Trial-level Representational Similarity Analysis

인간의 뇌는 전기적 활동이 끊임없이 변화하며 우리가 생각하고, 느끼고, 세상을 지각함에 따라 계속해서 움직이는 광활하고 고요한 풍경이다. 수십 년 동안 과학자들은 마음이 어떻게 작동하는지 이해하기 위해 이 활동을 지도화하려고 노력해 왔으며, 특정 뉴런의 발화 패턴이 우리의 내부 경험을 대신하는 복잡한 기계처럼 뇌를 다루어 왔다. 이러한 패턴을 파악하기 위해 연구자들은 '표상 유사성 분석(representational similarity analysis)'이라는 방법을 개발했다. 군중을 바라보며 그들이 하는 말을 듣는 대신, 서로의 얼굴이 얼마나 닮았는지를 측정하여 그들의 관계를 이해하려는 상황을 상상해 보라. 뇌에서 과학자들은 이와 유사한 작업을 수행한다. 즉, 사람이 고양이와 개를 볼 때, 혹은 빨간 원과 파란 사각형을 볼 때 뇌의 활동이 얼마나 서로 닮았는지를 측정하는 것이다. 이러한 패턴을 비교함으로써, 그들은 뇌가 정보를 어떻게 조직하는지에 대한 지도를 구축할 수 있으며, 뇌가 유사한 항목들을 함께 묶는지 혹은 별개로 유지하는지를 밝혀낼 수 있다. 이 접근법은 인간 사고의 구조를 탐구하는 표준적인 도구가 되었지만, 그 유용성에도 불구하고 전통적인 방식은 인간 경험의 중요한 세부 사항들을 조사하지 못한 채 놓치고 있는 사각지대를 가지고 있다.

수년 동안 표준적인 방법은 일련의 뇌 스캔 데이터를 하나의 평균화된 데이터 블록으로 취급해 왔다. 연구자들이 이 고전적인 접근 방식을 사용할 때는 여러 가지 서로 다른 항목들 사이의 전반적인 유사성을 한꺼번에 살펴보며, 뇌가 세상을 어떻게 표상하는지에 대한 광범한 그림을 그려냈다. 그러나 이 방법에는 중대한 한계가 있었다. 바로 개별적인 순간들의 기여도를 가중치 있게 다룰 수 없었다는 점이다. 이는 마치 사진작가가 움직이는 장면을 찍은 백 장의 사진을 모두 평균 내어 하나의 흐릿한 이미지로 만든 다음, 그 안에서 한 사람의 미세한 표정을 분석하려고 시도하는 것과 같았다. 기존의 방식은 개별 시행(trial) 간의 차이를 뭉뚱그려 버렸기 때문에, 사람마다, 혹은 특정 자극마다, 심지어 동일한 실험 내에서의 매 순간마다 발생하는 자연스러운 변동을 설명하는 데 어려움을 겪었다. 이러한 변동은 단순한 노이즈가 아니라, 우리의 독특한 이력과 매 순간의 구체적인 맥락에 의해 영향을 받는 우리 뇌 기능의 본질적인 구조이다. 고전적인 접근 방식은 이러한 개별적인 변동을 무시함으로써, 우리의 인지 생활을 이끄는 미묘하지만 실재하는 효과들을 놓치는 경우가 많았다.

이를 해결하기 위해 연구자들은 '시행 수준 표상 유사사성 분석(trial-level representational similarity analysis)'이라는 새로운 프레임워크를 도입했다. 모든 것을 평균화하는 대신, 이 새로운 방법은 각각의 단일 실험 시행에 대한 뇌 표상의 강도를 살펴본다. 이는 모든 데이터의 매 순간을 그 자체로 가중치를 부여하고 분석할 수 있는 별개의 사건으로 취급한다. 연구자들은 먼저 이 새로운 방식이 모든 시행에 걸친 표상의 전반적인 강도를 측정할 때 기존 방식과 일치하는지 확인하였는데, 이는 새로운 도구가 결과를 만들어낸 것이 아니라 정교화한 것임을 입증하기 위함이었다. 그런 다음 그들은 단순한 패턴부터 복잡하고 노이즈가 많은 조건까지 다양한 시나리오를 모사한 시뮬레이션 데이터를 사용하여 두 접근법을 테스트했다. 시뮬레이션에서 새로운 방법은 전통적인 접근 방식보다 실제 효과를 포착하는 데 있어 유의미하게 더 높은 민감도를 보였다. 이 방법은 신호가 존재할 때 이를 더 잘 포착해 냈으며, 실험이 실제로 진행되는 자연스러운 계층 구조를 존중하는 방식으로 더욱 이론적으로 타당하게 수행되었다.

연구자들은 시뮬레이션에 머물지 않고, 실제 인간 참가자들로부터 수집된 기능적 자기공명영상(fMRI) 데이터에 이 새로운 방법을 적용했다. 여기서 그들은 고전적인 접근 방식이 간과했던 몇 가지 문제점들을 발견했다. 전통적인 방식은 실제 세계의 데이터가 변하는 특정한 방식을 처리할 수 없었기 때문에 때때로 오해의 소지가 있는 결론을 초래했다. 새로운 시행 수준 프레임워크는 더 견고했으며, 노이즈를 뚫고 기존 방식이 가려버렸던 패턴들을 드러냈다. 가장 중요한 것은, 이 새로운 접근 방식이 이전의 도구들로는 보는 것이 불가능했던 신경 표상에 대한 참신한 통찰을 찾아낼 수 있게 해주었다는 점이다. 그들은 뇌가 정보를 인코딩하는 방식이 개별 시행의 고유한 특성에 의존한다는 구체적인 세부 사항들을 발견했는데, 이는 평균의 흐릿함 속에서는 사라졌을 발견들이었다. 초점을 집단에서 개별적인 순간으로 전환함으로써, 이 연구는 때때로 전체 그림을 보는 열쇠가 가장 작은 세부 사항에 더 세심한 주의를 기울이는 데 있음을 증명하며, 뇌를 이해하는 더 정밀하고 다재다능한 방법을 제시한다.