Fleeing is Believing: Adaptive behavior under social threat as an inference process

이 논문은 사회적 위협 하에서 쥐의 적응적 행동을 부분 관측 마코프 결정 과정 (POMDP) 기반의 계층적 에이전트 아키텍처로 모델링하여, 사회적 패배가 내부 생성 모델의 매개변수 변화로 작용하는 메커니즘을 규명하고 트라우마 및 불안 장애에 대한 임상적 통찰을 제공합니다.

핵심

🐭 제목: "도망가는 것이 믿음이 된다" (Fleeing is Believing)

1. 연구의 배경: 쥐의 마음은 어떻게 작동할까?

쥐는 새로운 친구를 만나면 호기심 (탐색) 을 느끼지만, 동시에 위험을 감지하면 도망가야 합니다. 보통 쥐는 이 두 가지 감정 사이에서 균형을 잡습니다.
하지만 한번 심하게 괴롭힘을 당한 (사회적 패배) 쥐는 상황이 달라집니다. 같은 친구를 봐도 더 이상 호기심을 느끼지 못하고, 쉼터로 숨는 행동만 반복합니다.

기존의 연구들은 "쥐가 어떻게 움직이는지"는 잘 기록했지만, **"왜 그렇게 마음의 상태가 변했는지"**를 설명하는 데는 한계가 있었습니다. 이 연구는 쥐의 뇌가 어떻게 정보를 처리하고 결정을 내리는지 컴퓨터 모델로 만들어 그 비밀을 풀었습니다.

2. 쥐의 뇌를 3 개의 팀으로 나누어 생각하기

연구진은 쥐의 뇌를 거대한 회사처럼 상상하고, 의사결정을 담당하는 세 개의 팀으로 나눴습니다. 이 세 팀이 서로 대화하며 행동을 결정합니다.

• 팀 A: 이동 팀 (Spatio-Motor)
  • 역할: "어디로 갈까?"를 결정합니다. 기본적으로는 안전한 집 (쉼터) 으로 가고 싶어 합니다.
  • 성격: 매우 빠르고 즉각적으로 반응합니다.
• 팀 B: 탐정 팀 (Threat Identification)
  • 역할: "저 친구는 친구일까, 적일까?"를 조사합니다.
  • 성격: 호기심이 많아서, "정확히 알아야 해!"라는 욕구가 강합니다. 그래서 위험을 감수하고라도 가까이 가서 냄새를 맡으려 합니다.
• 팀 C: 상황 판단 팀 (Danger Context)
  • 역할: "지금 이 공간은 안전한가, 위험한가?"를 장기적으로 기억합니다.
  • 성격: 느리지만 한번 위험하다고 판단하면, 그 기억이 오래갑니다.

3. 평소의 쥐 vs. 괴롭힘을 당한 쥐 (시나리오 비교)

🟢 평소의 쥐 (호기심 많은 탐정)

1. 호기심: 탐정 팀이 "저 친구가 뭐지?"라고 궁금해합니다.
2. 접근: 탐정 팀이 이동 팀에게 "잠깐 집으로 가지 말고, 저 친구에게 가서 냄새를 맡아보자!"라고 명령합니다.
3. 판단: 가까이 가니 냄새가 확실히 "위험"하다는 게 듭니다.
4. 결정: 상황 판단 팀이 "위험하다!"라고 외칩니다. 이동 팀은 즉시 "집으로 도망가!"로 전환합니다.
   • 결과: 친구를 보고, 위험을 감지하고, 도망가는 자연스러운 흐름입니다.

🔴 괴롭힘을 당한 쥐 (불안한 쥐)
괴롭힘을 당한 쥐는 **상황 판단 팀 (팀 C)**의 설정이 바뀌었습니다. 마치 "이 세상은 항상 위험해"라는 과도한 편견이 생긴 상태입니다.

1. 과도한 경계: 탐정 팀이 아직 "위험"이라고 확정하기 전인데, 상황 판단 팀이 이미 "위험하다!"라고 소리칩니다.
2. 조기 도망: 이동 팀은 탐정 팀의 호기심 명령을 무시하고, 상황 판단 팀의 "위험" 신호에 따라 즉시 쉼터로 도망갑니다.
3. 지속된 공포: 멀리 도망가서 냄새가 사라져도, 상황 판단 팀은 "아직도 위험해"라고 기억을 유지합니다. 그래서 쥐는 쉼터 밖으로 나가지 못합니다.

4. 실험 결과: 컴퓨터가 쥐의 마음을 읽다

연구진은 실제 쥐들의 움직임을 카메라로 찍어 데이터를 수집했고, 이 컴퓨터 모델에 적용했습니다.

• 모델의 성공: 이 3 팀 구조를 가진 모델은 실제 쥐들이 보여주는 복잡한 행동 (머뭇거림, 급격한 도망, 쉼터에 머무는 시간 등) 을 완벽하게 재현했습니다.
• 변화의 원인: 괴롭힘을 당한 쥐들의 행동 변화는, 뇌의 특정 부위가 망가진 것이 아니라 모델의 '설정값 (파라미터)'이 바뀌었기 때문임을 발견했습니다. 즉, 뇌가 세상을 해석하는 **기준 (편향)**이 변한 것입니다.
  • 예: "위험하다고 판단하는 기준"이 낮아지고, "쉼터를 선호하는 정도"가 강해졌습니다.

5. 빛으로 뇌를 자극하는 실험 (옵토제네틱스)

연구진은 이 모델을 이용해 흥미로운 예측을 했습니다.
실제 실험에서 쥐의 뇌 특정 부위 (VMHvl) 를 빛으로 자극하면, 괴롭힘을 당한 쥐는 즉시 도망치지만, 평소 쥐는 도망치지 않습니다.

• 컴퓨터 시뮬레이션: 연구진은 모델의 '상황 판단 팀'을 강제로 "위험" 상태로 설정해 보았습니다.
• 결과: 평소 쥐는 자극을 받아도 도망치지 않았지만, 설정값이 바뀐 (괴롭힘을 당한) 쥐는 빛 자극을 받자마자 도망쳤습니다.
• 의미: 이는 괴롭힘을 당한 쥐의 뇌가 이미 '위험 모드'로 설정되어 있어, 작은 자극에도 과민하게 반응한다는 것을 증명합니다.

6. 결론: 이 연구가 우리에게 주는 메시지

이 연구는 **"트라우마 (심리적 외상) 가 뇌의 계산 방식을 어떻게 바꾸는지"**를 수학적으로 증명했습니다.

• 비유하자면: 평소에는 "비 오면 우산 쓰자"라고 생각하다가, 한 번 큰 비를 맞고 나서는 "하늘만 봐도 우산을 꼭 챙겨야지"라고 생각하는 것과 같습니다. 뇌의 하드웨어가 고장 난 게 아니라, 세상을 해석하는 소프트웨어의 설정이 변한 것입니다.
• 미래 전망: 이 모델을 통해 우리는 인간의 불안 장애나 외상 후 스트레스 장애 (PTSD) 가 왜 발생하는지, 그리고 어떻게 치료하면 뇌의 '설정값'을 다시 정상으로 돌릴 수 있을지에 대한 새로운 단서를 얻을 수 있습니다.

한 줄 요약:

"이 연구는 쥐가 공포에 질려 도망치는 행동을, 뇌의 3 개 팀이 서로 싸우는 컴퓨터 시뮬레이션으로 설명하며, 트라우마가 뇌의 '설정값'을 영구적으로 바꿔버린다는 사실을 밝혀냈습니다."

기술 요약

논문 개요

이 연구는 사회적 위협 (사회적 패배) 을 경험한 후 동물이 어떻게 맥락에 적합한 행동을 선택하는지 그 과정을 이해하기 위해, 활성 추론 (Active Inference) 기반의 부분 관측 마르코프 결정 과정 (POMDP) 모델을 개발하고 검증했습니다. 기존 연구들이 행동의 통계적 패턴을 기술하는 데 그쳤다면, 본 연구는 개별적인 행동 변이와 신경 회로 수준의 메커니즘을 설명할 수 있는 해석 가능한 계산 모델을 제시합니다.

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 사회적 패배 (Social Defeat) 와 같은 부정적인 사회적 경험은 동물의 행동을 근본적으로 변화시킵니다. 하지만 이러한 경험이 어떻게 내부 신념 (beliefs) 을 재구성하여 맥락에 맞는 행동 (예: 탐색 vs. 회피) 을 선택하게 하는지에 대한 계산적 메커니즘은 잘 알려져 있지 않습니다.
• 한계: 기존의 행동 분석 방법 (DeepLabCut 등) 은 '무엇'이 일어났는지는 기술하지만, '왜' 특정 정책이 선택되었는지에 대한 계산적 논리를 설명하지 못합니다. 또한, 기존 규범적 모델 (Normative models) 은 이산적인 행동 상태로 정의되어 있어 실제 행동의 연속적인 역동성을 예측하는 데 한계가 있습니다.
• 목표: 생태학적 방어 행동을 설명할 수 있는 해석 가능한 모델을 구축하여, 사회적 패배가 어떻게 계산적 수준에서 의사결정을 재구성하는지 규명하고, 이를 통해 트라우마 및 불안 장애와 같은 인간 질환에 대한 통찰을 얻는 것입니다.

2. 방법론 (Methodology)

연구진은 이계적 (Heterarchical) 에이전트 아키텍처를 가진 활성 추론 모델을 개발했습니다. 이 모델은 세 가지 상호작용하는 모듈로 구성됩니다.

가. 모델 아키텍처 (3 개 모듈)

1. 공간 - 운동 모듈 (Spatio-Motor Module, M):
   • 기능: 빠른 시간 척도 (Fast timescale) 로 공간 탐색 및 항법을 수행합니다.
   • 역할: 피난처 (Shelter) 에 대한 선호와 위협에 대한 회피를 기본 동기로 가집니다.
2. 위협 식별 모듈 (Threat Identification Module, T):
   • 기능: 중간 시간 척도로 자극의 정체성 (친구 vs. 위협) 을 해결합니다.
   • 역할: 불확실성을 해소하기 위한 '인지적 가치 (Epistemic value)'를 최우선으로 하여, 안전을 위한 기본 선호를 일시적으로 뒤집고 위협을 탐색하게 만듭니다.
3. 위험 맥락 모듈 (Danger Context Module, D):
   • 기능: 느린 시간 척도로 환경의 안전/위험 상태를 인코딩합니다.
   • 역할: 위협이 식별되면 '위험' 상태를 유지하며, 공간 - 운동 모듈의 선호를 회피 (비행) 로 전환시킵니다. 이는 즉각적인 감각 증거가 사라진 후에도 불안이나 회피 행동을 지속하게 합니다.

나. 실험 및 데이터

• 실험 모델: C57BL/6J 생쥐를 대상으로 한 사회적 패배 프로토콜 (Sureka et al. 기반) 을 사용했습니다.
• 데이터 수집: DeepLabCut 을 사용하여 생쥐의 3 차원 자세 데이터를 추출하고, 이를 이산화된 격자 공간 (57 개 상태) 으로 매핑했습니다.
• 모델 피팅: 베이지안 최적화 (Optuna, TPE) 를 사용하여 모델 파라미터를 실험 데이터에 맞췄습니다. 손실 함수는 피난처 체류 시간, 사회적 탐색 시간, 공간 전이, 공간 엔트로피, 정지 비율 등 5 가지 주요 행동 지표를 기반으로 구성되었습니다.

다. 검증 시나리오

• 개체 변이 모델링: '호기심 많은 (Curious)'과 '불안한 (Anxious)' 두 가지 극단적인 표현형을 모델 파라미터의 차이로 재현했습니다.
• 광유전학 (Optogenetics) 시뮬레이션: VMHvl (복측 내측 시상하부) 의 광유전학적 자극 실험 결과를 모사하기 위해, '위험 맥락 모듈'에 외부 편향 (Bias) 을 가하는 시뮬레이션을 수행했습니다.

3. 주요 결과 (Results)

가. 행동 패턴의 재현

• 모델은 실제 생쥐의 행동 모티프 (hesitation, flight, exploration) 를 성공적으로 재현했습니다.
• 개체별 차이: 모델 파라미터 공간 내에서 개별 생쥐의 특성을 'Curious'와 'Anxious' phenotype 으로 분류하여 정확히 매칭할 수 있었습니다 (중앙값 오차 0.56𝜎).
• 행동 모티프: 위협을 식별하기 전의 '주저 (Hesitation)'와 위협 식별 후의 '비행 (Flight)'과 같은 연속적인 행동 시퀀스가 명시적인 규칙 없이도 모듈 간의 경쟁 (인지적 가치 vs. 실용적 가치) 을 통해 자연스럽게 발생했습니다.

나. 사회적 패배의 계산적 영향

• 사회적 패배 경험은 모델 파라미터 공간에서 **방향성 있는 이동 (Trauma Vectors)**을 유발했습니다.
• 패배군 (Defeat group) 은 대조군 (Control group) 과 비교하여 파라미터 공간에서 뚜렷하게 다른 방향으로 이동했습니다 (Mahalanobis 거리 d=1.49). 이는 패배가 내부 생성 모델의 파라미터 (예: 위협 식별 임계값, 피난처 선호도) 를 체계적으로 변경함을 의미합니다.

다. 광유전학 자극 시뮬레이션 및 가설 검증

• VMHvl 자극이 패배된 생쥐에서만 비행 반응을 유발한다는 기존 실험 결과를 모델이 재현했습니다.
• 가설 검증: 패배가 어떤 메커니즘으로 작용하는지 세 가지 가설을 테스트했습니다.
  1. Model S (감각 민감도 증가): 위협 모듈의 입력에 대한 민감도 증가. (효과 없음)
  2. Model T (정체성 편향): 위협일 것이라는 사전 확률 증가 (과잉 경계). (효과 재현)
  3. Model D (맥락 편향): 환경 자체가 위험하다는 사전 확률 증가. (효과 재현)
• 결론: Model T 와 Model D 는 모두 실험 결과를 재현할 수 있어, 현재 조건에서는 두 가설이 계산적으로 동등 (degenerate) 합니다. 하지만, 생쥐가 없어도 VMHvl 자극을 가했을 때 Model D 는 회피를, Model T 는 반응이 없을 것이라고 예측하여 향후 실험을 통해 두 가설을 구별할 수 있음을 제시했습니다.

4. 주요 기여 (Key Contributions)

1. 해석 가능한 행동 모델: 행동의 통계적 기술을 넘어, 내부 신념 업데이트 과정을 통해 행동이 어떻게 생성되는지 설명하는 계산적 프레임워크를 제시했습니다.
2. 개체 변이와 신경 회로의 연결: 사회적 패배로 인한 행동 변화를 단순한 현상이 아닌, 내부 파라미터의 체계적인 변화로 설명하며, 이를 뇌의 특정 영역 (MeA, VMH, PAG 등) 과의 기능적 대응 관계로 해석했습니다.
3. 가설 생성 및 검증 도구: 광유전학 실험 결과를 모사하고, 서로 다른 신경 메커니즘 가설 (정체성 편향 vs. 맥락 편향) 을 구별할 수 있는 새로운 실험 설계를 제안했습니다.
4. 확장성: 이 모듈형 아키텍처는 포식, 다중 에이전트 상호작용 등 다른 행동 영역으로 확장 가능하여, 일반적인 쥐 행동 모델의 기초가 될 수 있음을 보였습니다.

5. 의의 및 결론 (Significance)

이 연구는 부정적인 사회적 경험이 동물의 의사결정을 어떻게 재구성하는지를 계산적 수준에서 규명했습니다. 특히, 트라우마나 불안 장애와 같은 정신 질환에서 관찰되는 '과도한 회피'나 '경직된 대처'를 내부 생성 모델의 파라미터 변화로 설명할 수 있음을 보였습니다. 이는 임상적으로 인간 트라우마 및 불안 장애의 기전을 이해하고, 치료 표적을 찾는 데 새로운 계산적 언어와 도구를 제공할 수 있는 중요한 첫걸음입니다. 또한, 모델이 실험 결과를 예측하고 검증 가능한 가설을 생성한다는 점에서 신경과학 연구의 패러다임을 '기술'에서 '예측 및 검증'으로 전환하는 데 기여합니다.