🧠 신경과학

When are population connectome harmonics adequate representations of individual brains?

이 연구는 인구 집단 수준의 커넥톰 하모닉스가 개별 뇌 구조의 불완전한 표현에도 불구하고 인지 기능을 예측하는 데 있어 견고하고 실용적으로 유용할 수 있음을 입증하며, 이는 그 적절성이 구체적인 과학적 질문과 분석되는 정보의 유형에 달려 있음을 시사한다.

원저자: Bolton, T., Patel, J., Schoettner Sieler, M., Chan, C. H. M., Van De Ville, D., Hagmann, P.

게시일 2026-10-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Bolton, T., Patel, J., Schoettner Sieler, M., Chan, C. H. M., Van De Ville, D., Hagmann, P.

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

인간의 뇌는 단일하고 균일한 기관이 아닙니다. 그것은 수십억 개의 세포가 수조 개의 경로로 연결된 거대하고 복잡한 네트워크입니다. 과학자들은 이 복잡한 시스템이 어떻게 작동하는지 이해하기 위해 종종 이러한 연결을 매핑하며, 이를 통해 '커넥톰(connectome)'이라 불리는 구조적 청사진을 만듭니다. 이 지도는 뇌의 어느 영역들이 백질 케이블에 의해 물리적으로 연결되어 있으며, 사고와 감정이 이동하는 물리적 가교를 형성하는지를 보여줍니다. 그러나 모든 사람의 뇌는 미세하게 다르게 배선되어 있기 때문에, 연구자들은 집단을 연구할 때 어려운 선택에 직면합니다. 모든 개인의 고유한 세부 사항을 포착하지만 사람들 간의 비교를 거의 불가능하게 만드는 개별적인 지도를 구축할 것인지, 아니면 '전형적인' 뇌를 나타내는 단일한 평균 지도를 만들 것인지의 문제입니다. 이 평균 지도는 과학자들이 집단을 비교하고 공통된 패턴을 찾는 것을 가능하게 하지만, 각 개인을 특별하게 만드는 바로 그 차이점들을 뭉뚱그려 버릴 위험이 있습니다. 핵심적인 질문은, 이렇게 단순화된 인구 수준의 지도가 특정 인간 뇌의 복잡하고 개별적인 현실을 대신하기에 충분히 좋은가 하는 점입니다.

한 연구팀은 875명의 건강한 젊은 성인을 대상으로 뇌 스캔을 분석하여 이 질문에 답하고자 했습니다. 그들은 '커넥토믹 하모닉스(connectome harmonics)'라고 불리는 수학적 도구에 집중했는데, 이는 음악의 화음을 개별 음표로 분해할 수 있는 것처럼 뇌의 구조적 지도를 일련의 근본적인 패턴들로 분해하는 방식입니다. 이러한 패턴은 뇌 전체를 아우르는 부드럽고 느린 파동부터, 작고 국소적인 영역에서 발생하는 빠르고 들쭉날쭉한 변동까지 다양합니다. 연구진은 여러 사람의 뇌를 평균하여 도출한 단일 패턴 세트가, 원래 그룹에 속하지 않은 한 개인의 뇌를 정확하게 설명할 수 있는지 알고 싶었습니다. 그들은 이 아이디어를 세 가지 구체적인 방향으로 테스트했습니다. 첫째, 평균 지도가 안정적이고 재현 가능한지, 둘째, 그것이 실제로 개별 뇌의 고유한 구조를 나타내는지, 셋째, 이 평균 지도를 사용하는 것이 뇌 기능과 행동을 연구할 때 올바른 결론으로 이어지는지였습니다.

연구 결과, 답은 단순한 '예' 또는 '아니오'가 아니라, 전적으로 과학자가 무엇을 달성하려 하는지에 달려 있다는 것이 밝혀졌습니다. 연구진이 평균 지도를 구축하는 데 사용하는 사람의 수를 늘릴수록, 지도 자체는 더 안정적이고 일관되게 되었습니다. 만약 10명으로부터 지도를 만들었을 때와 50명으로부터 만들었을 때의 결과가 매우 달랐다면, 수백 명에 이르기까지 더 많은 사람을 추가함에 따라 지도는 새로운 개인이 추가되어도 크게 변하지 않는 신뢰할 수 있는 형태로 자리 잡았습니다. 이는 인류의 뇌에 대한 광범위하고 공유된 특징을 찾는 연구의 경우, 적절한 규모의 집단만 있다면 견고하고 재현 가능한 참조 모델을 만드는 데 충분하다는 것을 의미합니다.

그러나 이러한 안정성이 곧 그 지도가 어떤 한 개인의 완벽한 거울임을 의미하지는 않았습니다. 700명의 대규모 집단을 사용했음에도 불구하고, 평균 지도는 특정 개인의 고유한 배선과 비교했을 때 여전히 상당한 세부 사항을 놓쳤습니다. 연구진은 평균 지도가 뇌 조직의 대규모적이고 느리게 움직이는 패턴을 포착하는 데는 탁월했지만, 더 미세하고 빠른 세부 사항을 표현하는 데는 어려움을 겪는다는 것을 발견했습니다. 결정적으로, 그들은 지도가 안정적이고 재현 가능하다고 해서 그것이 자동으로 모든 개인을 대표한다는 것을 의미하지는 않는다는 사실을 발견했습니다. 어떤 지도는 서로 다른 집단 사이에서 매우 일관될 수 있지만, 동시에 단일 뇌의 특정한 개성을 포착하는 데는 실패할 수 있습니다.

이러한 불완전함에도 불구하고, 연구진은 평균 지도가 실질적인 응용 분야에서 놀라울 정도로 유용하다는 것을 발견했습니다. 연구진이 인구 기반 지도를 사용하여 뇌 활동을 분석하고 인지 능력을 예측했을 때, 그 결과는 종종 해당 개인의 뇌를 사용하여 만든 지도만큼 좋았거나 심지어 더 나았습니다. 이는 특히 더 빠르고 상세한 패턴의 뇌 활동에서 두드러졌습니다. 평균 지도는 개별 뇌의 노이즈가 많고 무의미한 변동을 걸러내어 분석을 혼란스럽게 할 수 있는 요소를 매끄럽게 다듬는 동시에, 뇌가 작동하는 방식과 관련된 의미 있는 신호는 보존하는 일종의 필터 역할을 하는 것으로 보입니다. 실제로, 인지 수행 능력을 예측하는 데 있어 인구 기반 지도는 높은 수준의 세부 사항에서 개인별 지도를 능가했습니다.

연구는 또한 과학자들이 이러한 평균 지도를 구축하는 방식이 결과에 어떤 영향을 미치는지 조사했습니다. 그들은 뇌 영역 간의 가능한 모든 연결을 포함할 것인지, 아니면 대부분의 사람에게 나타나는 연결만을 포함할 것인지와 같은 다양한 방법을 테스트했습니다. 그들은 어떤 연결을 포함할지를 결정하는 것이 연결의 강도를 어떻게 계산하느냐보다 결과에 훨씬 더 큰 영향을 미친다는 것을 발견했습니다. 네트워크의 전반적인 형태와 레이아웃이 링크에 부여되는 구체적인 숫자보다 더 중요했습니다. 이는 뇌 배선의 구조가 유용한 참조 지도를 만드는 데 있어 가장 결정적인 요소임을 시사합니다.

궁극적으로, 이 연구는 모든 과학적 질문에 통용되는 단 하나의 '완벽한' 인구 지도는 존재하지 않는다는 결론을 내립니다. 대신, 그러한 지도의 적절성은 연구의 구체적인 목표에 달려 있습니다. 만약 연구자가 단일 뇌의 정밀하고 고유한 배선을 이해해야 한다면, 인구 평균은 충분하지 않을 수 있습니다. 하지만 일반적인 뇌 조직의 원리를 이해하거나 집단 전체의 행동을 예측하는 것이 목표라면, 인구 수준의 지도는 적절할 뿐만 아니라 종종 더 우수합니다. 이 연구는 어떤 표현 방식이 그것이 설명하는 모든 개인과 완벽하게 일치하지 않더라도, 유용하고 과학적으로 타당할 수 있음을 보여줍니다. 핵심은, 단순화되고 공유된 뇌의 관점이 초정밀하고 개별적인 관점이 가릴 수 있는 진실을 드러낼 수 있음을 인식하면서, 적재적소에 맞는 도구를 선택하는 것입니다.

기술 요약: 언제 집단 커넥톰 하모닉스가 개별 뇌의 적절한 표현이 되는가?

문제 제기
네트워크 신경과학은 뇌 조직을 분석하기 위해 구조적 커넥톰(SC)을 그래프로, 기능적 활동을 해당 그래프 위에서 진화하는 신호로 표현하는 그래프 신호 처리(GSP)를 점점 더 많이 활용하고 있다. 여기서 근본적인 방법론적 선택 문제가 발생한다. 즉, 커넥톰 하모닉스(그래프 라플라시안의 고유벡터)를 집단 수준의 SC(피험자 간 평균)로부터 도출할 것인가, 아니면 개별 피험자 특유의 SC로부터 도출할 것인가 하는 점이다.

집단 수준의 하모닉스는 그룹 수준의 비교를 용이하게 하는 공통의 스펙트럼 좌표계를 제공하지만, 주로 개별적인 해부학적 골격보다는 공유된 구조적 조직을 인코딩한다. 반면, 개별화된 하모닉스는 피험자 특유의 구조를 보존하지만 서로 비교 불가능한 스펙트럼 공간을 생성한다. 집단 표현 방식이 널리 사용되고 있으나, 이것이 개별 뇌를 표현하는 데 있어 얼마나 적절한지는 명확하지 않다. 구체적으로, 집단 표현이 강건성(샘플 간 재현성), 대표성(개별 구조를 충실히 포착하는 능력), 그리고 실용적 유용성(다운스트림 기능 분석에서 유효한 결론을 도출하는 능력)을 갖추고 있는지 여부가 알려져 있지 않다. 또한, 이러한 속성들과 샘플 크기, 커넥톰 구축 방법, 그리고 그래프 주파수 사이의 관계도 명확히 정의되지 않았다.

방법론
저자들은 Human Connectome Project(HCP)의 건강한 젊은 성인 875명의 다중 모달 신경 영상 데이터를 분석하였다. 연구는 다양한 샘플 크기( $N \in \{5, \dots, 700\}$ )에 걸쳐 집단 수준의 구조적 커넥톰을 구축하기 위해 중첩 샘플링 프레임워크를 채택하였다.

커넥톰 구축: 두 가지 엣지 선택 전략(AllEdges vs. ConsensusEdges)과 두 가지 가중치 정의 전략(AllValues vs. NZValues)을 교차하여 네 가지 집단 수준 SC 구축 체계를 평가하였다.
하모닉 생성: 대칭 정규화 그래프 라플라시안의 고유값 분해를 통해 집단 수준 및 피험자별 SC로부터 커넥톰 하모닉스를 생성하였다.
3차원 평가: 연구는 세 가지 상호 보완적인 차원을 따라 집단 하모닉스를 평가하였다:
- 강건성(Robustness): 동일한 크기의 비중복 집단 샘플에서 추정된 하모닉 기저 간의 일관성. 지표로는 하모닉 유사도, 요구되는 투영 윈도우, 라플라시안 재구성 오차가 포함된다.
- 대표성(Representativeness): 집단 수준의 하모닉스가 독립적인 개인(제외된 피험자)의 구조적 조직을 포착하는 능력. 지표로는 하모닉 유사도, 스펙트럼 대역폭, 누설 엔트로피(leakage entropy), 서브스페이스 유사도가 포함된다.
- 실용적 유용성(Practical Utility): 다운스트림 기능 분석에서 개별화된 하모닉스를 집단 수준의 것으로 대체했을 때 발생하는 결과. 여기에는 그래프 필터링(저역 및 고역 통과), 기능적 오차, 2차 모멘트 오차, 기능적 연결성(FC) 오차, 그리고 인지 성능 예측이 포함된다.
통계 분석: 선형 혼합 효과 모델을 사용하여 샘플 크기 변화에 따른 수렴성을 평가하였다. 세 차원 간의 관계는 Spearman 상관계수와 Fisher 변환 상관계수를 통해 정량화되었다. 파워 로(power-law) 모델을 피팅하여 모델링된 수렴의 90%를 달성하는 데 필요한 샘플 크기( $N_{90}$ )를 추정하였다.

주요 기여

속성의 분리: 본 연구는 강건성, 대표성, 실용적 유용성이 반드시 함께 움직이지 않는 별개의 속성임을 입증하였다. 즉, 어떤 표현이 매우 재현 가능(Robust)하더라도 개별 구조를 완전히 대표(Representative)하지 못할 수 있으며, 개별적 대응이 불완전하더라도 실용적 유용성(Practical Utility)을 가질 수 있다.
주파수 의존적 해리: 저자들은 구조적 충실도와 예측 유용성 사이의 해리를 보여준다. 집단 수준의 하모닉스는 고주파수에서 개별 하모닉스보다 낮은 구조적 불일치를 보였으나, 기능적 오차(2차 모멘트 및 FC)는 더 높았다. 역설적이게도, 집단 수준의 하모닉스에서 유도된 고주파수 FC는 개별화된 하모닉스보다 인지 능력을 더 정확하게 예측하였는데, 이는 집단 기반이 일종의 규제화(regularization) 역할을 할 수 있음을 시사한다.
구축 민감도: 네트워크 토폴로지(엣지 선택)의 선택이 엣지 가중치 정의보다 강건성, 대표성 및 실용적 유용성에 훨씬 더 큰 영향을 미친다는 것을 밝혀냈다.
샘플 크기 궤적: 연구는 이 속성들의 수렴 궤적을 매핑하였으며, 실용적 유용성이 평균적인 대표성보다 작은 샘플 크기에서 안정화되고, 대표성은 안정적인 개별 간 차이의 정밀한 해상도보다 먼저 안정화됨을 보여주었다.

주요 결과

강건성: 샘플 크기에 따라 단조 증가한다. 조사된 모든 샘플 크기 증분(최대 $N=350$ )에 걸쳐 유의미하고 실질적인 개선이 지속된다. 로컬 스펙트럼 서브스페이스 대응은 1대1 하모닉스 대응( $N_{90} \approx 770$ )이나 라플라시안 재구성( $N_{90} \approx 526}$ )보다 더 빨리 안정화된다( $N_{90} \approx 263$ ).
대표성: 평균 대표성은 작은 샘플 크기( $N < 50$ )에서 빠르게 안정화되며, 그 이후에는 뚜렷한 개선이 거의 없다. 그러나 피험자 순위를 일관되게 매기는 능력(개별 간 차이의 안정성)은 더 큰 샘플 크기와 함께 점진적으로 개선되며, 매우 큰 $N$ 에서야 수렴한다.
실용적 유용성: 집단 수준의 하모닉스를 사용하는 기능적 결과는 $N$ $N$ 이 작은 임계값을 초과하면 집단 샘플 크기에 거의 영향을 받지 않는다. 결정적으로, 그래프 주파수의 선택이 결과를 좌우한다:
- 저주파수: 집단 기반과 개별 기반은 거의 동일한 인지 예측 성능을 보인다 ( $R^2 \approx 0.089$ ).
- 고주파수: 집단 수준의 기반은 구조적 불일치와 기능적 오차가 더 높음에도 불구하고, 개별화된 기반보다 인지 예측 성능이 더 뛰어나다 ( $R^2 = 0.175$ vs. $0.139$).
구축 효과: 토폴로지(AllEdges vs. ConsensusEdges)가 지배적인 요인이다. Consensus 토폴로지는 강건성을 높이지만 대표성을 감소시킨다. 또한 저역 및 고역 필터링의 차별적 유용성에도 유의미한 변화를 준다.

의의 및 주장
본 논문은 집단 수준의 커넥톰 표현의 적절성을 단일 지표나 보편적인 샘플 크기 임계값으로 결정할 수 없다고 주장한다. 대신, 적절성은 특정 과학적 질문과 분석이 보존해야 하는 정보에 의해 정의된다.

맥락 의존적 적절성: 만약 목표가 하모닉스 기저 자체를 해석하는 것이라면 강건성이 가장 중요하다. 만약 목표가 개별 구조적 조직을 표현하는 것이라면 대표성이 핵심이다. 만약 목표가 다운스트림 기능 분석이나 예측이라면 실용적 유용성이 결정적인 요소가 된다.
재현성 vs. 충실도: 연구 결과는 집단 표현이 완전히 대표적이지 않더라도 재현 가능할 수 있으며, 개별적 대응이 불완전하더라도 유용할 수 있음을 보여준다.
방법론적 가이드라인: 저자들은 연구자가 자신의 추론 목적에 맞춰 집단 크기, 커넥톰 구축 방식, 그리고 그래프 주파수 범위를 정렬해야 한다는 프레임워크를 제안한다. 예를 들어, 개별적 편차에 초점을 맞춘 연구는 피험자 순위를 안정화하기 위해 더 큰 샘플이 필요할 수 있는 반면, 그룹 수준의 기능적 연결성에 초점을 맞춘 연구는 실용적 유용성을 위해 더 작은 집단으로도 충분할 수 있다.
한계점: 저자들은 자신의 연구가 건강한 젊은 성인이라는 동질적인 코호트에 기반하고 있으며, 관찰된 관계가 이질적이거나 임상적인 집단에서는 다를 수 있음을 겸허히 인정한다. 또한 "대표성"이 추정된 개별 하모닉스를 기준으로 정의되었으며, 이 역시 절대적인 정답(ground truth)은 아님을 명시한다.

결론적으로, 본 논문은 보편적으로 최적화된 집단 표현이란 존재하지 않는다고 단언한다. "올바른" 집단 수준의 커넥톰이란 높은 재현성, 높은 개별 충실도, 또는 최적의 다운스트림 예측력 중 연구자가 의도한 과학적 응용에 필요한 특정 속성을 보존하는 것이다.

기술 요약: 언제 집단 커넥톰 하모닉스가 개별 뇌의 적절한 표현이 되는가?

유사한 논문