Microscopy-informed structural connectivity mapping in the in vivohuman brain via domain adaptation

도시의 복잡한 인터넷 네트워크 배선을 이해하려고 노력한다고 상상해 보십시오. 당신에게는 두 가지 관점이 있습니다:

1. 항공 뷰 (MRI): 드론을 띄워 도시 위를 날아다니며 주요 고속도로와 주요 도로를 볼 수 있습니다. 이는 빠르고 도시 전체를 아우르지만, 높은 곳에서는 개별 케이블이나 작은 골목길, 혹은 집들 사이의 구체적인 연결 상태를 볼 수 없습니다. 이것은 **확산 MRI(Diffusion MRI)**와 같으며, 뇌의 연결에 대한 광범적인 지도는 제공하지만 아주 미세하고 상세한 섬유들은 놓치게 됩니다.
2. 거리 수준의 뷰 (현미경 관찰): 모든 거리의 길을 따라 걸으며 모든 전선과 케이블을 가까이서 관찰하는 것입니다. 이는 완벽하고 고해상도의 디테일을 제공하지만, 엄청나게 느리고 비용이 많이 들며 살아있는 사람에게는 적용할 수 없습니다(마치 도시가 폐쇄되고 해체된 후의 모습을 보는 것과 같습니다). 이것은 **현미경 관찰(Microscopy)**과 같으며, 뇌의 아주 작은 구조들을 보여주지만 보통 사후에나 동물에게만 가능합니다.

문제점:
과학자들은 이 두 가지 관점 사이에 거대한 간극을 가지고 있습니다. 그들은 살아있는 인간 뇌의 흐릿한 항공 지도는 가지고 있지만, 그 지도를 진정으로 정확하게 만들기 위한 거리 수준의 디테일은 부족합니다. 또한, 그들은 영장류(마카크 원숭이)의 완벽한 거리 수준 지도를 가지고 있지만, 인간과 "지형"이 다르기 때문에 그 디el들을 그대로 복사해서 붙여넣을 수는 없습니다.

해결책:
연구진은 초스마트 번역기 역할을 하는 딥러닝 모델(컴퓨터 프로그램)을 구축했습니다. 작동 방식은 다음과 같습니다:

• 훈련 캠프: 먼저, 연구진은 마카크 원숭이를 사용하여 컴퓨터를 학습시켰습니다. 그들은 동일한 원숭이 뇌의 "항공 뷰"(MRI)와 "거리 수준의 뷰"(현미경 관찰) 데이터를 모두 가지고 있었습니다. 컴퓨터는 흐릿한 MRI를 보고 실제 현미경 데이터라는 '정답지'를 바탕으로, 상세한 거리 수준의 지도가 원래 어떠해야 하는지를 추측하는 법을 배웠습니다.
• 첫 번째 번역 ("생사(生死)의 문제" 해결): 그들이 가진 원숭이 데이터는 "살아있는" MRI와 "죽은(사후)" 현미경 관찰 데이터가 섞여 있었습니다. 컴퓨터는 조직이 살아있는지 죽었는지에 따른 차이를 무시하는 법을 배웠으며, 결과적으로 조직의 상태가 아니라 구조의 "본질(영혼)"을 보는 법을 익혔습니다.
• 두 번째 번역 (종 간 이동): 컴퓨터가 원숭이 뇌를 마스터하자, 연구진은 이 지식을 인간에게 전달하기 위해 **도메인 적응(Domain Adaptation)**이라는 기술을 사용했습니다. 이것은 컴퓨터에게 인간과 원숭이가 서로 다른 종일지라도, 뇌의 배선이 조직되는 기본적인 "문법"은 충분히 유사하여 배운 지식을 인간의 뇌에도 적용할 수 있다는 것을 가르치는 과정과 같습니다.

결과:
이제 과학자들이 표준 MRI로 살아있는 인간의 뇌를 스캔하면, 이 컴퓨터 프로그램은 즉각적으로 "빈칸을 채울" 수 있습니다. 이 프로그램은 실제 현미경 관찰 없이도 뇌 배선의 고해상도 거리 수준 디테일을 예측해 냅니다.

이것이 중요한 이유:
이 새로운 방법은 과학자들이 뇌의 연결을 훨씬 더 정확하게 그릴 수 있게 해줍니다. 구체적으로, 이 방법은 기존보다 훨씬 더 잘 "국소적인 동네 도로"(표면 백질)와 뇌 표면에서 심부 중심부로 이어지는 특정 경로(피질-하부 연결 경로)를 볼 수 있게 도와줍니다.

요약하자면, 이 논문은 동물 연구에서 얻은 초정밀 설계도를 가져와 살아있는 인간 뇌의 흐릿한 지도를 업그레이드하여, 우리 뇌가 어떻게 연결되어 있는지에 대해 훨씬 더 명확하고 생물학적으로 정확한 그림을 그려내는 방법을 제시합니다.