Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space
이 논문은 고차원 신경 활동과 행동 사이의 관계를 모델링하는 동시에 다양한 실험 데이터셋 전반에 걸쳐 양식 특이적 변동성을 분리하기 위해 비선형 스위칭 역학을 갖는 해석 가능한 공유 잠재 공간을 학습하는 통합 프레임워크인 Switching Shared Latent Dynamics (SSLD)를 소개한다.
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 거대하고 소란스러운 기계입니다. 어느 순간에도 수십억 개의 뉴런이 복잡한 패턴으로 발화하며 라디오의 잡음처럼 보이는 신호를 만들어냅니다. 그러나 그 혼돈 속에서도 특정 세포 집단은 협력하여 우리의 움직임, 결정, 감각을 주도합니다. 수십 년 동안 과학자들은 이 신경계의 잡음과 동물의 깨끗하고 관찰 가능한 행동을 연결하는 숨겨진 실마리를 찾기 위해 노력해 왔습니다. 문제는 뇌가 단순히 행동에 반응할 뿐만 아니라, 동물이 현재 무엇을 하고 있는지와는 아무런 관련이 없는 자체적인 내부 리듬과 변동을 생성하기도 한다는 점입니다. 뇌가 어떻게 행동을 제어하는지 이해하기 위해서, 연구자들은 먼저 중요한 신호와 그렇지 않은 잡음을 분리해야 합니다. 그들은 뇌와 신체 사이의 공유된 언어를 찾는 방법, 그리고 동물이 휴식 상태에서 목표물을 향해 손을 뻗는 상태로 이동할 때 그 언어가 어떻게 변하는지를 이해하는 방법이 필요합니다.
예일 대학교와 UCLA의 연구팀은 이 문제를 해결하기 위해 '전환되는 공유 잠재 역학(Switching Shared Latent Dynamics)'이라 불리는 새로운 방법을 개발했습니다. 두 사람의 대화를 시끄러운 거리의 소음이 섞인 녹음본으로 들으며 그 대화를 이해하려고 노력하는 상황을 상상해 보십시오. 이 새로운 방법은 거리의 소음으로부터 두 화자의 목소리를 분리해낼 수 있는 정교한 필터 역할을 하며, 동시에 대화의 주제가 바뀜에 따라 대화가 어떻게 변화하는지도 추적합니다. 이 경우, '화자'는 뇌의 신경 활동과 동물의 행동이며, '거리의 소음'은 현재 수행 중인 과제와 관련이 없는 뇌 내부의 활동입니다. 연구진은 뇌의 특정 패턴을 식별하여 동물이 하고 있는 일과 직접적으로 연결된 것을 찾아내고, 나머지는 무시하도록 학습하는 컴퓨터 모델을 구축했습니다. 결정적으로, 이 모델은 이러한 패턴이 일정하게 유지되지 않는다는 점을 인식합니다. 마치 자동차가 기어를 변속하듯, 동물이 움직임을 준비하거나, 움직임을 실행하거나, 혹은 휴식하는지에 따라 패턴이 서로 다른 모드 사이를 전환됩니다.
연구진은 이 접근 방식이 실제 환경에서도 유효한지 확인하기 위해 네 가지 매우 다른 데이터 세트에 적용했습니다. 먼저 정답을 알고 있는 컴퓨터 시뮬레이션으로 시작했으며, 모델은 숨겨진 패턴과 시스템이 모드를 전환하는 순간을 성공적으로 찾아냈습니다. 그 다음 연구진은 원숭이를 대상으로 한 실제 실험으로 넘어갔습니다. 한 실험에서 원숭이들은 27가지의 서로 다른 방향으로 목표물을 향해 손을 뻗었습니다. 모델은 원숭이가 손을 움직이는 동안 운동 피질과 전운동 피질에 있는 180개 뉴런의 전기적 활동을 분석했습니다. 모델은 손의 움직임에 대한 정보가 뇌의 활동 중 뇌와 신체 사이에 '공유'되는 것으로 식별된 특정 부분에 집중되어 있음을 발견했습니다. 나머지 뇌 활동은 모델이 뉴런의 '개별적(private)'인 것으로 분류한 부분이었으며, 여기에는 손의 움직임을 예측하지 못하는 복잡한 패턴들이 포함되어 있었습니다. 이는 모델이 행동을 유발하는 신호와 뇌의 내부적인 잡음을 성공적으로 분리할 수 있음을 확인시켜 주었습니다.
두 번째 원숭이 실험에서 동물들은 힘에 저항하며 밀어내는 과제를 수행했는데, 이는 능동적인 움직임과 수동적인 저항이 모두 포함되는 시나리오입니다. 모델은 다시 한번 성공하여, 움직이기 전의 단계나 밀고 있는 순간과 같이 과제의 단계와 일치하는 뚜렷한 활동 시기를 식별해 냈습니다. 연구진은 모델이 행동에 대해 아무것도 모르는 상태에서 패턴을 찾으려 하거나, 뇌의 활동을 단일하고 변하지 않는 흐름으로 취급하는 기존 방식보다, 이러한 전환점을 포착하는 능력이 훨씬 뛰어나다는 것을 발견했습니다. 모델에게 뇌의 공유된 활동 내에서 이러한 전환을 찾도록 명시적으로 가르침으로써, 모델은 동물의 행동에 맞춰 뇌의 전략이 변하는 정확한 순간을 짚어낼 수 있었습니다.
연구진은 여기서 멈추지 않고 뇌 전체 표면의 활동을 포착하는 다른 유형의 기록 방식을 사용하여 쥐에게도 동일한 방법을 적용했습니다. 한 세트의 실험에서는 쥐들이 과제를 수행하기 위해 스스로 결정을 내렸고, 다른 실험에서는 쥐들이 특별한 목표 없이 자유롭게 돌아다녔습니다. 이처럼 더 복잡하고 통제되지 않은 상황에서도 모델은 작동했습니다. 모델은 쥐의 움직임과 신경 활동을 높은 정확도로 재구성했습니다. 모델은 쥐의 활동 중 공유된 부분에는 쥐가 하고 있는 일에 대한 정보가 들어 있고, 개별적인 부분에는 나머지 뇌 활동이 들어 있다는 것을 식별해 냈습니다. 쥐들이 결정을 내릴 때, 모델은 쥐가 행동하기 전 정보를 축적하는 순간에 상응하는 뇌 역학의 특정한 변화를 감지했습니다.
이 결과는 뇌가 단일하고 안정적인 상태로 작동하지 않는다는 것을 시사합니다. 대신, 행동을 제어하는 뇌의 부분은 과제의 특정 단계에 적합한 서로 다른 운영 모드 사이를 도약하는 듯 보입니다. 새로운 모델은 이러한 변화를 들여다볼 수 있는 명확한 창을 제공합니다. 연구진이 뇌가 어떻게 행동을 제어하는지 이해하고자 할 때, 뇌의 활동을 매끄럽고 연속적인 흐름으로 가정하기보다는 이러한 불연속적인 변화를 찾아야 함을 보여줍니다. 또한 본 연구는 뇌를 분석할 때 행동을 무시하면 명확성이 떨어진다는 점을 강조합니다. 학습 과정에 행동을 포함함으로써, 모델은 어떤 뇌 부위가 실제로 신체를 제어하는 작업을 수행하는지 더 잘 식별할 수 있습니다. 이 접근 방식은 단순한 활동의 기술을 넘어, 신경 회로가 자연계에서 보이는 풍부한 행동들을 만들어내기 위해 어떻게 스스로를 재구성하는지에 대한 더 깊은 이해로 나아가는, 더 해석 가능한 뇌 연구 방식을 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.