Multi-scale place fields provide a predictive basis for hierarchical control
이 논문은 효율적인 계층적 제어와 해마 장소 세포의 다중 척도 공간 조직을 통합하는 예측 지도인 인수 분해된 계층적 후속 표현(fHSR)을 소개하며, 이를 통해 대규모 환경에서 장소 세포의 특성을 성공적으로 설명하고 인구 발화율에서 나타나는 새로운 크기 독립적 공간 주기성을 예측한다.
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
뇌의 해마는 흔히 기억의 중심지로 묘사되지만, 수십 년 동안 신경과학자들은 해마를 동물이 자신의 세계를 항해할 수 있게 해주는 정신적 GPS, 즉 인지 지도로도 간주해 왔습니다. 통제된 작은 실험실 환경에서 이 지도는 단순해 보입니다. '장소 세포(place cells)'라고 불리는 개별 뇌세포들이 동물이 특정 지점에 있을 때만 활성화되어, 위치에 대한 하나의 깔끔한 '온(on)' 스위치를 만들어내기 때문입니다. 하지만 실제 세상은 광대하고 복잡합니다. 쥐가 수백 미터를 이동하거나 박쥐가 휴식처와 먹이 활동지를 오가며 수십 킬로미터를 비행할 때, 이 동일한 뇌세포들은 매우 다르게 행동합니다. 단일 스위치 대신, 이 세포들은 풍경 전반에 걸쳐 여러 번의 불규칙한 분출을 일으키며, 기존의 항법 이론으로는 설명하기 어려운 혼란스러운 활동 패턴을 만들어냅니다.
이러한 정돈된 실험실의 모습과 무질서한 자연의 현실 사이의 괴리는 과학자들로 하여금 뇌의 지도가 넓은 공간에서 무너지는 것인지, 아니면 우리가 그 작동 방식을 불완전하게 이해하고 있는 것인지 의문을 갖게 했습니다. 한 유력한 이론은 뇌가 예측 지도를 구축하며, 본질적으로 동물의 현재 위치를 바탕으로 미래에 어디에 도착할지를 계산한다고 제안했습니다. 이 아이디어는 작은 방에서는 잘 작동했지만, 복잡하고 다중적인 지점에서의 발화 패턴을 보이는 넓은 환경을 설명하는 데는 실패했습니다. 연구자들은 이러한 불규규칙성이 단순히 무작위적인 소음인지, 아니면 뇌가 세상을 계획하고 움직이는 방식에 있어 특정한 숨겨진 목적을 수행하는 것인지 질문해야 했습니다.
계산 신경과학자 팀의 새로운 연구는 이러한 불규칙성이 결함이 아니라, 매우 효율적인 항법 시스템의 특징이라고 제안합니다. 연구진은 '계층적 순차 표현의 인수 분해(factorised hierarchical successor representation)'라는 새로운 수학적 모델을 개발했습니다. 간단히 말해, 이 모델은 뇌가 단 한 단계씩만 계획하는 것이 아니라고 제안합니다. 대신, 뇌는 움직임을 "복도의 끝까지 가기" 또는 "문에서 회전하기"와 같은 하위 목표들의 계층 구조로 조직합니다. 긴 여정을 이러한 관리 가능한 덩어리로 나눔으로써, 뇌는 모든 세부 단계를 일일이 신경 쓰지 않고도 광대한 거리 동안 효율적으로 계획을 세울 수 있습니다.
연구팀은 컴퓨터 에이전트가 이러한 계층적 접근 방식을 사용하여 학습할 때, 실제 동물의 뇌 활동과 똑같이 보이는 지도를 자연스럽게 발달시킨다는 것을 보여주었습니다. 시뮬레이션 결과, 모델은 환경이 커짐에 따라 발화하는 지점의 수와 크기가 예측 가능한 방식으로 변하면서 여러 지점에서 발화하는 장소 세포를 생성했습니다. 이는 최대 48미터 길이의 트랙을 달리는 쥐와 최대 200미터를 비행하는 이집트 과일박쥐로부터 수집된 데이터와 일치했습니다. 모델은 일부 세포는 많은 곳에서 발화하고 다른 세포는 적은 곳에서 발화한다는 점, 그리고 이 발화 지점들 사이의 간격이 특정한 비무작위적 분포를 따른다는 점을 포함하여 실제 동물에서 관찰되는 구체적인 통계적 패턴을 성공적으로 재현했습니다.
결정적으로, 연구진은 이러한 계층적 구조가 실제적인 이점을 제공하는지 테스트했습니다. 그들은 계층적 방식을 사용하는 에이전트가 기존의 더 단순한 모델들을 사용하는 에이전트보다, 특히 환경이 커질수록 새로운 경로를 배우고 새로운 목표에 도달하는 속도가 훨씬 빠르다는 것을 발견했습니다. 계층적 접근 방식은 뇌가 한 상황에서 배운 것을 다른 상황에 적용할 수 있게 하는 유연한 지능의 핵심 요소인 '일반화'를 가능하게 했습니다. 또한 모델은 뇌의 집단 활동이 공간상에서 미묘하게 반복되는 리듬을 보일 것이라고 예측했으며, 연구진은 실제 쥐와 박쥐 뉴런의 발화율을 분석함으로써 이를 확인했습니다. 이 리듬은 트랙의 길이에 관계없이 일정하게 유지되었으며, 이는 뇌가 공간을 분할하는 방식의 근본적인 속성임을 시사합니다.
또한 이 연구는 이러한 복잡한 발화 패턴이 단순히 무작위적인 생물학적 소음의 결과라는 가설을 배제했습니다. 연구진이 무작위 함수를 기반으로 한 모델을 사용하여 뇌 활동을 시뮬레이션했을 때, 실제 동물 데이터에서 발견되는 특유의 반복적 리듬과 독특한 기하학적 구조를 만들어내는 데 실패했기 때문입니다. 반면, 계층적 모델은 설계의 결과로서 이러한 특징들을 자연스럽게 생성했습니다. 이는 장소 세포의 불규칙하고 다중적인 지점 발화가 넓고 복잡한 환경을 다루기 위해 뇌가 행동을 하위 목표로 조직하는 직접적인 결과임을 시사합니다.
동물의 움직임과 뇌세포의 발화를 연결함으로써, 이 연구는 뇌가 어떻게 작은 방에서 광활한 풍경에 이르기까지 항법 기술을 확장하는지에 대한 통합적인 설명을 제공합니다. 이는 뇌의 지도가 세계의 정적인 그림이 아니라, 계획과 효율성을 위해 최적화된 역동적이고 다층적인 시스템임을 의미합니다. 이 연구 결과는 뇌가 거칠고 복잡한 야생 세계를 항해하는 능력이 여정을 더 작고 관리 가능한 조각들로 나누는 전략에 달려 있음을 시사하며, 이 전략이 무엇처럼 보이는 혼란스러운 소음을 정밀하고 강력한 생존 도구로 바꾼다는 것을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.