One Circuit, Many Flow Fields: Mechanistic Models of Single-Trial Neural Dynamics
이 논문은 단일 시행(single-trial) 신경 변동성을 시행별 제어 매개변수에 의해 유도되는 공유 회로 흐름장의 연속적인 변형으로 재구성하는 저계수 순환 신경망 모델을 제안하며, 이를 통해 그라운드 트루스 역학을 성공적으로 복원하고 운동 피질 데이터에서 해석 가능한 행동 참여 및 과업 구조를 밝혀낸다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
뇌는 종종 동일한 전기 회로가 예측 가능한 패턴으로 발화하여 동일한 움직임을 만들어내는, 거대하고 정적인 기계로 상상되곤 한다. 수십 년 동안 과학자들은 뇌를 생각과 행동을 특정 경로로 안내하는 언덕과 골짜기의 지형으로 간주하며, 동역학적 시스템의 언어를 사용하여 신경 활동을 설명해 왔다. 이러한 전통적인 관점에서 지형의 형태는 고정되어 있다. 즉, 사람이 컵을 향해 손을 뻗으면 뇌 활동은 정해진 경로를 따르며, 한 시도와 다음 시도 사이의 차이는 단순히 라디오 전파의 잡음과 같은 무작위적인 노이즈일 뿐이다. 그러나 최근의 관찰 결과들은 이러한 그림에 의문을 제기했다. 동물이 동일한 과업을 반복적으로 수행할 때, 뇌 활동은 단일 경로 주변에서 단순히 떨리는 것에 그치지 않고, 조직적이고 의미 있는 방식으로 변화한다. 이러한 변화는 종종 동물의 각성도나 몰입도와 같은 내부 상태와 상관관계를 보이는데, 이는 뇌의 정보 처리 규칙 자체가 상황에 맞게 매 순간 유연하게 변할 수 있음을 시사한다.
텔아비브 대학교와 앨런 연구소(Allen Institute) 연구진의 새로운 연구는 이러한 변동성을 이해하는 방식에 대한 근본적인 전환을 제안한다. 이들은 시행 간의 차이를 단순히 평균화하여 제거해야 할 오류로 취급하는 대신, 단일 신경 회로가 서로 다른 운영 모드의 연속적인 가족(family)을 생성할 수 있다고 제안한다. 그들은 뇌가 고정된 지도를 배회하는 것이 아니라, 실제로 지도 자체를 다시 그린다고 주장한다. 이를 테스트하기 위해 연구진은 각 뇌 활동의 순간을 공유된 회로의 고유한 구성으로 취급하는 수학적 모델을 개발했다. 그들은 각 시도의 숨겨진 제어 매개변수를 추론함으로써, 기초적인 배선(wiring)을 변경하지 않고도 뇌의 내부 지형이 어떻게 변형되어 하나의 안정적인 상태에서 다른 상태로 이동하는지를 설명할 수 있다는 것을 발견했다.
연구진은 먼저 통제된 시뮬레이션에서 이 아이디어를 테스트했다. 알려진 규칙을 가진 합성 뇌 회로를 생성한 후, 모델에게 그 활동을 관찰하여 규칙을 찾아내도록 했다. 모델은 숨겨진 구조를 복구하는 데 성공했으며, 제어 신호의 미세한 변화가 어떻게 두 개의 안정 상태를 가진 시스템을 하나의 상태만을 가진 시스템으로 바꿀 수 있는지 정확히 식려냈다. 이는 이 방법이 무작위적인 노이즈와 회로가 작동하는 방식의 구조적이고 진정한 변화를 구별할 수 있음을 입증했다. 연구팀은 이와 동일한 접근 방식을 지연된 움직임 과업을 수행하는 생쥐의 뇌에서 기록된 실제 데이터에 적용했다. 이 실험에서 생쥐들은 보상을 받기 위해 신호를 기다린 후 코를 핥아야 했다. 연구진은 일부 시행에서 생쥐들이 단순히 신호를 무시하고 움직이지 않는다는 점을 발견했다. 뇌 활동을 분석함으로써, 모델은 이 이탈(disengagement)에 상응하는 제어 공간 내의 특정 방향을 식별해 냈다. 연구진이 몰입 상태인 생쥐의 활동을 이 방향을 따라 수학적으로 이동시키자, 모델의 시뮬레이션된 뇌 활동은 몰입 상태에서 이탈 상태로 정확히 변환되었으며, 이는 물리적 연결을 변경하지 않고도 회로를 '작동 중'에서 '무시 중'으로 전환시킨 것이었다.
연구는 또한 도달 과업을 수행하는 원숭이의 운동 피질 기록을 조사했다. 여기서 목표는 모델이 주의력과 같은 내부 상태뿐만 아니라, 특정 과업과 관련된 제어 방향을 찾을 수 있는지 확인하는 것이었다. 연구진은 모델이 원숭이가 도달할 수 있는 다양한 방향을 제어 공간 내의 매끄러운 2차원 평면으로 조직화한다는 것을 발견했다. 시뮬레이션에서 한 시행의 활동을 이 평면을 따라 이동시키면, 디코딩된 움직임이 예측 가능하게 회전하며 새로운 목표 방향과 일치했다. 이는 모델이 뇌가 몇 가지 불연속적인 옵션 사이를 전환하는 것이 아니라, 움직임을 조종하기 위해 역학을 매끄럽게 조정하는 연속적인 제어 메커니즘을 밝혀냈음을 입증했다. 나아가 연구진은 한 원숭이로부터 학습된 제어 매개변수의 통계적 패턴이 동일한 과업을 수행하는 다른 원숭이에게도 전이될 수 있음을 보여주었다. 이는 뇌가 역학을 재형성하는 방식이 단일 동물의 무작위적인 특이 현상이 아니라, 이러한 회로가 작동하는 공유된 근본적 속성임을 시사한다.
이 연구의 의의는 방법론적인 문제를 과학적 발견으로 전환하는 능력에 있다. 시행 간의 가변성을 저차원 제어 공간 내의 이동으로 재정의함으로써, 연구진은 뇌의 내부 설정을 활동으로부터 직접 읽어낼 수 있는 방법을 제공한다. 이 모델은 단순한 기술적 도구가 아니라, 특정 입력 패턴을 식별하여 생체 내 동물에서 테스트할 수 있는 기계론적(mechanistic) 모델이다. 연구진은 표적 광 자극(targeted light stimulation)을 사용하여 추론된 제어 신호를 모방함으로써, 과학자들이 뇌 회로를 한 역학 체계에서 다른 체계로 강제로 밀어넣거나, 예를 들어 이탈 상태인 동물을 다시 몰입하게 하거나 도달 방향을 바꾸는 등의 실험을 할 수 있을 것이라고 제안한다. 이 접근 방식은 뇌가 무엇을 하는지를 단순히 기술하는 것을 넘어, 뇌가 어떻게 광범위한 행동을 생성하기 위해 동일한 하드웨어를 유연하게 재사용하는지를 설명하며, 역동적이고 적응적인 마음의 본질을 바라보는 새로운 렌즈를 제공한다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.