🧠 신경과학

PHASOR: An Open-Source Pipeline for Hidden Markov Model Analysis of Stimulus-Locked Retinal Multielectrode-Array Population Activity

이 논문은 자극 정렬, 푸리에 기반 분류, 그리고 은닉 마르코프 모델을 통합하여 망막 다전극 어레이 기록에서 자극에 동기화된 집단 활동을 분석하고 시각화하는 오픈 소스 파이프라인인 PHASOR를 소개하며, 합성 데이터와 다양한 엑스 비보(ex vivo) 망막 실험을 통해 그 효과를 입증한다.

원저자: Shaik, M. J., Chen, S., Jin, J., Babino, D.

게시일 2026-11-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Shaik, M. J., Chen, S., Jin, J., Babino, D.

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

망막은 흔히 뇌를 위한 단순한 카메라 렌즈로 생각되기 쉽지만, 실제로는 시각 정보를 전달하기 전에 이를 처리하는 복잡한 신경 회로입니다. 이 얇은 조직층 내부에서는 망막 신경절 세포라고 불리는 수천 개의 개별 뉴런이 빛에 반응하여 전기 신호를 발사합니다. 과학자들이 단일 세포가 빛에 어떻게 반응하는지는 오랫동안 연구해 왔지만, 시각의 진정한 이야기는 이 세포들이 집단으로서 어떻게 함께 작동하는지에 있다는 이해가 점차 커지고 있습니다. 오케스트라의 악기 하나가 교향곡을 온전히 전달할 수 없듯이, 단 하나의 뉴런으로는 뇌가 세상을 어떻게 보는지 완전히 설명할 수 없습니다. 연구자들의 과제는 이 수백 개의 세포가 내는 수다 소리를 동시에 듣고, 특히 빛의 깜빡임과 같이 특정 순간과 연결된 그들의 집단적 행동에서 반복되는 패턴을 찾아내는 것이었습니다.

이를 해결하기 위해 연구진은 망막의 집단적인 대화를 듣고 이를 명확한 이야기로 번역하도록 설계된 PHASOR라는 새로운 소프트웨어 도구를 개발했습니다. 연구진은 건강한 쥐와 빛을 감지하는 세포가 손상된 유전 질환을 가진 쥐의 망막에서 발생하는 전기적 활동을 기록했습니다. 그들은 망막에 리드미컬하고 전역적인 빛의 깜빡임을 노출시켰으며, 밝기를 어두운 상태에서 매우 밝은 상태까지 변화시켰습니다. 목표는 세포 집단이 단순히 무작위로 발화하는 것이 아니라, 빛의 타이밍과 강도에 부합하는 뚜렷하고 반복되는 활동 모드로 안착하는지 확인하는 것이었습니다.

과정은 모든 세포의 전기적 스파이크를 빛이 변한 정확한 순간과 정렬하는 것으로 시작됩니다. 그런 다음 소프트웨어는 리듬에 대한 세포의 반응에 따라 세포를 분류합니다. 어떤 세포는 빛이 켜질 때 발화하고, 어떤 세포는 꺼질 때 발화하며, 다른 세포들은 더 복합적인 반응을 보입니다. 세포들이 분류되면, 소프트웨어는 통계적 방법을 사용하여 전체 집단을 숨겨진 상태(hidden states)로 그룹화합니다. 세포 집단을 거대한 군중이라고 상상해 보십시오. 매 초마다 그 군중은 주로 한 유형의 사람이 말하고 있는 상태이거나, 혹은 다른 조합이 활성화된 상태에 있을 수 있습니다. 소프트웨어는 이러한 뚜렷한 군중 상태가 몇 개 존재하는지, 그리고 매 순간 망막이 어떤 상태에 있는지를 파악하려고 노력합니다.

연구진이 정확한 상태의 수를 사전에 알고 있는 컴퓨터 생성 데이터를 통해 테스트했을 때, 이 도구는 놀라울 정도로 정확한 성능을 보여주었습니다. 소프트웨어가 실제 존재하는 것보다 약간 더 많은 상태로 데이터를 설명하더라도, 사건의 순서를 거의 완벽한 충실도로 재구성해 냈습니다. 이러한 시뮬레이션에서 도구는 상태의 정확한 개수가 약간 틀리더라도 데이터의 기저 구조를 찾아낼 수 있음을 보여주며, 거의 매번 숨겨진 상태의 타이밍과 순서를 정확하게 식별해 냈습니다. 이 차이는 매우 중요합니다. 이 도구는 수학적 정밀도로 상태를 세는 것이 아니라, 활동의 패턴을 찾는 데 설계되었습니다.

건강한 쥐의 실제 기록에 적용되었을 때, 이 도구는 풍부한 활동의 태피스트리를 드러냈습니다. 망막은 단순히 무작위로 발화하는 것이 아니라, 수십에서 수백 밀리초 동안 지속되는 뚜렷한 상태들 사이를 이동했습니다. 이러한 상태들은 균일하지 않았습니다. 어떤 상태는 빛이 켜질 때 반응하는 세포들에 의해 지배되었고, 다른 상태는 빛이 꺼질 때 반응하는 세포들에 의해 지배되었습니다. 도구는 빛의 대비가 증가함에 따라 집단이 새로운 상태로 이동하며, 활성화된 세포의 특정 조합이 예측 가능한 방식으로 변한다는 것을 보여주었습니다. 예를 들어, 대비 수준이 높아질수록 집단은 '온(on)' 세포들이 매우 활발한 상태에서 더 많은 시간을 보냈으며, 이러한 상태 간의 전이는 깜빡이는 빛의 리듬에 긴밀하게 고정되어 있었습니다.

이러한 패턴이 정말로 빛에 의해 유발된 것인지, 아니면 단순히 무작위적인 노이즈인지 확인하기 위해 연구진은 두 가지 대조 실험을 수행했습니다. 첫 번째 실험에서는 동일한 타이밍 프로토콜을 사용하되 망막에 빛을 투사하지 않았습니다. 이 경우 세포들은 일정한 낮은 비율로 발화했으며, 소프트웨어는 프로토콜의 타이밍과 일치하는 조직된 상태를 찾지 못했습니다. 두 번째 대조 실험에서는 빛을 감지하는 세포를 파괴하는 유전 질환을 가진 쥐의 망막을 사용했습니다. 빛이 투사되었음에도 불구하고, 세포들은 건강한 눈에서 보이는 리드미컬한 패턴으로 조직되지 않았습니다. 이러한 대조 실험들은 건강한 망막에서 발견된 복잡하고 반복적인 상태들이 시각적 자극에 대한 직접적인 반응임을 확인시켜 주었습니다.

또한 이 도구는 특정 화학적 경로가 차단되었을 때 망식이 어떻게 반응하는지 테스트할 수 있게 해주었습니다. 망막의 '온(on)' 경로를 억제하는 약물을 적용했을 때, 집단의 행동에서 극적인 변화를 관찰했습니다. 상태의 순서가 눈에 띄게 변했고 반응의 타이밍이 바뀌었는데, 이는 이 도구가 특정 생물학적 조작이 신경 네트워크의 집단적 활동을 어떻게 변화시키는지 감지할 수 있음을 확인해 줍니다. 이러한 민감성은 이 방법이 시각 시스템의 서로 다른 부분들이 뇌가 받는 전체적인 그림에 어떻게 기여하는지 이해하는 데 사용될 수 있음을 시사합니다.

이 연구의 의의는 혼란스러운 전기 신호의 흐름을 망막이 팀으로서 어떻게 작동하는지에 대한 관리 가능하고 기술적인 모델로 바꿀 수 있는 능력에 있습니다. 연구진은 새로운 유형의 세포나 새로운 생물학적 법칙을 발견한 것이 아니라, 자극의 타이밍과 집단적 행동을 연결하는 재사용 가능한 파이프라인을 구축한 것입니다. 도구가 식별한 상태들은 집단의 활동에 대한 기술적인 지도를 제공하며, 어떤 세포 그룹이 함께 활성화되고 얼마나 오래 지속되는지를 보여줍니다. 시뮬레이션에서 발견된 상태의 정확한 개수가 때때로 실제보다 약간 높았음에도 불구하고, 사건의 순서는 높은 정밀도로 복구되었으며, 이는 이 방법이 신경 활동의 기저 구조를 찾는 데 있어 견고하다는 것을 증명합니다. 이 접근 방식은 과학자들이 개별 세포 연구를 넘어, 시각을 정의하는 집단 역학을 이해함으로써 뇌의 첫 번째 시각 정거장이 정보를 어떻게 처리하는지 조사할 수 있는 새로운 길을 열어줍니다.

PHASOR의 기술 요약: 자극에 동기화된 망막 다전극 어레이 집단 활동의 은닉 마르코프 모델 분석을 위한 오픈 소스 파이프라인

문제 정의
망막의 다전극 어레이(MEA) 기록은 수백 개의 망막 신경절 세포(RGC)의 발화 활동을 동시에 포착하여, 세포 해상도의 신경 집단 활동을 드러낸다. 그러나 반복되는 집단 상태(population states)를 자극 타이밍 및 단일 단위 반응과 연결하는 과정은 종종 서로 다른 도구들에 의해 파편화된 복잡한 분석 단계들을 필요로 한다. 기존의 리소스들은 스파이크 소팅(SpikeInterface), 수용장 분석(Pyret, PRANAS), 또는 포아송 HMM 피팅(HMM-spikes)과 같이 워크플로우의 특정 부분들을 다루고 있지만, 자극 동기화, 반응 분류, 희소 방출 모델(sparse emission models)을 이용한 모델 피팅, 모델 차수 선택, 그리고 시각화를 하나의 통합된, 문서화되고 재사용 가능한 파이프라인으로 결합한 것은 없다. 또한, 자극에 동기화된 데이터에 은닉 마르코프 모델(HMM)을 적용할 때는 고차원 이진 데이터에 대한 방출 분포를 근사 없이 정의하는 것이 계산적으로 불가능하며, 예측 가능도(predictive likelihood)가 과도하게 세분화된 모델을 선호하는 경향 때문에 적절한 은닉 상태의 수( $K$ )를 선택하는 것이 까다롭다는 특수한 과제가 존재한다.

방법론
저자들은 Python으로 구현되고 Next.js 브라우저 인터페이스를 갖춘 모듈형 오픈 소스 파이프라인인 PHASOR(Population HMM Analysis of Stimulus-locked Output in the Retina)를 제시한다. 이 워크플로우는 다섯 가지 주요 단계로 구성된다:

전처리(Preprocessing): 클록 드리프트 누적을 방지하기 위해 주기적인 동기화 신호("synctone")를 사용하여 원시 스파이크 타이밍을 자극 클록에 정렬한다. 데이터는 고정된 시간 창(예: 10 ms)으로 빈닝(binning)되어 자극 조건, 시간, 채널, 단위(unit)를 인덱스로 하는 4차원 배열로 쌓인다.
처리(클러스터링)(Processing (Clustering)): 클러스터 안정성을 보장하기 위해, 파이프라인은 자극 조건별로 데이터를 분할하고 비지도 학습 방식인 UMAP을 적용한 후 OPTICS 클러스터링을 수행한다. 하이퍼파라미터는 조정된 랜드 지수(Adjusted Rand Index, ARI)와 실루엣 점수(silhouette score)를 극대화하고 노이즈 비율을 최소화하도록 그리드 서치(grid search)를 통해 튜닝된다.
푸리에 분류(Fourier Classification): 각 단위는 자극에 동기화된 반응을 기반으로 독립적으로 기능적 라벨을 할당받는다. 파이프라인은 주기 평균된 주위 자극 시간 히스토그램(cycle-averaged peri-stimulus time histograms)을 사용하여 푸리에 변환의 제1 및 제2 조파(harmonics)를 계산한다. 단위들은 위상(phase), 진폭(amplitude), 신호 대 잡음비(SNR) 게이트를 기준으로 극성(ON/OFF vs. biphasic)과 운동학(transient vs. sustained)에 따라 분류된다. 이 라벨들은 해석을 위해 사용되지만 HMM 피팅에는 영향을 미치지 않는다.
HMM 피팅(HMM Fitting): 집단 활동은 잠재 상태(latent states)의 시퀀스로 모델링된다.
- 방출 모델(Emission Model): $N$ 개의 단위에 대해 $2^N$ 개의 파라미터를 추정하는 불가능함을 피하기 위해, PHASOR는 Chow-Liu 트리 근사를 사용한다. 이는 단위들 사이의 가장 강력한 쌍별 의존성(pairwise dependencies)을 포착하여, 상태당 파라미터를 $N-1$ 개로 줄여준다. 쌍별 공분산은 약한 에지를 제거하기 위해 절대 소프트 임계값( $\eta$ )을 통해 정규화된다.
- 파라미터 추정(Parameter Estimation): 파라미터(초기 분포, 전이 행렬, 방출 파라미터)는 다중 무작위 초기화를 포함한 기대 최대화(Expectation-Maximization, EM) 알고리즘을 사용하여 추정된다.
- 모델 선택(Model Selection): 상태의 수( $K$ )와 공분산 임계값( $\eta$ )은 순방향 체이닝 교차 검증(forward-chaining cross-validation)을 사용하여 선택된다. 모델이 과도하게 세분화되는 것을 방지하기 위해, 검증 로그 가능도(validation log-likelihood)의 한계 이득(marginal gain)에 "엘보우 규칙(elbow rule)"을 적용한다.
보고(Reporting): 파이프라인은 상태 점유율(state occupancy), 체류 시간(dwell times), 전이 행렬(transition matrices), 그리고 각 상태 내 활성 단위의 구성을 시각화하는 표준화된 도표를 생성한다.

주요 기여

통합(Integration): PHASOR는 자극 동기화, 푸리에 기반 반응 분류, Chow-Liu 트리 HMM 피팅, 모델 차수 선택을 하나의 문서화되고 재사용 가능한 워크플로우로 결합한다.
모듈성(Modularity): 파이프라인은 각 단계가 고정된 파일 형식을 읽고 쓰는 독립적인 명령줄 프로그램으로 설계되어, 전체 데이터셋을 다시 처리하지 않고도 각 단계를 건너뛰거나, 재실행하거나, 교체할 수 있다.
방법론적 통찰(Methodological Insight): 본 논문은 유용한 집단 기술(description)이 반드시 생성된 상태의 정확한 수를 복구할 필요는 없음을 보여준다. 모델 선택을 위한 "엘보우 규칙"은 실제보다 약간 더 많은 상태 수를 선택할 수 있지만, 결과적인 상태 시퀀스는 생성 과정과 거의 완벽하게 일치할 수 있다.

결과
파이프라인은 알려진 정답(ground truth)을 가진 합성 데이터로 평가되었으며, 세 마리의 야생형(wild-type) 생쥐와 한 마리의 rd1(광수용체 퇴화) 생쥐로부터 얻은 10개의 ex vivo 망막 기록에 적용되었다.

합성 데이터 검증(Synthetic Validation): 7개의 은닉 상태를 가진 10개의 합성 데이터셋에서, 엘보우 규칙은 7에서 9 사이(평균 7.9)의 모델 차수를 선택했다. 정확한 생성 상태 수가 일치한 경우는 세 사례뿐이었으나, 디코딩된 상태 시퀀스는 생성된 상태와 거의 일대일 대응을 보였다. 생성 상태와 디코딩된 상태 사이의 조정된 랜드 지수(ARI)는 높았으며(훈련 데이터에서 평균 0.963, 홀드아웃 데이터에서 0.965), 이는 상태 수가 약간 과대 추정되더라도 시퀀스 복구가 견고함을 입증한다.
망막 기록(Retinal Recordings): 대표적인 야생형 기록에서 파이프라인은 12개 상태 모델을 선택했다. 디코딩된 상태들은 뚜렷한 점유율, 체류 시간(약 65 ms에서 340 ms 사이), 그리고 활성 단위 구성을 나타냈다. 상태 간의 전이는 종종 지배적인 세포 아형(cell subtype)의 변화(예: OFF-sustained에서 ON-sustained 집단으로의 변화)와 일치했다.
약리학적 섭동(Pharmacological Perturbation): ON-bipolar 신호 전달을 억제하는 mGluR6 작용제인 L-AP4를 처리했을 때, 처리 전 조건과 비교하여 눈에 띄게 다른 디코딩된 상태 시퀀스가 관찰되었으며, 세척(washout) 시퀀스는 기저선(baseline)에 더 가깝게 나타났다.
대조군(Controls):
- 무투사 대조군(No-Projection Control): 시각 자극이 없는 상태에서는 평균 발화율이 낮고 일정하게 유지되었으며, 디코딩된 상태들은 시간상에 흩어져 있었고 대비 블록(contrast-block) 경계에 정렬되지 않았다.
- rd1 망막: 광수용체가 퇴화된 망막에서는 활동이 높았으나 대비 불변적(contrast-invariant)이었다. 12개 상태 모델이 피팅되었음에도 불구하고, 디코딩된 시퀀스는 자극에 고정되지 않았으며 전이 엔트로피(transition entropy)가 높게 나타나 자극에 동기화된 구조가 결여되었음을 보여주었다.

의의
저자들은 PHASOR가 복잡한 집단 분석을 통합된 워크플로우로 결합함으로써 반복과 검사를 용이하게 만든다고 주장한다. 이 도구는 모델에서 도출된 상태와 독립적으로 확립된 생물학적 세포 유형 또는 어셈블리를 명시적으로 구분하며, 전자를 집단 활동의 기술적 모델로 취급한다. 의의는 자극과 연관된 집단 활동을 기능적 반응 클래스와 연결할 수 있는 능력에 있으며, 이를 통해 반복되는 집단 상태에 대한 압축된 설명을 제공한다. 논문은 선택된 상태들이 기술적 모델을 제공하지만, 그 수와 생물학적 어셈블리와의 대응 관계는 별도의 검증이 필요하며, 본 연구가 유전자형이나 약물 효과에 대한 강력한 생물학적 연구라기보다는 워크플로우의 시연임을 겸손하게 밝히고 있다.

유사한 논문