Canonical decision computations underlie behavioral and neural signatures of cooperation in primates

이 연구는 자유로운 환경에서 행동하는 마모셋 쌍을 대상으로 한 실험을 통해, 사회적 시선이 파트너의 행동 변이를 누적하는 증거 축적 과정을 매개하여 협력적 결정을 유도하며, 이 과정이 대뇌 피질 전두엽 내측 (dmPFC) 의 신경 활동 패턴과 직접적으로 연관되어 있음을 규명했습니다.

핵심

🎬 핵심 스토리: "함께 당기기" 게임

연구진은 두 마리의 카모마일 (작은 원숭이) 이 서로 협력하여 레버를 당겨야만 간식을 얻을 수 있는 게임을 만들었습니다.

• 규칙: 두 마리가 1 초 이내에 거의 동시에 레버를 당겨야 성공합니다.
• 문제: 한 마리가 너무 빨리 당기거나, 너무 늦게 당기면 실패합니다.
• 해결책: 원숭이들은 서로의 행동을 지켜보며 (특히 눈맞춤을 하며) 타이밍을 맞춰야 합니다.

이때 연구진이 궁금해한 것은 **"원숭이 뇌가 어떻게 상대방의 행동을 보고 '언제 당겨야 할지'를 결정할까?"**라는 점입니다.

---

🔍 발견 1: 뇌는 '증거 수집가' 역할을 합니다 (드리프트 - 디퓨전 모델)

사람이나 원숭이가 결정을 내릴 때, 뇌는 단순히 "아, 저게 움직였네!"라고 반응하는 게 아니라, 정보를 모아서 저울질합니다. 이를 과학자들은 '증거 수집 (Evidence Accumulation)'이라고 부릅니다.

• 비유: 비가 올지 말지 결정할 때, 우리는 창밖을 보며 구름이 얼마나 짙어가는지, 바람이 어떻게 불는지 정보를 모으죠. 뇌도 마찬가지입니다.
• 이 연구의 핵심: 원숭이 A 가 원숭이 B 를 눈으로 바라보는 (Gaze) 순간에만, B 의 행동 정보를 뇌가 모으기 시작한다는 것을 발견했습니다.
  • 눈을 떼면 정보 수집이 멈추고, 눈을 맞추면 정보가 쌓입니다.
  • 마치 스위치처럼 작동하는 것이죠.

🧠 발견 2: 뇌의 '계산실' (dmPFC) 에서 일어나는 일

연구진은 원숭이의 뇌 중 **'내측 전전두엽 (dmPFC)'**이라는 부분을 집중적으로 관찰했습니다. 이곳은 사회적 상호작용을 담당하는 핵심 부위입니다.

여기서 두 가지 놀라운 일이 일어났습니다.

1. 경사도 (Slope) 가 속도를 결정합니다

뇌 세포 (뉴런) 들이 활동할 때, 전기 신호가 서서히 올라가는 '램핑 (Ramping)' 현상이 보입니다.

• 비유: 자동차가 출발할 때 엑셀을 밟는 속도와 비슷합니다.
• 결과: 상대방의 행동이 매우 예측 가능하고 안정적일 때 (정보의 '노이즈'가 적을 때), 뇌 세포의 신호가 가파르게 올라갑니다. 이는 "지금 당장 당겨도 돼!"라는 신호로, 반응이 빨라집니다.
• 반면, 상대방이 불규칙하게 움직일 때는 신호가 완만하게 올라가며, "조금 더 기다려야 해"라고 판단하게 됩니다.

2. 시작점 (Baseline) 이 과거의 경험을 반영합니다

결정을 내리기 전, 뇌 세포의 기본 활동 수준 (기초 전류) 이 중요했습니다.

• 비유: 게임에서 한 판을 졌을 때, 다음 판을 시작할 때의 마음가짐이 달라지는 것과 같습니다.
• 결과: 만약 이전 판에 실패했다면, 뇌의 기본 활동 수준이 높아져서 "이번엔 더 집중해서 시작해야지!"라는 **초기 편향 (Bias)**이 생겼습니다. 이는 실패 후 동기부여가 뇌 신호에 즉시 반영된다는 뜻입니다.

🌊 발견 3: 뇌의 '군무' (Population Dynamics)

개별 뇌 세포뿐만 아니라, 뇌 세포 전체가 모여 만든 '무리'의 움직임도 분석했습니다.

• 비유: 군무하는 새 떼나 물고기 떼를 생각해보세요. 개별 물고기의 움직임보다 떼 전체의 흐름이 더 중요합니다.
• 결과: 성공적인 협력 (함께 간식을 얻는 경우) 에서는 뇌 세포들의 움직임 궤적이 매우 깔끔하고 직선적이었습니다. 하지만 실패한 경우에는 궤적이 구불구불하고 복잡했습니다.
• 즉, 성공적인 협력을 하려면 뇌 전체가 '정해진 길'을 따라 깔끔하게 움직여야 한다는 것을 보여줍니다.

---

💡 이 연구가 우리에게 주는 교훈

1. 눈맞춤은 단순한 호감이 아닙니다: 원숭이 (그리고 아마도 우리 인간) 가 서로 협력할 때, 눈을 맞추는 행위는 상대방의 행동을 분석하고 타이밍을 계산하는 데이터 수집 과정입니다.
2. 뇌는 수학적 계산기입니다: 복잡한 사회적 상호작용도 뇌는 '정보의 양'과 '불확실성'을 계산하여 최적의 타이밍을 찾아냅니다. 이는 우리가 일상에서 친구와 대화하거나 팀워크를 발휘할 때도 똑같은 원리가 적용된다는 뜻입니다.
3. 자연스러운 환경에서도 뇌는 똑똑합니다: 실험실처럼 딱딱하게 통제된 환경이 아니라, 자유롭게 움직이는 원숭이들 사이에서도 뇌는 매우 정교한 계산 과정을 수행한다는 것을 증명했습니다.

한 줄 요약:

"원숭이들은 서로 눈을 맞추며 상대방의 행동을 분석하고, 뇌가 이를 수학적으로 계산하여 '지금 당겨야 할지, 기다려야 할지'를 결정합니다. 이 과정에서 뇌 세포들의 신호가 깔끔하게 움직일 때, 우리는 성공적으로 협력할 수 있습니다."

이 연구는 우리가 왜 '눈맞춤'이 중요한지, 그리고 뇌가 어떻게 복잡한 사회적 상황을 처리하는지에 대한 새로운 창을 열어주었습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 협력의 복잡성: 성공적인 협력은 파트너의 행동을 모니터링하고, 의도를 추론하며, 조율된 행동을 선택하는 동적 통합 과정을 요구합니다. 특히 시선 (gaze) 은 주의와 의도를 드러내는 핵심 사회적 단서입니다.
• 기존 연구의 한계:
  • 증거 누적 (Evidence Accumulation) 이론은 감각적 결정이나 가치 기반 선택에서 잘 확립되어 있으나, 복잡한 사회적 인지 영역으로 확장되는지 여부는 불명확합니다.
  • 기존 연구들은 대부분 머리를 고정하고 수행하는 제한된 실험 환경에 의존하여, 자연스러운 사회적 상호작용 중 이러한 누적 과정이 작동하는지 알 수 없었습니다.
• 가설: 자연스러운 사회적 상호작용 중, 행동자는 파트너의 행동을 시선을 통해 샘플링하고, 이를 시간에 따라 누적하여 자신의 행동 타이밍을 결정할 것이다. 이 과정은 시선 의존적 (gaze-dependent) 증거 누적 메커니즘을 따를 것이다.

2. 방법론 (Methodology)

A. 실험 설계 및 행동 데이터

• 실험 과제: 두 마리의 마모셋 (dyads) 이 1 초 이내의 시간 창 (time window) 안에 동시에 레버를 당겨야 양쪽 모두 보상을 받는 상호 협력 (Mutual Cooperation, MC) 과제 수행.
• 데이터 수집:
  • 무선 신경 기록: 자유로운 움직임을 가능하게 하는 맞춤형 무선 기록 시스템 (headcap 및 nanodrive) 을 사용하여 **내측 전전두엽 (dmPFC)**의 단일 뉴런 활동을 기록.
  • 마커리스 얼굴 추적 (Markerless Facial Tracking): DeepLabCut 및 Anipose 를 활용하여 30fps 로 3D 얼굴 좌표를 추적.
  • 행동 변수: 파트너, 레버, 주스 튜브와의 공간적 관계, 시선 방향 (gaze orientation), 얼굴의 선형 속도 (Linear Speed, LS) 등 8 가지 연속 행동 변수 추출.
• 실험 설계: 각 '시도 (trial)'는 행동자의 얼굴 선형 속도 증가 (ramping onset) 로 시작하여 레버 당김 (pull) 으로 끝나는 구간으로 정의됨.

B. 계산 모델링 (Computational Modeling)

• 주성분 분석 (PCA): 파트너의 8 가지 행동 변수를 종합하여 파트너의 행동을 나타내는 저차원 요약 변수 (PC1) 생성.
• 드리프트 - 확산 모델 (Drift-Diffusion Model, DDM):
  • 협력적 의사결정을 설명하기 위해 4 가지 경쟁 모델 비교.
  • 최적 모델 (M1): 파트너의 행동 정보 (PC1 의 변동성) 가 **사회적 시선 (social gaze)**이 존재할 때만 드리프트 속도 (drift rate, $v$) 에 영향을 미치는 '시선 게이트 (gaze-gated)' 모델이 가장 적합함.
  • 사회적 증거 (Social Evidence): 파트너 행동의 변동성 (표준편차) 이 낮을수록 (예측 가능성 높음) 증거가 강하다고 정의.

C. 신경 데이터 분석

• 단일 뉴런 분석: 일반화 선형 모델 (GLM) 을 사용하여 뉴런의 선택성 (pull, gaze, partner action) 과 예측적 (predictive) vs 반응적 (reactive) 특성 분류.
• 신경 - 계산 연결: 뉴런의 발화율 기울기 (slope) 와 기준선 발화율 (baseline) 을 DDM 의 매개변수 (드리프트 속도, 시작점) 와 매핑.
• 군집 역학 (Population Dynamics): PCA 를 통해 신경 군집의 궤적 (trajectory) 을 분석하고, 궤적의 기하학적 특성 (경로 변동성/비틀림, tortuosity) 이 사회적 증거와 어떻게 연관되는지 분석.

3. 주요 결과 (Key Results)

A. 행동 및 모델링 결과

• 시선 의존적 누적: 행동자의 협력적 행동은 파트너의 행동이 시선을 통해 관찰되는 동안만 누적되는 모델로 가장 잘 설명됨.
• 사회적 증거의 정의: 파트너 행동의 평균 수준이 아닌, **행동의 변동성 (variability)**이 핵심 정보임. 변동성이 낮을수록 (정교하고 예측 가능할수록) 드리프트 속도가 빨라져 협력 성공 확률이 높아짐.
• 과거 결과의 영향: 이전 시도의 실패는 현재 시도의 시작점 (starting point, $z$) 을 편향시켜, 실패 후 다음 시도에서 더 높은 기준선 발화 및 동기 부여 변화를 유발함.

B. 신경 생리학적 결과

• 혼합 선택성 (Mixed Selectivity): dmPFC 뉴런의 상당 부분이 자신의 행동 (pull), 시선 (gaze), 파트너의 행동 (partner action) 을 동시에 인코딩하는 '트리플 인코딩 (triple-encoding)' 뉴런으로 확인됨. 특히 예측적 (predictive) 인코딩이 풍부함.
• 누적의 신경 상관관계:
  • 드리프트 속도 ($v$): dmPFC 뉴런의 **발화율 기울기 (ramping slope)**가 드리프트 속도와 직접적으로 매핑됨. 사회적 증거가 강할수록 (변동성 낮을수록) 기울기가 가파름.
  • 시작점 ($z$): **기준선 발화율 (baseline firing)**이 시작점 편향을 나타내며, 이는 이전 시도의 결과 (성공/실패) 에 의해 조절됨.
• 군집 역학: 성공적인 협력 시도에서는 사회적 증거의 강도와 신경 궤적의 **경로 변동성 (tortuosity)**이 강한 음의 상관관계를 보임 (증거가 강할수록 궤적이 더 직선적이고 안정적). 이는 실패한 시도에서는 관찰되지 않음.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 자연주의적 사회적 의사결정의 신경 기제 규명:
   • 기존의 고정된 실험 환경을 넘어, 자유로운 움직임 속에서 이루어지는 복잡한 사회적 상호작용에서도 **증거 누적 (evidence accumulation)**이 핵심 계산 메커니즘으로 작동함을 최초로 증명함.
2. 시선 게이트 (Gaze-gating) 메커니즘:
   • 사회적 정보가 무조건 누적되는 것이 아니라, 시선을 통해 능동적으로 샘플링될 때만 누적된다는 메커니즘을 규명. 이는 사회적 인지가 능동적 탐색 (active sensing) 에 기반함을 보여줌.
3. 다중 수준 (Multi-level) 통합:
   • 행동 (행동 변수), 계산 (DDM 매개변수), 신경 (단일 뉴런 및 군집 역학) 을 연결하는 포괄적인 프레임워크를 제시.
   • dmPFC 가 사회적 단서를 수집하여 의사결정 변수로 변환하는 구체적인 신경 회로 메커니즘 (기울기 = 드리프트 속도, 기준선 = 시작점) 을 제시.
4. 임상 및 인공지능적 함의:
   • 사회적 결손 (자폐 스펙트럼 등) 을 가진 환자에서 이 증거 누적 메커니즘의 결함을 바이오마커로 활용할 가능성 제시.
   • 협력적 다중 에이전트 시스템 (Cooperative Multi-agent AI) 설계에 생물학적 통찰 제공.

5. 결론

이 연구는 영장류의 dmPFC 가 파트너의 행동을 시선을 통해 능동적으로 샘플링하고, 이를 시간에 따라 누적하여 협력적 행동을 유도한다는 표준 계산 (canonical computation) 메커니즘을 규명했습니다. 이는 사회적 인지가 단순한 반응이 아니라, 능동적 탐색과 증거 누적을 기반으로 한 복잡한 계산 과정임을 보여주며, 자연스러운 사회적 상호작용을 이해하는 데 중요한 이정표가 됩니다.