From movement to cognitive maps: recurrent neural networks reveal how locomotor development shapes hippocampal spatial coding

이 논문은 반복 신경망 (RNN) 모델을 활용하여 유년기 운동 통계의 변화가 감각 경험과 함께 해마의 공간적 인코딩 발달을 어떻게 주도하는지 규명하고, 이를 통해 신체적 감각운동 경험이 공간 지도 형성에 필수적인 기계적 연결고리를 제공함을 보여줍니다.

핵심

🐭 쥐의 '발걸음'이 어떻게 '지도'를 만드는가?

(ICLR 2026 논문: 움직임에서 인지 지도까지)

이 논문은 **"우리가 어떻게 주변 환경을 기억하고 지도를 그리게 되는가?"**라는 아주 흥미로운 질문에 답합니다. 특히, 갓 태어난 쥐가 어떻게 어미처럼 복잡한 공간 감각을 갖게 되는지, 그리고 그 비밀이 **'움직임'**에 있다는 것을 컴퓨터 시뮬레이션으로 증명했습니다.

이 복잡한 연구를 마치 동화처럼 쉽게 풀어보겠습니다.

---

1. 이야기의 배경: 뇌 속의 '지도 제작자'들

우리 뇌의 해마 (Hippocampus) 에는 '지도 제작자' 역할을 하는 특수한 신경 세포들이 있습니다.

• 장소 세포 (Place Cells): "지금 내가 이 방의 구석에 있구나!"라고 알려줍니다.
• 방향 세포 (Head Direction Cells): "지금 내가 북쪽을 보고 있구나!"라고 알려줍니다.
• 격자 세포 (Grid Cells): 공간을 육각형 격자처럼 나누어 정교하게 측정합니다.

이 세포들은 어릴 때부터 갑자기 생기는 게 아니라, 시간이 지나며 하나둘씩 성숙해집니다. 하지만 과학자들은 오랫동안 **"도대체 어떤 과정이 이 세포들을 깨우게 하는가?"**를 몰랐습니다.

2. 핵심 발견: "움직임의 통계"가 열쇠다!

연구진은 쥐가 태어난 후 어떻게 걷는지 (기어가기 → 걷기 → 뛰기) 를 분석했습니다. 그리고 이 움직임 패턴의 변화가 바로 뇌의 지도를 그리는 열쇠라는 것을 발견했습니다.

🎮 비유: "게임 캐릭터의 성장 과정"

이 연구를 비디오 게임에 비유해 볼까요?

• 초기 단계 (기어가기): 갓 태어난 쥐는 다리가 약해서 기어갑니다. 이때는 움직임이 느리고 불규칙합니다. 마치 게임 캐릭터가 아직 조종법을 배우는 단계입니다.
• 중기 단계 (걷기): 다리가 길어지고 걸을 수 있게 됩니다. 움직임이 더 예측 가능해지고, 시야도 넓어집니다. 캐릭터가 이동 기술을 익히는 단계입니다.
• 후기 단계 (뛰기): 성체가 되어 빠르게 달립니다. 이때는 환경의 변화가 빠르고 복잡해집니다. 캐릭터가 고급 미션을 수행하는 단계입니다.

연구진은 이 세 단계의 움직임 데이터를 컴퓨터 (RNN, 순환 신경망) 에 주입했습니다. 그리고 컴퓨터에게 **"앞으로 어떤 풍경이 보일지 예측해 봐!"**라는 미션을 줬습니다.

3. 놀라운 결과: 컴퓨터가 '지도'를 그렸다!

컴퓨터는 단순히 움직임을 예측하는 것만 배우려 했지만, 놀라운 일이 일어났습니다.

1. 순서대로 깨어남: 컴퓨터 내부의 가상의 신경 세포들이 실제 쥐의 발달 순서와 똑같은 순서로 '지도 세포'가 되었습니다.
   • 먼저 방향을 아는 세포가 생겼고,
   • 그다음 장소를 아는 세포가 생겼으며,
   • 마지막으로 정교한 격자 세포가 나타났습니다.
2. 움직임이 없으면 지도도 없다: 단순히 "화면이 빨리 바뀌게"만 만들면 (시각 정보만 빠르게 주는 것) 지도가 제대로 생기지 않았습니다. 실제 쥐가 겪는 '움직임의 복잡함' 그 자체가 뇌를 훈련시켰습니다.
   • 비유: 단순히 책장을 빠르게 넘겨주는 것보다, 직접 책을 들고 걸어다니며 내용을 읽어야 진짜 이해가 되는 것과 같습니다.

4. 새로운 발견: "혼합된 지도"

이 논문은 과학계에 새로운 예측을 제시했습니다.

• 기존 생각: 장소 세포와 방향 세포는 따로 따로 발달한다고 생각했습니다.
• 이 논문의 발견: 쥐가 성장하면서 **장소와 방향을 동시에 아는 '혼합 세포'**가 크게 늘어났습니다. 마치 나침반이 달린 지도가 점점 더 많이 생기는 것과 같습니다.
• 연구진은 이 예측을 실제 쥐의 뇌 데이터를 분석하여 정확히 증명했습니다.

5. 결론: 몸과 마음은 하나다

이 연구는 **"우리가 세상을 이해하는 방식은, 우리가 몸을 어떻게 움직이는지에 달려있다"**는 것을 보여줍니다.

• 핵심 메시지: 뇌가 공간 지도를 만드는 것은 단순히 눈으로 보는 것만으로는 부족합니다. 몸을 움직이며 겪는 감각 (시각 + 운동 감각) 의 흐름이 뇌의 회로를 조립합니다.
• 일상적인 비유:

  "어린아이가 걸음을 배우며 세상을 이해하듯, 우리 뇌도 걸음걸이가 변하는 과정을 통해 복잡한 공간 지도를 완성합니다. 만약 아이가 평생 침대에 누워있다면, 뇌 속의 '지도 제작자'들은 영원히 잠들었을지도 모릅니다."

💡 이 연구가 왜 중요한가요?

1. 신경 발달 장애 이해: 자폐증이나 발달 장애가 있는 아이들이 공간 감각을 익히는 데 어려움을 겪는 이유를 '움직임 경험'의 관점에서 이해할 수 있는 단서를 줍니다.
2. 로봇과 AI: 로봇이 인간처럼 자연스럽게 길을 찾게 하려면, 단순히 카메라를 달고 학습시키는 게 아니라 움직임의 발달 과정을 시뮬레이션해야 함을 알려줍니다.
3. 인간 이해: 우리는 몸으로 세상을 경험하며 사고합니다. 이 연구는 신체 (Movement) 가 인지 (Cognition) 의 기초임을 다시 한번 일깨워줍니다.

---

한 줄 요약:

"뇌 속의 공간 지도는 눈으로만 보는 게 아니라, 몸으로 움직이며 겪는 '성장 과정'을 통해 완성된다."

기술 요약

논문 개요

이 연구는 포유류의 해마 (Hippocampus) 에 존재하는 공간 신경 세포 (Place cells, Head direction cells 등) 가 어떻게 발달하는지에 대한 메커니즘을 규명합니다. 기존 연구들은 공간 신경 세포의 발달 시기를 기술해 왔으나, 그 발달을 이끄는 구체적인 메커니즘은 불명확했습니다. 저자들은 운동 발달 (Locomotor development) 에 따른 감각 경험의 변화가 해마의 공간 코딩 형성을 결정짓는 핵심 요인임을 재귀 신경망 (RNN) 모델과 실험 데이터를 결합하여 증명했습니다.

1. 연구 문제 (Problem)

• 배경: 해마의 공간 신경 세포 (Place cells, Grid cells, Head direction cells 등) 는 환경에 대한 인지 지도 (Cognitive map) 를 형성하여 공간 기억과 항해 능력을 지원합니다.
• 문제점: 쥐 (Rat) 에서 이러한 신경 세포들은 출생 후 특정 순서 (Head direction cells $\rightarrow$ Place cells $\rightarrow$ Grid cells) 로 성숙하는 것이 관찰되지만, 어떤 요인이 이 순차적 발달을 주도하는지에 대한 통일된 메커니즘 모델은 부재했습니다.
• 가설: 저자들은 운동 능력의 발달 (기어가기 $\rightarrow$ 걷기 $\rightarrow$ 달리기) 이 변화하는 감각 입력 (시각 및 전정감각) 의 통계적 특성을 변화시키고, 이것이 공간 표현의 발달을 유도한다고 가정했습니다.

2. 방법론 (Methodology)

가. 운동 발달 단계의 계산적 분석

• 데이터: P11~P25 일 및 성체 쥐의 개방장 (Open-field) 탐험 데이터를 수집했습니다.
• 클러스터링: 이동 속도, 회전 속도, 공간 전이 확률 (Transition probabilities) 등의 분포를 분석하여 쥐의 운동 발달을 세 단계로 분류했습니다.
  1. Crawl (기어가기): P13.5 일 경 (비동조된 사지 운동).
  2. Walk (걷기): P16 일 경 (네 발 보행 시작).
  3. Run (달리기): P20 일 경 (성숙한 보행).
  4. Adult (성체): 3~6 개월.
• 시뮬레이션: RatInABox 툴박스를 사용하여 각 발달 단계의 운동 통계에 부합하는 합성 궤적 (Trajectories) 을 생성했습니다.

나. 재귀 신경망 (RNN) 모델링

• 모델 구조: 단일 층의 RNN 을 해마의 기능적 모델로 사용했습니다.
• 학습 과제: 예측 학습 (Predictive Learning). 현재 시각 입력 (Panoramic camera frame) 과 전정감각 입력 (속도, 회전 속도) 을 기반으로 다음 순간의 시각 입력을 예측하도록 훈련시켰습니다.
• 훈련 전략:
  • 순차적 학습 (Sequential Training): 가장 어린 단계 (Crawl) 에서 시작하여 Walk, Run, Adult 순서로 가중치를 계승 (Fine-tuning) 하며 학습시켰습니다. 이는 생체 내의 연속적인 학습 과정을 모방합니다.
  • 성체 모델 변형: Grid cells 가 성체에서만 성숙한다는 점을 반영하여, Adult 단계 모델에 Grid cell 입력을 초기화 신호로 추가한 변형 모델을 훈련시켰습니다.

다. 분석 및 검증

• 공간 선택성 측정: 은닉층 (Hidden layer) 유닛의 활동에 대해 위치 (Rate map) 와 방향 (Polar map) 에 따른 공간 정보 (Spatial Information, SI) 를 계산했습니다.
• 실험 데이터 비교: 훈련된 RNN 의 유닛 분류 (Place cell, Head direction cell 등) 와 실제 쥐의 해마 CA1 영역 녹음 데이터를 비교했습니다.
• 대조군 실험:
  • 감각 변화율 제어: 초기 운동 패턴 (Crawl) 을 유지하되 프레임 간격만 늘려 예측 난이도만 높인 모델 훈련.
  • 역순 학습: 성체에서 어린 단계로 역순으로 학습.
  • 데이터 양 제어: 초기 운동 패턴만 반복 학습.

3. 주요 결과 (Key Results)

가. 운동 발달이 공간 신경 세포 발달을 주도함

• RNN 모델은 실제 쥐의 발달 타임라인과 일치하는 순서로 공간적으로 튜닝된 유닛을 생성했습니다.
  • Head direction (HD) cells: 'Walk' 단계에서 먼저 등장.
  • Place cells: 'Run' 단계 이후 점진적으로 성숙.
  • Grid cells: 성체 단계에서 추가 입력 (Grid cell input) 을 통해 완전한 공간 코딩이 완성됨.
• 운동 통계의 변화 (속도, 궤적의 복잡성 증가) 가 감각 입력의 예측 난이도를 변화시키고, 이로 인해 자기 중심적 (Egocentric) 정보에서 세계 중심적 (Allocentric) 공간 지도로의 전환이 발생함을 보였습니다.

나. 새로운 예측 및 검증: 결합된 공간 - 방향 선택성

• 예측: 모델은 순수한 방향 선택성 (Pure HD) 보다는 위치와 방향을 동시에 코딩하는 결합 세포 (Conjunctive Place-HD cells) 의 성장이 공간 신경 세포 발달의 주요 경로임을 예측했습니다.
• 검증: 실제 쥐의 CA1 기록 데이터를 재분석한 결과, 모델의 예측과 일치하게 연결된 Place-HD 세포의 비율이 발달 과정에서 유의미하게 증가하는 것을 확인했습니다. 이는 기존 연구에서 간과되었던 중요한 발견입니다.

다. 운동 통계의 중요성 (Rate of Change vs. Movement Statistics)

• 단순히 시각 입력의 변화 속도 (프레임 간격 확대) 를 높이는 것만으로는 성체 수준의 공간 표현이 형성되지 않았습니다.
• 핵심 결론: 공간 표현의 발달은 단순히 '예측 과제'의 난이도 증가 때문이 아니라, 구체적인 운동 행동 (Locomotion) 의 통계적 특성 (속도, 궤적, 회전 등) 이 변화하는 과정에 의해 결정됩니다. 역순 학습이나 초기 운동 패턴만 반복하는 제어 실험에서도 실제 발달 패턴이 재현되지 않았습니다.

4. 주요 기여 (Key Contributions)

1. 메커니즘 규명: 운동 발달과 감각 경험의 통계적 변화가 해마 공간 신경 세포의 발달 시기와 순서를 결정한다는 인과적 메커니즘을 제시했습니다.
2. 새로운 생물학적 발견: 해마 내 공간 신경 세포 발달에서 '순수 방향 세포'보다 '위치 - 방향 결합 세포'의 성장이 핵심적임을 실험적으로 증명했습니다.
3. 계산적 프레임워크: 예측 학습 기반 RNN 을 통해 생체 신경망의 발달 과정을 시뮬레이션하고 검증할 수 있는 새로운 방법론을 제시했습니다.
4. 신경 발달 연구에 대한 시사점: 신경 발달 장애 연구나 항해 뇌 회로의 예측 모델 설계에 있어 '운동 경험 (Embodied sensorimotor experience)'의 중요성을 강조했습니다.

5. 의의 및 의의 (Significance)

이 연구는 **"몸을 움직이는 경험 (Embodiment)"**이 뇌의 인지 지도 형성에 필수적임을 보여줍니다. 단순히 시각 정보를 많이 접하는 것만으로는 공간 인식이 발달하지 않으며, 운동 능력의 성숙에 따른 감각 입력의 질적, 양적 변화가 뇌의 공간 코딩 회로를 구조화한다는 것을 입증했습니다. 이는 신경 발달 장애 (예: 운동 발달 지연이 인지 발달에 미치는 영향) 연구와 인공지능 기반의 내비게이션 시스템 설계에 중요한 이론적 토대를 제공합니다.