Computational simulation reveals the critical role of spike-timing-dependent plasticity in synchrony

인간의 뇌는 수십억 개의 작은 전기 세포들로 이루어진 거대한 네트워크이며, 우리의 생각, 기억, 지각을 구축하기 위해 끊임없이 신호를 보냅니다. 수십 년 동안 과학자들은 이 세포들이 정보를 저장하기 위해 어떻게 스스로를 조직하는지에 대해 논쟁해 왔습니다. 한쪽의 주장은 학습이 마치 합창단이 같은 음을 동시에 부르는 것처럼, 뉴런 그룹이 완벽하게 일제히(unison) 신호를 보낼 때 일어난다는 것입니다. 이러한 동기화된 활동은 기억이 형성되는 물리적 징표로 간주됩니다. 반면, 다른 학파는 정보가 유용하기 위해서는 다양하고 예측 불가능해야 한다고 주장합니다. 만약 모든 세포가 정확히 같은 순간에 신호를 보낸다면, 그 신호는 마치 단 하나의 음만을 방송하는 라디오 스테이션처럼 너무 균일해져서 복잡한 세부 사항을 전달할 수 없게 됩니다. 학습을 위한 통일성과 정보 인코딩을 위한 다양성 사이의 이러한 긴장은 신경과학계의 오랜 난제가 되어 왔습니다.

연구자들은 뇌가 뉴런 사이의 연결을 강화하기 위해 특정 규칙을 사용한다는 것을 오래전부터 알고 있었습니다. 두 세포가 정밀한 순서로 신호를 보낼 때 그들 사이의 연결이 강해지는 과정인데, 이는 '스파이크 타이밍 의존 가소성(spike-timing-dependent plasticity)'이라 불리는 학습의 생물학적 메커니즘입니다. 그러나 이 학습 규칙이 정보가 혼돈스럽고 비동기화된 상태를 필요로 한다는 아이디어와 어떻게 공존할 수 있는지는 불분명했습니다. 만약 학습이 세포들이 함께 신호를 보내는 것을 요구한다면, 뇌는 어떻게 풍부하고 상세한 기억을 저장하기 위해 세포들이 떨어져서 신호를 보내는 것에 의존할 수 있을까요? 토론토 대학교와 크렘빌 브레인 연구소(Krembil Brain Institute)의 계산 과학자들에 의한 새로운 연구는 이 두 가지 상반되어 보이는 힘이 적대적인 관계가 아니라, 연속적인 피드백 루프 안에서 파트너 관계에 있다고 제안합니다.

이 미스터리를 해결하기 위해, 연구진은 뇌의 기억 중심 허브인 해마에서 발견되는 세포들의 행동을 모사하여 작은 뉴런 네트워크의 정교한 컴퓨터 모델을 구축했습니다. 그들은 가상 네트워크에 흥분성 또는 억제성 활동을 일으키는 화학적 신호를 포함하여, 실제 뉴런이 따르는 것과 동일한 생물학적 규칙을 프로그래밍했습니다. 연구팀은 쥐가 밝기가 다른 이미지들을 구별해야 하는 시각적 과제를 수행할 때 기록된 현실적인 데이터를 모델에 입력했습니다. 그런 다음 학습 메커니즘이 활성화된 버전과 비활성화된 버전의 두 가지 시뮬레이션을 실행했습니다. 가상 뉴런의 전기적 활동을 비교함으로써, 그들은 학습 과정이 스파이크의 타이밍을 어떻게 변화시키는지 정확히 관찰할 수 있었습니다.

결과는 학습과 타이밍 사이의 역동적이고 놀라운 관계를 보여주었습니다. 학습 메커니즘이 활성화되었을 때, 뉴런들은 단순히 동기화 상태를 유지하거나 비동기화 상태를 유지하는 데 그치지 않았습니다. 대신, 그들은 리드미컬한 주기에 진입했습니다. 학습 과정의 시작 단계에서 뉴런들은 신호 발생 타이밍이 서로 멀어지며 비동기화 상태를 만들어냈습니다. 이러한 변화는 시스템의 실패가 아니라 학습 자체의 필연적인 결과였습니다. 신호 타이밍의 다양성이 증가하는 것은 실제로 학습의 강도를 조절하는 역할을 하여, 네트워크가 경직된 패턴에 갇히는 것을 방지했습니다.

시뮬레이션이 몇 초간 지속됨에 따라, 연구진은 동기화와 비동기화 사이의 복잡한 춤을 관찰했습니다. 다만 이 패턴은 단순한 왔다 갔다 하는 방식은 아니었습니다. 네트워크는 동기화된 상태에서 비동기화된 상태로 이동했다가, 희소한 활동(sparse activity) 기간을 거친 후 다시 잠시 동기화되었다가 다시 흩어지는 과정을 반복했습니다. 이러한 변동은 전적으로 학습 규칙에 의해 주도되었습니다. 연구는 뇌가 정보를 관리하기 위해 이 변화하는 균형을 사용한다고 제안합니다. 초기 동기화는 뇌가 새로운 정보 조각을 포착할 수 있게 해주며, 뒤따르는 비동기화는 그 정보가 나중에 다른 기억과 간섭하지 않고도 검색될 수 있도록 충분한 유연성을 가지고 저장되도록 합니다.

결정적으로, 시뮬레이션은 학습 메커니즘이 없으면 뉴런들이 이와 같은 조절된 변동을 보이지 않는다는 것을 보여주었습니다. 학습이 비활성화되었을 때, 네트워크는 시간에 따라 진화하지 않는 동기화와 비동기화의 혼합 상태에 머물러 있었습니다. 이 발견은 이러한 상태 사이를 전환하는 능력이 무작위적인 발생이 아니라, 뇌의 학습 과정의 직접적인 결과임을 나타냅니다. 이 연구는 뇌가 동기화와 비동기화 중 하나를 선택하는 것이 아니라, 학습 과정을 사용하여 이들 사이를 전환하며 자기 조절 시스템을 만든다고 제안합니다.

이러한 관점은 학습과 정보 이론 사이의 겉보기 모순이 하나의 연속적인 과정으로서 어떻게 해결되는지를 보여줌으로써, 뇌가 질서와 혼돈 사이의 균형을 어떻게 맞추는지에 대한 오랜 난제를 이해하는 새로운 방법을 제시합니다. 즉, 학습은 기억을 형성하는 데 필요한 동기화를 촉발하지만, 학습 행위 자체가 시스템을 비동기화로 밀어내어 그 기억의 유연성을 보존한다는 것입니다. 연구진은 이 루프 덕분에 뇌가 건강한 수준의 변동성을 유지할 수 있으며, 이를 통해 간질에서 보이는 극단적인 동기화나 기억 상실과 관련된 극단적인 비동기화를 방지할 수 있음을 발견했습니다.

컴퓨터 시뮬레이션을 통해 수행된 이 연구는 이러한 생물학적 과정이 실제 뇌에서 어떻게 작동할지에 대한 이론적 틀을 제공합니다. 모델은 확립된 생물학적 데이터와 현실적인 입력을 바탕으로 했지만, 연구 결과는 살아있는 조직에 대한 직접적인 관찰이라기보다 이러한 메커니즘이 어떻게 상호작용하는지에 대한 하나의 제안입니다. 저자들은 이 조절 루프가 우리가 일상의 복잡한 세부 사항을 어떻게 인코딩하는지 이해하는 핵심이 될 수 있다고 제안합니다. 학습과 비동기화가 깊게 얽혀 있음을 보여줌으로써, 이 연구는 뇌가 어떻게 안정적인 기록자이자 동시에 유연한 정보 처리기로 기능할 수 있는지에 대한 일관된 설명을 제공합니다.