← 최신 논문
🧠 neuroscience

Global structure of new relational knowledge networks is represented in retrosplenial complex, and node-distance in hippocampus

fMRI와 새로운 학습 패러다임을 사용하여, 본 연구는 인간의 뇌가 후방 해마에서는 최단 경로 거리를, 후대상피질 복합체에서는 전역 연결 중심성을 표현함으로써 추상적 관계 네트워크의 전역 구조를 인코딩한다는 것을 입증한다.

원저자: Feld, G. B., Fernandez Velasco, P., Gahnstrom, C. J., Bernard, M., Mian, Q., Garvert, M. M., Dick, F., Gerchen, M. F., Spiers, H. J.

게시일 2026-07-25
📖 4 분 읽기☕ 가벼운 읽기

원저자: Feld, G. B., Fernandez Velasco, P., Gahnstrom, C. J., Bernard, M., Mian, Q., Garvert, M. M., Dick, F., Gerchen, M. F., Spiers, H. J.

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

당신의 뇌를 단순히 책을 선반에 보관하는 것뿐만 아니라, 모든 이야기가 다른 이야기와 어떻게 연결되는지 정확히 알고 있는 아주 똑똑한 사서라고 상상해 보세요. 과학자들은 도시나 숲에서 길을 찾는 것처럼 물리적인 장소를 탐색하는 데 관여하는 뇌의 부위가, "개념적 공간"을 탐색하는 데 도움을 주는 부위와도 같을 수 있다고 오랫동안 의심해 왔습니다. 개념적 공간을 '고양이'가 '개'와 연결되고, '개'가 다시 '털'과 연결되는 식의 거대한 보이지 않는 아이디어의 그물망이라고 생각해 보세요. 집에서 공원까지 얼마나 먼지를 알기 위해 지도가 필요한 것처럼, 우리의 뇌도 이 정신적 그물망 속에서 두 아이디어 사이가 얼마나 떨어져 있는지 측정할 방법이 필요합니다. 이 연구는 뇌의 깊고 오래된 기계 장치를 파고들어, 우리 뇌가 커피숍을 찾아갈 때 사용하는 것과 같은 GPS 같은 도구를 추상적인 지식을 조직하는 데에도 사용하는지 알아봅니다.

연구진은 특히 이 정신적 그물망에서의 두 가지 유형의 "거리"에 주목했습니다. 첫째는 **국소적 거리(local distance)**입니다. 이는 한 아이디어에서 다른 아이디어로 가는 데 몇 번의 직접적인 단계를 거쳐야 하는지를 의미합니다(예: 거실에서 주방으로 걸어가는 것). 둘째는 **전역적 중요도(global importance)**입니다. 이는 특정 아이디어가 전체 네트워크에서 얼마나 중심적인지를 나타냅니다. 어떤 노드는 많은 경로가 교차하는 번화한 도시의 교차로(높은 전역적 중요도)와 같을까요, 아니면 조용한 막다른 골목(낮은 전역적 중요도)과 같을까요? 뇌가 이러한 연결을 어떻게 지도화하는지 이해하는 것은 우리가 어떻게 학습하고, 기억하며, 정보의 바다 속에서 길을 잃지 않고 세상을 이해하는지를 밝히는 데 도움이 됩니다.

외계 행성 게임

이를 테스트하기 위해, 과학자들은 25명의 젊은 남성을 대상으로 비디오 게임 같은 실험을 설계했습니다. 그들은 실제 도시나 유명한 랜드마크를 사용하지 않았습니다. 대신, 독특한 외계 풍경 사진으로 표현된 27개의 "외계 행성"이라는 가상의 우주를 만들어냈습니다. 참가자들은 행성 간의 이동 경로를 학습해야 했습니다. 그들에게 지도는 주어지지 않았습니다! 대신, 그들은 현재 있는 행성을 보고 다음에 텔레포트할 수 있는 다른 세 개의 행성 중 하나를 추측하는 게임을 반복하며, 머릿속에 숨겨진 외계 우주의 구조를 천천히 구성해 나갔습니다.

다음 날, 충분한 숙면을 취한 참가자들은 MRI 기기 안으로 들어갔습니다. 가만히 누워 있는 동안, 그들은 행성 사진들을 보며 이미지 속의 아주 작은 결함을 찾아내야 했습니다. 이것은 참가자들이 기억력을 측정당하고 있다는 사실을 눈치채지 못하게 하면서 뇌를 활성화 상태로 유지하기 위한 "가림 과제(cover task)"였습니다. 과학자들은 뇌 활동 패턴을 살펴보기 위해 '표상 유사성 분석(Representational Similarity Analysis, RSA)'이라는 특수 기법을 사용했습니다. 그들은 질문했습니다. "뇌가 행성 A를 볼 때, 그 활동 패턴이 근처에 있는 행성 B의 패턴과 더 닮았는가, 아니면 멀리 떨어진 행성 Z의 패턴과 더 닮았는가?" 그들은 이 뇌 패턴을 외계 네트워크의 수학적 모델과 비교하여, 어떤 뇌 영역이 지도를 추적하고 있는지 확인했습니다.

뇌의 GPS: 두 가지 서로 다른 역할

연구 결과, 뇌에는 단 하나의 "지도 센터"가 있는 것이 아니라, 이 추상적인 네트워크를 탐색하는 업무를 두 가지 특정 영역이 나누어 맡아 전문적인 팀처럼 작동한다는 사실이 밝혀졌습니다.

1. 거리 추적기 (후방 해마 및 우측 후대상피질 복합체)
연구진은 후방 해마(뇌 깊숙이 위치한 해마 모양의 구조)와 우측 후대상피질 복합체(뇌 뒷부분 근처의 영역)가 거리를 추적하는 데 분주하다는 것을 발견했습니다. 참가자들이 행성에 대해 생각할 때, 이 영역들은 행성 사이의 "홉(hop)" 또는 단계의 수를 추적하는 방식에 맞춰 활성화되었습니다. 만약 두 행성이 네트워크상에서 가까운 이웃이라면 뇌 활동 패턴은 매우 유사했습니다. 반대로 두 행성이 멀리 떨어져 있다면 패턴은 매우 달랐습니다. 이는 마치 이 뇌 영역들이 정신적인 계단에서 단수를 세며 뇌에게 "너는 그 아이디어로부터 세 번의 점프만큼 떨어져 있어"라고 말해주는 것과 같습니다.

2. 글로벌 허브 (좌측 후대상피질 복합체)
여기서 더욱 흥ей로운 점이 나타납니다. 오른쪽 뇌가 단수를 세고 있는 동안, 좌측 후대상피질 복합체는 다른 일을 하고 있었습니다. 이 영역은 단순히 단수를 세는 것이 아니라, **전역적 연결성(global connectivity)**을 추적하고 있었습니다. 이 영역은 어떤 행성이 네트워크의 "허브", 즉 다른 모든 것과 위상적으로 가까운 중심지인지를 파악하는 듯했습니다. 이는 마치 항공사 전체의 메인 허브 공항이 어디인지 알고 있는 관제탑과 같습니다. 현재 당신이 그곳에서 얼마나 멀리 떨어져 있는지와 상관없이 말이죠. 이는 이 영역의 왼쪽 부분이 전체적인 네트워크의 형상과 중요성을 이해하는 "큰 그림" 지도를 구축하는 데 도움을 준다는 것을 시사합니다.

뇌가 하지 않은 것

이 연구는 몇 가지 사항을 배제하기도 했습니다. 과학자들은 격자형 지도를 만드는 데 자주 연관되는 영역인 **내후각 피질(entorhial cortex)**이 이 특정 과제에서 거리 추적의 징후를 보이지 않는다는 사실에 놀랐습니다. 또한, 뇌가 예상했던 방식대로 국소적 연결성(한 행성이 가진 직접적인 이웃의 수)을 추적하지 않는다는 것도 발견했습니다. 이는 우리 뇌가 사물 사이의 거리를 측정하고 전체 시스템에서 얼마나 중심적인지를 파악하는 데는 뛰어나지만, "직접적인 친구의 수"를 다루는 방식은 다르거나, 혹은 단순히 지도를 기억하는 것이 아니라 실제로 경로를 계획할 때만 그 방식을 사용할 수도 있음을 시사합니다.

핵심 요약

간단히 말해, 이 논문은 우리가 새로운 추상적 체계(예: 새로운 규칙, 사회적 네트워크, 또는 학교의 복잡한 주제)를 배울 때, 우리 뇌가 도시를 탐색할 때 사용하는 것과 동일한 도구를 사용하여 그에 대한 지도를 만든다는 것을 시사합니다. 후방 해마우측 후대상피질 복합체는 우리의 '단계 카운터' 역할을 하며 아이디어 사이의 거리를 측정합니다. 한편, 좌측 후대상피질 복합체는 '마스터 설계자' 역할을 하여 어떤 아이디어가 전체 네트워크에서 가장 중요한 허브인지를 추적합니다. 우리 뇌는 타고난 지도 제작자이며, 심지어 가장 추상적인 지식조차도 탐색 가능한 풍경으로 바꾸어 놓음으로써 우리가 정보의 그물망 속에서 길을 잃지 않도록 해줍니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →