When and Where: A Model Hippocampal Network Unifies Formation of Time Cells and Place Cells

이 논문은 해마 CA3 영역을 예측 오토인코더로 모델링한 단일 재귀 신경망이 공간적 입력과 시간적 입력이라는 서로 다른 작업 조건에 따라 각각 장소 세포와 시간 세포를 생성하는 두 가지 동적 체제를 보여줌으로써, 두 세포 유형이 공통된 기원에서 파생되지만 과업에 따라 기능이 달라진다는 것을 입증했습니다.

핵심

이 논문은 우리 뇌의 '해마 (Hippocampus)'라는 부위가 어떻게 **장소 (Place)**와 **시간 (Time)**을 동시에 기억하고 처리하는지에 대한 놀라운 비밀을 밝혀냈습니다.

기존에는 "장소를 기억하는 세포 (장소 세포)"와 "시간을 기억하는 세포 (시간 세포)"는 서로 다른 원리로 작동한다고 생각했습니다. 마치 서로 다른 기계 부품처럼 말이죠. 하지만 이 연구는 **"아니요, 사실은 같은 기계 (회로) 가 상황에 따라 두 가지 다른 역할을 할 뿐입니다"**라고 말합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 핵심 비유: "예측하는 자동 완성 앱"

이 연구에서 해마 (특히 CA3 영역) 를 **'손글씨 자동 완성 앱'**이나 '예측 텍스트' 기능으로 상상해 보세요.

• 상황: 당신이 친구에게 "오늘 점심에 ~~~"라고 메시지를 보냈는데, 뒤에 글자가 잘려서 안 보입니다.
• 앱의 역할: 앱은 앞부분 ("오늘 점심에") 을 보고, "아, 이 친구는 보통 '피자를 먹으러 간다'고 말하네"라고 추측해서 나머지 글자를 채워줍니다.

이 연구의 컴퓨터 모델 (인공지능) 도 똑같이 작동합니다.

• 공간 (장소) 입력: "집에서 출발해서 ~~~"라고 입력하면, 앱은 "학교에 도착했다"고 채워줍니다. 이때 채워진 글자들이 장소 세포가 됩니다.
• 시간 (시간) 입력: "종소리가 울리고 5 초 뒤 ~~~"라고 입력하면, 앱은 "다음 종소리가 울린다"고 채워줍니다. 이때 채워진 글자들이 시간 세포가 됩니다.

결론: 같은 '예측 앱'이 입력된 정보의 종류 (장소 정보인가, 시간 정보인가) 에 따라, 자연스럽게 '장소 기억'을 하거나 '시간 기억'을 하게 되는 것입니다.

---

2. 실험 내용: "어떤 길을 걷느냐에 따라 달라지는 뇌"

연구자들은 컴퓨터 속 가상의 쥐에게 두 가지 다른 미션을 주었습니다.

A. "시간 미션" (시계만 보는 쥐)

• 상황: 쥐는 제자리에 앉아 있습니다. 하지만 2 초 뒤에 종소리가 울리고, 17 초 뒤에 다시 종소리가 울립니다.
• 과제: 첫 번째 종소리를 듣고, 두 번째 종소리가 울릴 때까지 기다려야 합니다.
• 결과: 뇌 속의 세포들이 순서대로 하나씩 켜졌습니다. 마치 시계 바늘이 움직이듯, "1 초 지남", "2 초 지남", "3 초 지남"을 알려주는 세포들이 나타났습니다. 이것이 바로 시간 세포입니다.

B. "공간 미션" (지도만 보는 쥐)

• 상황: 쥐가 방 안을 돌아다닙니다.
• 과제: "지금 내가 어디에 있나?"를 기억해야 합니다.
• 결과: 뇌 속의 세포들이 특정 위치에서만 켜졌습니다. "침실 구석", "부엌 중앙"처럼 특정 장소를 가리키는 장소 세포가 나타났습니다.

C. "혼합 미션" (장소와 시간이 섞인 쥐)

• 상황: 쥐가 원형 트랙을 돌다가, 중간에 장님이 되어 (시각 정보 차단) 어둠 속에서 계속 달립니다.
• 결과: 처음에는 '장소 세포'처럼 특정 위치를 기억하다가, 정보가 끊긴 어둠 속에서는 '시간 세포'처럼 "어느 정도 시간이 흘렀구나"를 기억하는 세포로 변했습니다.
• 핵심: 장소 정보가 사라지면, 뇌는 자동으로 "시간을 세는 모드"로 전환되는 것입니다.

---

3. 놀라운 발견: "연속적인 변신"

가장 흥미로운 점은 장소 세포와 시간 세포가 완전히 다른 두 종류가 아니라, 서로 부드럽게 변신할 수 있다는 것입니다.

• 비유: 마치 색깔을 생각해보세요. 빨간색 (장소) 과 파란색 (시간) 은 완전히 다르지만, 그 사이에는 주황색, 보라색 등 수많은 중간색이 있습니다.
• 연구 결과: 입력되는 정보에서 '장소'의 비중을 조금씩 줄이고 '시간'의 비중을 늘려주면, 뇌 속 세포들은 서서히 '장소 세포'에서 '시간 세포'로 모양을 바꿔갔습니다. 즉, 뇌는 고정된 부품이 아니라, 상황에 따라 유연하게 변하는 점토와 같습니다.

---

4. 왜 이런 일이 일어날까? (메커니즘)

뇌는 **'잃어버린 정보를 찾아내는 능력'**이 매우 뛰어납니다.

• 장소 세포의 원리: "내가 지금 어디에 있었지?" -> **이전 경험 (지도)**을 바탕으로 현재 위치를 복원합니다. (예: "아, 이 냄새는 현관문 냄새야.")
• 시간 세포의 원리: "내가 얼마나 기다렸지?" -> 내부 리듬을 이용해 시간이 흘렀음을 추측합니다. (예: "아, 종소리가 울린 지 꽤 지났네.")

연구자들은 이 두 가지가 사실은 같은 **'예측 엔진'**이 작동하는 방식일 뿐이라고 말합니다.

• 정보가 끊기면 (예: 어둠 속에서 길을 잃거나, 소리가 끊기면), 뇌는 "아, 정보가 없구나. 내가 만든 내부 모델로 채워야겠다"라고 생각하며, 그 방식이 장소인지 시간인지에 따라 달라지는 것입니다.

---

5. 요약: 우리 뇌는 어떻게 기억할까?

이 논문의 결론은 매우 간단하면서도 강력합니다.

"우리 뇌의 해마는 '장소'와 '시간'을 따로따로 저장하는 별도의 창고가 아닙니다. 대신, 경험이라는 퍼즐 조각이 일부 사라졌을 때, 그 빈 공간을 채워 넣는 똑똑한 '예측 기계'입니다."

• 공간 정보가 풍부하면? -> "어디에 있었지?"를 채우며 장소 세포가 됩니다.
• 시간 정보가 중요하면? -> "얼마나 지났지?"를 채우며 시간 세포가 됩니다.
• 둘 다 섞여 있으면? -> 상황에 따라 두 가지 역할을 오가며 유연하게 작동합니다.

이 연구는 우리가 과거를 회상할 때, 단순히 '장소'와 '시간'을 따로 떠올리는 것이 아니라, 경험의 흐름을 하나의 연속된 이야기 (스토리) 로 재구성하고 있음을 보여줍니다. 마치 잃어버린 영화 장면을 상상력으로 채워 넣는 것과 같습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존의 분리된 관점: 해마의 장소 세포는 공간적 위치를 인코딩하고, 시간 세포는 시간적 순서를 인코딩하는 것으로 알려져 있습니다. 기존 계산 모델링 연구에서는 이들을 서로 다른 메커니즘으로 설명해 왔습니다.
  • 장소 세포: 연속적 어트랙터 네트워크 (Continuous Attractor Networks, CAN) 로 모델링되며, 경로 적분 (path integration) 을 통해 안정적인 활동 덩어리 (activity bump) 를 형성합니다.
  • 시간 세포: 누출 적분기 (leaky integrators) 로 모델링되며, 과거 감각 입력의 라플라스 역변환을 수행하는 단일 뉴런 메커니즘으로 설명되었습니다.
• 문제점: 이러한 접근법들은 해마 CA3 영역이 밀집된 재귀적 연결 (recurrent connectivity) 을 가진 네트워크라는 점을 간과하거나, 두 세포 유형이 공유하는 네트워크 내에서 어떻게 공존하고 상호작용하는지 설명하지 못했습니다.
• 연구 질문: 동일한 신경망 구조가 어떻게 과업 (task) 의 통계적 특성에 따라 장소 세포와 시간 세포의 특성을 모두 발현할 수 있는가?

2. 방법론 (Methodology)

2.1 모델 아키텍처: 예측적 오토인코더 (Predictive Autoencoder)

• CA3 모델링: 해마 CA3 영역을 연속 시간 재귀 신경망 (CTRNN) 으로 모델링했습니다. 이 네트워크는 부분적으로 가려진 (masked) 감각 입력을 받아 원래의 완전한 경험 벡터 (Experience Vector, EV) 를 재구성하는 예측적 오토인코더로 작동합니다.
• 네트워크 구조:
  • 입력층 (Input layer) $\rightarrow$ 재귀층 (Recurrent layer, CA3 뉴런에 해당) $\rightarrow$ 출력층 (Output layer).
  • 재귀층의 뉴런 활동은 막 전위 방정식 (Eq. 1) 에 따라 진화하며, ReLU 활성화 함수를 통해 발화율을 생성합니다.
• 학습 목표: 마스킹된 입력으로부터 원래의 감각 신호를 재구성하는 것 (재구성 손실 최소화) 과 생물학적으로 타당한 낮은 발화율을 유지하는 것 (발화율 정규화) 을 동시에 최적화합니다.

2.2 입력 데이터 생성 (Sensory Experience Modeling)

저자들은 공간적, 시간적, 그리고 혼합된 입력을 생성할 수 있는 통일된 프레임워크를 구축했습니다.

• 공간적 입력 (Spatially Modulated): 동물 이동 경로에 따라 매끄럽게 변화하는 가우시안 랜덤 필드를 생성하여 공간적 위치 정보를 제공합니다.
• 시간적 입력 (Temporally Modulated): 특정 시간대에 발생하는 사건 (예: 종소리) 을 고차원 신호로 모델링하며, 사건 사이의 '공백 (void)' 구간을 포함합니다.
• 혼합 입력 (Conjunctive Inputs): 공간 채널과 시간 채널의 비율을 조절하여 두 정보의 상대적 강도를 제어할 수 있습니다.

2.3 실험 설계

1. 시간 과업 (Time Task): 정지한 상태에서 두 개의 시간적 사건 사이에 네트워크가 내부 동역학을 통해 시간을 예측하도록 훈련.
2. 공간 과업 (Space Task): 미로 (정사각형, 원형) 를 이동하며 공간 정보를 재구성하도록 훈련.
3. 시공간 과업 (Spacetime Task): 공간 이동 중 일부 구간 (두 번째 랩) 에 감각 입력이 차단되어, 첫 번째 랩의 정보를 바탕으로 두 번째 랩의 공간 및 시간 정보를 예측하도록 훈련.
4. 점진적 전환 실험: 시간 과업의 사건 지속 시간을 늘리거나, 공간 과업의 입력 차단 구간을 늘리는 방식으로 과업 구조를 연속적으로 변형하여 두 세포 유형의 전환을 관찰.

3. 주요 결과 (Key Results)

3.1 단일 네트워크에서의 장소 및 시간 세포의 발현

• 시간 세포의 발현: 시간적 구조가 있는 입력으로 훈련된 네트워크는 두 사건 사이에서 뉴런이 순차적으로 활성화되고, 시간이 지남에 따라 발화 필드가 점차 넓어지는 (temporal broadening) 패턴을 보였습니다. 이는 실험적으로 관찰된 시간 세포의 특징과 정확히 일치합니다.
• 장소 세포의 발현: 공간적 입력으로 훈련된 네트워크는 명확한 장소 필드 (place fields) 를 형성하여 공간 위치를 안정적으로 인코딩했습니다.
• 공통 기원: 두 가지 다른 동역학 regime 이 동일한 RNN 아키텍처에서 과업 통계 (task statistics) 에 따라 자연스럽게 발현됨을 확인했습니다.

3.2 연속적인 전환 (Continuous Transition)

• 과업 변형에 따른 전환: 시간 과업의 사건 지속 시간을 늘려 공간적 입력과 유사하게 만들거나, 공간 과업의 입력 차단 구간을 늘려 시간 과업과 유사하게 만들 때, 네트워크의 표현은 매끄럽게 (smoothly) 장소 세포에서 시간 세포 (또는 그 반대) 로 전환되었습니다.
• 비대칭적 영향 (Asymmetry):
  • 공간 입력은 연속적이고 밀집되어 있어 훈련 신호가 강력합니다.
  • 시간 입력은 희소하고 간헐적입니다.
  • 결과적으로, 공간 정보가 약간만 포함되어도 장소 세포 특성이 유지되는 반면, 시간 세포 특성이 뚜렷하게 발현되려면 시간 정보가 압도적으로 우세하거나 공간 입력이 완전히 차단되어야 합니다.

3.3 혼합 입력 하에서의 표현

• 공간과 시간 입력이 동시에 주어질 때, 네트워크는 두 정보의 비율에 따라 비대칭적으로 표현을 조정합니다. 공간 정보가 조금만 있어도 장소 세포가 우세하게 유지되지만, 시간 정보가 지배적이 되어야 시간 세포의 발화 필드 확대 현상이 나타납니다.

3.4 메커니즘적 해석 (Mechanistic Interpretation)

• 재귀 연결 패턴 (Recurrent Connectivity Motifs):
  • 시간 세포: "후방 억제 (backward inhibition)"와 "전방 흥분 (forward excitation)"을 특징으로 하는 비대칭적 연결 패턴을 학습합니다. 이는 뉴런이 시간 순서대로 활성화되도록 유도하며, 이상적인 연결 행렬과 학습된 행렬의 스펙트럼 (고유값, 특이값) 이 유사함을 확인했습니다.
  • 장소 세포: 국소적 흥분과 전역적 억제를 통해 공간적으로 국소화된 활동 덩어리 (activity bump) 를 안정화하는 어트랙터 동역학을 보입니다.
• 불완전한 감각 궤적의 재구성: 두 세포 유형 모두 불완전한 감각 궤적의 재구성이라는 공통된 계산 목표에서 비롯됩니다.
  • 공간 정보가 부족하면 위치를 추론 (장소 세포).
  • 시간 정보가 부족하거나 입력이 차단되면 경과 시간을 추론 (시간 세포).
  • 네트워크는 재귀 동역학을 통해 누락된 감각 경험의 "어디 (where)"와 "언제 (when)"를 모두 채워 넣습니다.

4. 기여 및 의의 (Contributions & Significance)

1. 통합 이론 제시: 장소 세포와 시간 세포가 서로 다른 신경 기작이 아니라, **단일 재귀 신경망의 동적 상태 (dynamical regimes)**의 연속체임을 최초로 통합적으로 설명했습니다.
2. 과업 의존적 표현: 해마의 표현이 고정된 것이 아니라, 과업의 통계적 구조 (task statistics) 와 입력의 불완전성에 의해 동적으로 형성됨을 보여주었습니다.
3. 메커니즘 규명: 시간 세포의 순차적 활성화와 발화 필드 확대를 설명하는 구체적인 재귀 연결 패턴 (전방 흥분/후방 억제) 을 규명하고, 이를 이상적인 수학적 모델과 비교하여 검증했습니다.
4. 실험적 예측:
   • 공간 및 시간 단서가 혼합된 환경에서 CA3 표현이 두 세포 유형 사이를 연속적으로 전환할 것.
   • 공간 입력의 감소가 시간 세포 발현을 유도하는 것이, 시간 단서 추가가 장소 세포를 억제하는 것보다 더 효과적일 것 (비대칭성).
   • 학습 후 과업 수행 시, 해부학적 구조는 동일하지만 기능적 연결성 (functional connectivity) 이 과업 유형에 따라 달라질 것.

결론

이 연구는 해마가 단순한 공간 지도나 시간 기록기가 아니라, 경험의 누락된 부분을 예측하여 재구성하는 예측적 오토인코더로 작동함을 시사합니다. 이 관점은 공간 탐색, 시간 코딩, 그리고 에피소드 기억 형성이 동일한 계산적 원리 하에 통합되어 있음을 보여주며, 신경과학과 인공지능 분야에 중요한 통찰을 제공합니다.