Structural signatures of synergy and redundancy in human brain function

이 연구는 다변량 정보 이론을 활용하여 인간 뇌의 구조적 연결이 고차원적인 기능적 상호작용, 특히 중복성과 시너지성 정보 공유를 어떻게 제약하는지 규명하고, 시너지성 하위 집합이 높은 중심성을 가진 노드로 구성됨을 밝혀 구조 - 기능 관계를 이차원적 상호작용을 넘어 확장했습니다.

핵심

이 논문은 우리 뇌가 어떻게 복잡한 일을 처리하는지, 특히 뇌의 물리적 구조 (연결망) 가 정보 처리 방식에 어떤 영향을 미치는지를 탐구한 연구입니다.

기존 연구들은 주로 "두 개의 뇌 영역이 서로 얼마나 잘 연결되어 있는가?"라는 1 대 1 관계에 집중했습니다. 하지만 이 연구는 그보다 더 넓은 시야를 가져, 세 개 이상의 뇌 영역이 모여 정보를 공유할 때 어떤 일이 일어나는지, 그리고 그 구조가 어떻게 다른지 분석했습니다.

핵심 개념을 쉽게 이해하기 위해 **'정보 공유의 두 가지 방식'**과 **'뇌의 구조적 특징'**을 비유로 설명해 드리겠습니다.

---

1. 두 가지 정보 공유 방식: "복사" vs "합성"

뇌 속의 정보 공유는 크게 두 가지 방식으로 나뉩니다.

• 중복성 (Redundancy): "동일한 복사본"
  • 비유: 친구 A, B, C 세 명이 같은 이야기를 듣고 있습니다. A 가 말하면 B 와 C 도 똑같은 내용을 듣습니다. A 를 알면 B 와 C 의 상태도 바로 알 수 있죠.
  • 특징: 정보가 여러 곳에 똑같이 퍼져 있어, 한 곳이 고장 나도 다른 곳에서 정보를 잃지 않습니다. 안정성과 보장이 핵심입니다.
• 시너지 (Synergy): "새로운 조합"
  • 비유: A 는 '재료', B 는 '레시피', C 는 '요리법'을 각각 알고 있습니다. A, B, C 중 하나만 알면 요리를 할 수 없습니다. 하지만 세 명이 정보를 합치면, 그들만 아는 **완전한 요리 (새로운 정보)**가 만들어집니다.
  • 특징: 개별적으로는 알 수 없던 새로운 지식이 만들어집니다. 창의성과 통합이 핵심입니다.

이 연구는 이 두 가지 방식이 뇌의 물리적 연결 구조에서 어떻게 다른지 찾아냈습니다.

---

2. 발견된 두 가지 뇌 구조의 특징

연구진은 뇌의 연결 지도를 분석하여, '중복성'이 강한 뇌 영역들과 '시너지'가 강한 뇌 영역들이 서로 완전히 다른 성격을 가진다는 것을 발견했습니다.

A. 중복성 (Redundancy)을 담당하는 뇌 영역: "단단한 마을"

• 구조: 서로 매우 밀접하게 연결되어 있고, 연결의 강도도 세고, 동일한 지역 (커뮤니티) 에 모여 있습니다.
• 비유: 마치 작은 마을 같습니다. 마을 사람들은 서로를 잘 알고, 집과 집이 가깝고, 마을 밖으로는 잘 나가지 않습니다.
• 역할: 이 구조는 안정적인 정보 저장에 적합합니다. 외부의 방해가 와도 내부 정보를 안전하게 지키고, 빠르고 확실하게 전달합니다. 마치 "우리는 우리끼리만 알면 돼"라는 태도입니다.

B. 시너지 (Synergy)를 담당하는 뇌 영역: "글로벌 허브"

• 구조: 서로 다른 지역 (커뮤니티) 에서 온 **중요한 연결고리 (허브)**들이 모여 있습니다. 이들은 뇌 전체를 연결하는 중앙 교통망 역할을 합니다.
• 비유: 마치 국제 공항이나 대형 교차로 같습니다. 이곳에는 전 세계 (뇌의 다른 모든 부분) 에서 온 사람들이 모입니다. 이들은 특정 마을에 갇혀 있지 않고, 여러 지역을 오가며 정보를 섞습니다.
• 역할: 이 구조는 새로운 통찰과 통합에 적합합니다. 서로 다른 분야의 정보를 가져와서 새로운 아이디어를 만들어냅니다. "우리는 전 세계의 정보를 섞어 새로운 것을 만든다"는 태도입니다.

---

3. 핵심 결론: "구조가 기능을 결정한다"

이 연구의 가장 중요한 발견은 다음과 같습니다.

1. 중복성은 뇌의 **구석진 곳 (지역적 연결)**에서 주로 일어납니다.
2. 시너지는 뇌의 **가장 중심적인 곳 (전체 연결)**에서 주로 일어납니다.
3. 예측 가능성: 만약 우리가 뇌의 연결 지도만 보고도 "어떤 뇌 영역들이 시너지를 낼까?"를 예측하고 싶다면, 가장 중심에 있고 (중심성 높음), 여러 지역을 연결하는 뇌 영역들을 골라보면 확률이 매우 높다는 것을 발견했습니다.

4. 요약 및 시사점

• 과거의 생각: 뇌는 단순히 두 뇌 영역이 연결되어 일하는 곳이라고 생각했습니다.
• 이 연구의 발견: 뇌는 **안정을 위한 '작은 마을 (중복성)'**과 **창의성을 위한 '글로벌 허브 (시너지)'**가 공존하는 복잡한 시스템입니다.
• 의미: 우리 뇌는 물리적인 연결 구조를 통해, 언제는 정보를 안전하게 보관하고 (중복성), 언제는 새로운 아이디어를 만들어낼지 (시너지) 를 미리 설계해 두었습니다.

한 줄 요약:

"뇌는 안정적인 정보 저장소를 위해 서로 똘똘 뭉친 '작은 마을'을 만들고, 새로운 아이디어를 위해 전 세계를 연결하는 '중앙 교차로'를 만들어 작동합니다."

이 연구는 뇌가 어떻게 복잡한 사고와 창의성을 가능하게 하는지에 대한 물리적 기초를 설명해 주며, 인공지능이나 뇌 질환 연구에도 새로운 통찰을 줄 수 있습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 핵심 문제: 신경과학의 근본적인 목표 중 하나는 뇌의 물리적 구조 (구조적 연결성) 가 복잡한 기능적 역학을 어떻게 지원하는지 이해하는 것입니다. 기존 연구는 주로 쌍대적 (pairwise) 인 기능적 연결성과 구조적 연결성 간의 관계를 탐구해 왔습니다.
• 연구의 한계: 그러나 고차원적 상호작용 (higher-order interactions) 의 해부학적 기초, 즉 세 개 이상의 뇌 영역이 어떻게 상호작용하는지에 대한 이해는 부족합니다. 특히, 정보 공유가 **중복성 (redundancy)**과 **시너지 (synergy)**로 어떻게 구분되는지, 그리고 이것이 뇌의 구조적 연결성 (connectome) 에 의해 어떻게 제약받거나 형성되는지는 명확하지 않습니다.
• 연구 목적: 이 연구는 다변량 정보 이론 (multivariate information theory), 구체적으로 O-information을 사용하여 인간 연결체 (connectome) 가 어떻게 중복적 또는 시너지적인 정보 공유를 특징으로 하는 뇌 영역의 부분집합을 제약하는지 규명하는 것을 목표로 합니다.

2. 방법론 (Methodology)

• 데이터셋: 두 개의 독립적인 데이터셋을 사용했습니다.
  • HCP (Human Connectome Project): 95 명의 참가자.
  • MICA-MICs: 50 명의 참가자 (복제 데이터셋).
  • 두 데이터셋 모두 200 개의 뇌 영역 (Schaefer atlas) 으로 분할되었으며, 휴식기 fMRI(BOLD 신호) 와 확산 영상 (tractography) 데이터를 활용했습니다.
• 정보 이론적 측정 (O-information):
  • O-information ($\Omega$): 다변량 상호작용이 주로 중복적인지 ($\Omega > 0$) 시너지적인지 ($\Omega < 0$) 를 판별하는 척도입니다.
  • 계산: 총 상관관계 (Total Correlation, TC) 와 이중 총 상관관계 (Dual Total Correlation, DTC) 의 차이로 정의됩니다.
  • 가정: fMRI BOLD 신호는 다변량 가우시안 분포로 근사할 수 있다고 가정하여 엔트로피 계산을 수행했습니다.
• 최적화 알고리즘:
  • 모든 가능한 부분집합을 계산하는 것은 조합적으로 불가능하므로, 시뮬레이션 어닐링 (simulated annealing) 최적화 알고리즘을 사용하여 네트워크 내에서 O-information 이 최대가 되는 (가장 중복적인) 부분집합과 최소가 되는 (가장 시너지적인) 부분집합을 식별했습니다.
  • 부분집합 크기는 3 에서 15 개 노드까지 분석했습니다.
• 구조적 분석 접근: 식별된 부분집합에 대해 세 가지 관점에서 구조적 특성을 분석했습니다.
  1. 고립된 개체로서의 부분집합: 내부 연결 밀도, 가중치, 연결 성분 수.
  2. 네트워크 내 임베딩: 중심성 (degree, betweenness centrality), 군집화 계수 (clustering coefficient), 구조적 군집 (community) 소속.
  3. 네트워크와의 인터페이스: 외부 네트워크와의 연결 밀도, 이웃 노드 간의 유사성 (Jaccard index).

3. 주요 결과 (Key Results)

가. 중복성 (Redundancy) 을 보이는 부분집합의 구조적 특징

• 내부 구조: 매우 높은 연결 밀도와 강한 연결 가중치를 가지며, 단일 연결 성분 (connected component) 을 형성하는 경향이 큽니다.
• 노드 특성:
  • 국소적 통합성: 높은 군집화 계수 (clustering coefficient) 를 가지며, 서로 밀접하게 연결된 지역적 네트워크를 형성합니다.
  • 글로벌 위치: 전체 네트워크에서 중심성이 낮고 (low centrality), 주변부 (peripheral) 에 위치합니다.
  • 군집 소속: 소수의 구조적 군집 (structural communities) 에서 노드를 끌어오며, 노드들이 특정 군집에 명확하게 소속되는 경향이 있습니다.
• 해석: 중복성은 안정적인 정보 유지와 국소적 통신에 최적화된 "단거리" 이웃 환경에서 발생합니다.

나. 시너지 (Synergy) 를 보이는 부분집합의 구조적 특징

• 내부 구조: 중복성 부분집합보다는 덜 밀집되어 있지만, 무작위 샘플링보다 더 높은 연결 밀도를 가집니다.
• 노드 특성:
  • 글로벌 연결성: 높은 차수 (degree) 와 높은 **중간성 중심성 (betweenness centrality)**을 가진 노드들로 구성됩니다. 이는 네트워크 전체의 정보 흐름을 중개하는 허브 역할을 합니다.
  • 군집 소속: 단일 군집에 명확히 소속되지 않으며, 다양한 구조적 군집에서 노드를 끌어옵니다.
• 인터페이스: 전체 네트워크의 거의 모든 부분과 연결되어 있으며, 외부 노드들과의 연결이 광범위합니다.
• 해석: 시너지는 분산된 정보원 간의 통합을 가능하게 하는 구조적으로 이질적이고 전역적으로 연결된 노드들에서 발생합니다.

다. 구조적 특징을 활용한 예측

• 중요 발견: 노드의 구조적 특성, 특히 **중간성 중심성 (betweenness centrality)**과 **군집화 계수 (clustering)**를 기반으로 노드를 선택하면, 무작위 샘플링보다 시너지 부분집합을 식별할 확률이 유의미하게 높아집니다.
• 크기 의존성: 부분집합의 크기가 커질수록 (약 10 개 노드 이상), 시너지 부분집합의 구조적 특징은 무작위성과 유사해지며 구조적 특이성이 감소하는 경향을 보입니다. 반면 중복성 부분집합은 크기에 관계없이 일관된 구조적 특징을 유지합니다.

4. 주요 기여 (Key Contributions)

1. 고차원 상호작용의 구조적 기초 규명: 쌍대적 (pairwise) 관계를 넘어, 시너지와 중복성이라는 고차원 정보 공유 패턴이 뇌의 구조적 연결성에서 어떻게 구체적으로 구현되는지를 최초로 체계적으로 규명했습니다.
2. 이원적 구조적 프로필 제시:
   • 중복성: 국소적으로 밀집되고 강하게 연결된 모듈 (information reservoirs).
   • 시너지: 전역적으로 연결되어 다양한 모듈 간 정보를 통합하는 브리지 (global bridges).
3. 구조적 예측 가능성 입증: 단순한 연결 밀도뿐만 아니라 노드의 중심성 (centrality) 과 군집 소속과 같은 그래프 이론적 특성을 활용하면, 기능적으로 시너지적인 부분집합을 구조적 데이터만으로 효과적으로 예측할 수 있음을 보였습니다.
4. 방법론적 발전: O-information 과 최적화 알고리즘을 결합하여 대규모 뇌 네트워크에서 고차원 정보 구조를 식별하는 프레임워크를 제시했습니다.

5. 의의 및 결론 (Significance)

• 구조 - 기능 관계의 확장: 뇌의 기능이 단순한 쌍대적 상호작용을 넘어 고차원적 정보 처리를 수행하기 위해서는 특정 구조적 제약 (예: 허브 노드의 활용, 모듈 간 연결) 이 필수적임을 보여줍니다.
• 인지 및 질병에 대한 통찰: 중복성은 안정적인 정보 처리와 관련되고, 시너지는 복잡한 정보 통합 및 적응적 행동과 관련될 수 있습니다. 이러한 구조적 서명의 이해는 뇌 발달, 노화, 그리고 신경정신과 질환에서의 고차원 기능 장애를 이해하는 데 중요한 단서를 제공합니다.
• 실용적 적용: 뇌의 구조적 연결성 지도 (connectome) 를 분석함으로써 특정 기능적 상태 (예: 시너지가 필요한 인지 작업) 를 예측하거나, 뇌 자극 (TMS 등) 의 표적 부위를 선정하는 데 활용될 수 있는 가능성을 제시합니다.

요약하자면, 이 연구는 인간 뇌의 구조적 연결성이 **중복성 (국소적 안정성)**과 **시너지 (전역적 통합)**라는 두 가지 상반된 정보 처리 모드를 지지하기 위해 서로 다른 구조적 아키텍처를 어떻게 채택하고 있는지를 명확히 규명한 선구적인 연구입니다.