않고도, 서로 다른 종, 서로 다른 유형의 스캔, 또는 일부 정보가 누락된 데이터셋 사이에서 공통된 패턴을 찾아낼 수 있습니다.

연구진은 컴퓨터 시뮬레이션을 시작으로 일련의 테스트를 통해 이 새로운 방법의 위력을 입증했습니다. 그들은 세 가지 서로 다른 그룹에 걸친 두 가지 유형의 측정을 나타내는 6개의 서로 다른 데이터 세트로 구성된 격자를 만들었습니다. 테스트 과정에서 그들은 두 개의 데이터 세트를 의도적으로 제거하여 마치 누락된 것처럼 가정했고, 알고리즘에게 남은 네 개의 데이터를 바탕으로 그 누락된 조각들이 어떤 모습이어야 하는지를 파악하도록 요청했습니다. 이 방법은 성공적이었으며, 누락된 데이터를 정확하게 재구성했을 뿐만 아니라 데이터에 노이즈가 섞여 있을 때 기존의 기술들보다 더 뛰어난 성능을 보여주었습니다. 이는 이 방법이 단순히 존재하는 것에서 패턴을 찾는 것을 넘어, 주변 조각들의 논리를 이용해 빈칸을 채우고 부재하는 것을 예측할 수 있음을 증명한 것이며, 복잡한 퍼즐의 빈 곳을 효과적으로 메울 수 있음을 보여주었습니다.

이 방법이 실제 세계에서도 작동하는지 확인하기 위해, 연구팀은 휴먼 커넥톰 프로젝트(Human Connectome Project)의 실제 뇌 스캔 데이터에 패스파인더를 적용했습니다. 한 실험에서 그들은 피험자들이 화면에서 회전하는 쐐기(wedge)와 움직이는 막대를 보는 시각 과제를 수행할 때의 데이터를 살펴보았습니다. 그들은 뇌 활동 기록과 시각적 패턴 자체를 6개의 서로 다른 실행(run) 단위로 정리된 격자로 보유하고 있었습니다. 그 후, 컴퓨터로부터 특정 시각 패턴(반시계 방향으로 회전하는 쐐기)을 숨겼습니다. 뇌 데이터와 나머지 다섯 개의 시각 패턴만을 사용하여, 패스파인더는 누락된 시각 패턴을 성공적으로 예측해 냈습니다. 그 결과는 매우 정밀하여, 예측된 이미지가 실제 자극과 거의 완벽하게 일치했습니다. 그러나 뇌 데이터의 절반을 제거한 상태에서 동일한 실험을 시도했을 때는 예측에 실패했는데, 이는 이 방법이 간극 사이에 신뢰할 수 있는 다리를 놓기 위해 충분한 연결 정보가 필요함을 보여주었습니다.

연구팀은 또한 패스파인더가 기존의 몇몇 더 복잡한 방법들이 수행하는 기능을 더 단순하고 통합된 방식으로 수행할 수 있는 일반적인 프레임워크임을 보여주었습니다. 예를 들어, 개인의 뇌 네트워크를 매핑하는 데 사용되는 '이중 회귀(dual regression)'라는 흔한 기법은 패스파인더를 통해 단 한 번의 단계로 재현될 수 있습니다. 이는 패스파인더가 단순히 새로운 기술 하나가 아니라, 기존의 많은 방법론을 포괄할 수 있는 더 넓은 우산이며, 데이터가 깔끔하게 하나의 상자에 담기지 않는 상황을 처리하는 데 있어 더 유연한 방식을 제공한다는 것을 시사합니다.

가장 인상적인 응용 사례는 아마도 피질(cortex)과 시상(thalamus) 및 기저핵(basal ganglia)과 같은 더 깊은 구조를 연결하는 뇌의 루프(loop) 연구였을 것입니다. 이러한 연결은 정보가 한 영역에서 다음 영역으로 흐르고 결국 다시 시작점으로 돌아오는 순환 도로와 같은 사이클을 형성합니다. 연구진은 10명의 인간 피험자로부터 얻은 확산 MRI 데이터를 사용하여 이러한 영역 간의 구조적 연결을 매핑했습니다. 그들은 데이터가 순환적 흐름을 반영하도록 배치하여, 각 행렬이 이웃한 행렬과 하나의 차원을 공유하는 체인을 만들었습니다. 이 순환적 배열에 패스파인더를 적용함으로써, 그들은 운동 경로(motor pathway), 연합 경로(associative pathway), 그리고 변연계 경로(limbic pathway)라는 세 가지 주요 기능적 경로를 밝혀낼 수 있었습니다. 이 방법은 뇌의 복셀(voxel)들을 이러한 별개의 회로로 성공적으로 그룹화하였으며, 이는 과학자들이 이미 알고 있는 뇌 시스템의 해부학적 조직과 일치하는 명확한 결과를 보여주었습니다.

연구진은 이 방법이 강력하긴 하지만, 모든 문제를 즉각적으로 해결하는 마법 지팡이는 아니라는 점을 주의 깊게 언급했습니다. 분해(decomposition)의 수학적 특성상 결과가 때때로 모호할 수 있으며, 이를 고유하고 해석하기 쉽게 만들기 위해 추가적인 단계가 필요합니다. 실험에서 그들은 결과를 이해하기 쉬운 형태로 회전시키는 후속 과정을 사용했으며, 이는 시뮬레이션에서 진정한 기저 구조를 회복하고 실제 데이터에서 해부학적으로 타당한 지도를 생성하는 데 도움이 되었습니다. 또한 그들은 현재 버전의 도구가 데이터를 2차원 격도로 배열할 수 있을 때 가장 잘 작동한다는 점을 인정하면서도, 이미 이를 더 복잡한 다차원 데이터와 비선형 관계로 확장하는 방법에 대해 구상하기 시작했다고 밝혔습니다.

궁극적으로, 이 연구는 이전에는 불가능했던 방식으로 종간(species) 및 규모 간의 뇌를 비교할 수 있는 문을 열어줍니다. 이 방법은 모든 개별 데이터 포인트 사이에 일대일 대응을 요구하지 않기 때문에, 연구자들이 원숭이와 같은 한 종의 데이터를 사용하여 인간과 같은 다른 종의 데이터를 해석하는 데 도움을 줄 수 있습니다. 설령 두 종 사이에 정확히 동일한 측정값이 존재하지 않더라도 말입니다. 이는 누락되거나 호환되지 않는 데이터를 공통된 패턴을 찾아내는 기회로 바꿉니다. 서로 다른 데이터 세트를 단순하고 겹치는 연결을 통해 연결하는 방법을 제공함으로써, 패스파인더는 복잡하게 얽힌 뇌의 상호 연결된 본질을 바라보는 새로운 렌즈를 제공하며, 파편화된 정보의 조각들을 우리가 생각하고, 움직이고, 느끼는 방식에 대한 하나의 통일된 이야기로 탈바꿈시킵니다.