🧠 신경과학

Feasible closed-loop stimulation for neural latent dynamics control

생물물리학적으로 근거를 둔 스파이킹 신경망의 고처리량 시뮬레이션을 통해, 본 연구는 저차원 액추에이션(채널의 약 20%)과 자극 및 기록 사이의 균형 잡힌 자원 배분을 통해 신경 잠재 역학의 실행 가능한 폐루프 제어가 달성 가능하다는 것을 입증하며, 이는 향다는 생체 내 실험을 위한 중요한 설계 원칙을 제공한다.

원저자: Johnsen, K. A., Lai, Y., Vivekanandasarma, L., Berman, G. J., Pandarinath, C., Rozell, C. J.

게시일 2026-11-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Johnsen, K. A., Lai, Y., Vivekanandasarma, L., Berman, G. J., Pandarinath, C., Rozell, C. J.

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 수십억 개의 뉴런이 복잡한 패턴으로 발화하는 거대하고 소란스러운 네트워크입니다. 수십 년 동안 과학자들은 이러한 혼돈스러운 신호들이 어떻게 컵을 향해 손을 뻗거나 말을 하는 것과 같은 매끄럽고 목적 있는 행동으로 변환되는지 이해하려고 노력해 왔습니다. 현대 신경과학의 강력한 아이디어 중 하나는 표면적인 소음 아래에, 뇌가 더 단순하고 숨겨진 층위의 활동을 기반으로 작동한다는 것입니다. 이 숨겨진 층위를 행동을 유도하는 일련의 보이지 않는 레버나 '요인(factors)'이라고 생각해 보십시오. 만약 연구자들이 이 레버들을 식별하고 이를 당기는 법을 배울 수 있다면, 단순히 활동이 일어나는 것을 관찰하는 것을 넘어 뇌가 어떻게 특정 행동을 유발하는지 정확히 이해할 수 있을 것입니다. 그러나 큰 장애물이 남아 있습니다. 과학자들이 이러한 숨겨진 패턴을 기록하는 데는 매우 능숙해졌지만, 그것들을 직접 조작하는 데는 어려움을 겪어 왔다는 점입니다. 전통적인 방법들은 뇌에 광범위하고 표적을 정하지 않은 신호를 찌르거나, 개별 뉴런을 하나씩 제어하려고 시도하는 방식을 포함하는데, 이는 매우 어렵고 종종 전체적인 그림을 놓치게 됩니다. 질문은 이러한 숨겨된 뇌 상태를 실시간으로 조종하여 행동을 유도하는 것이 가능한지, 그리고 만약 가능하다면 이를 위해 어떤 종류의 도구가 필요할 것인가 하는 점이었습니다.

조지아 공과대학교와 에모리 대학교의 연구팀은 상세한 가상 실험실을 구축함으로써 이 질문에 답하고자 했습니다. 즉시 살아있는 동물로 작업하는 대신, 그들은 움직임과 관련된 뇌 영역의 정교한 컴퓨터 시뮬레이션을 만들었습니다. 그들은 디지털 네트워크가 목표물을 향해 손을 뻗는 원숭이의 활동을 모방하도록 훈련시켰으며, 이를 통해 컴퓨터가 움직임을 유도하는 숨겨진 '요인'들을 학습하게 했습니다. 시뮬레이션이 실행되는 동안, 연구진은 '폐쇄 루프 제어(closed-loop control)'라고 불리는 새로운 접근 방식을 테스트했습니다. 이 설정에서 컴퓨터는 뇌의 숨겨진 상태를 지속적으로 관찰하고, 그것이 어디로 향하고 있는지 예측하며, 만약 경로에서 벗어나기 시작하면 즉각적으로 빛 신호를 보내 다시 경로로 되돌려 놓습니다. 이는 단순히 미리 계획된 신호를 보내는 것이 아니라, 변화가 발생하는 즉시 반응하는 연속적인 루프 속에서 이루어집니다. 목표는 이 방법이 특정 움직임을 만들어내기 위해 뇌의 숨겨진 역학을 성공적으로 조종할 수 있는지 확인하고, 이를 구현하기 위해 정확히 얼마나 많은 광원과 기록 센서가 필요한지를 알아내는 것이었습니다.

연구진은 먼저 정밀도에 관한 근본적인 질문을 다루었습니다. 뇌를 제어하기 위해 모든 단일 뉴런을 조작해야 하는가, 아니면 더 적은 수의 광원으로도 그 역할을 수행할 수 있는가? 시뮬레이션에서 그들은 독립적인 빛 채널의 수를 전체 영역을 균일하게 비추는 단 하나의 채널부터 각 뉴런을 개별적으로 제어할 수 있는 1,000개 이상의 채널까지 변화시켰습니다. 그 결과, 뇌를 미세하게 관리할 필요가 없다는 것을 발견했습니다. 상대적으로 적은 수의 광원, 즉 사용 가능한 1,024개의 채널 중 약 200개만 사용하더라도 시스템은 가능한 최대 제어 성능의 약 85%를 달eric 수 있었습니다. 이는 행동에 영향을 미치기 위해 모든 단일 뉴런을 제어해야 한다는 생각이 과도할 수 있음을 시사하며, 현재 뉴런을 하나씩 제어하는 초고해고 해상도 도구에 막대한 투자를 하는 추세에 도전하는 결과입니다. 뇌의 숨겨진 레버는 적당량의 표적 자극만으로도 충분히 유도될 만큼 견고합니다.

두 번째 연구 부분은 실질적인 공학적 문제를 다루었습니다. 제한된 수의 채널을 뇌가 무엇을 하고 있는지 기록하는 것과 뇌가 무엇을 하게 할 것인지 자극하는 것 사이에 어떻게 배분해야 하는가? 현재 많은 실험에서는 과학자들이 뇌의 소리를 듣기 위해 많은 기록 전극을 사용하지만, 빛은 단 하나의 광원만을 사용하여 자극하는데, 이는 듣는 것이 말하는 것보다 더 중요하다는 가정 때문입니다. 연구진은 고정된 총 100개의 채널을 사용하여 기록과 자극 사이에 다르게 배분하며 이 가정을 테스트했습니다. 그들은 가장 효과적인 전략이 자원을 거의 균등하게 나누는 것임을 발견했습니다. 시스템이 기록 센서와 빛 광원을 거의 비슷한 수로 가졌을 때, 시뮬레이션된 팔을 올바른 목표물로 유도하는 데 가장 뛰어난 성능을 보였습니다. 많은 센서를 사용하고 단 하나의 광원만을 사용하는 일반적인 관행은 매우 낮은 성능을 보였으며, 아무것도 하지 않는 것보다 나은 점이 거의 없었습니다. 이 발견은 뇌 활동을 진정으로 제어하기 위해서는 연구자들이 듣는 능력만큼이나 신호를 보내는 능력에도 똑같이 투자해야 함을 시사합니다.

이러การ 시뮬레이션 과정 동안 연구진은 뉴런의 밀도, 빛 빔의 너비, 제어 시스템 학습에 사용되는 데이터 양 등 다양한 조건 하에서 시스템을 테스트했습니다. 결과는 일관되었습니다. 저차원 자극(low-dimensional stimulation)이 작동하며, 감지와 행동의 균형 잡힌 조합이 최적이라는 점입니다. 표준 제어 방법을 사용하고 극단적인 최적화 없이도, 시스템은 추적 오차를 60% 이상 줄였으며 90% 이상의 시행에서 시뮬레이션된 움직임을 성공적으로 유도했습니다. 또한 연구는 실시간 피드백의 중요성을 강조했습니다. 연구진이 변화에 적응하지 않고 전체 움직임을 미리 계획하는 버전의 시스템을 테스트했을 때, 시스템은 훨씬 더 낮은 성능을 보였으며 종종 움직임을 올바르게 유도하는 데 실패했습니다. 이는 뇌의 변화하는 상태에 즉각적으로 반응하는 능력이 성공에 결정적임을 확인시켜 줍니다.

이러한 결과는 살아있는 동물이 아닌 컴퓨터 시뮬레이션에서 나온 것이지만, 향로의 실험을 위한 명확한 로드맵을 제공합니다. 연구 결과는 뇌 역학을 제어하는 장치를 만드는 데 모든 세포를 표적으로 하는 불가능할 정도로 복잡한 기술이 필요하지 않다는 것을 보여줍니다. 대신, 적당한 수의 독립적인 광원을 사용하고 이를 동일한 수의 기록 센서와 균형 있게 맞춘다면, 뇌의 숨겨진 상태를 조종하고 행동이 생성되는 방식에 대한 인과적 이론을 테스트하기에 충분할 수 있습니다. 만약 이 시뮬레이션이 실제 조직에서도 유효하다면, 이는 연구자들이 단순히 뇌의 활동을 관찰하는 것을 넘어, 우리가 어떻게 움직이고 생각하는지에 대한 근본적인 규칙을 이해하기 위해 뇌와 능동적으로 교감하는 새로운 신경과학 시대를 열 수 있습니다. 앞으로의 과제는 이러한 도구들을 구축하고 실제 환경에서 테스트하는 것이지만, 시뮬레이션은 그 목표가 손에 닿는 곳에 있다는 강력한 징후를 보여줍니다.

기술 요약: 신경 잠재 역학 제어를 위한 실현 가능한 폐쇄 루프 자극

문제 정의
현대 신경과학은 고차원적인 신경 집단 활동을 행동을 예측하는 저차원 요인으로 설명하기 위해 잠재 역학 시스템(latent dynamical systems) 모델을 활용한다. 그러나 이러한 추론된 잠재 요인들은 실험적 섭동(perturbation)을 통해 명시적으로 타겟팅되는 경우가 드물며, 이로 인해 잠재 역학(latent dynamics)과 행동 사이의 인과 관계는 검증되지 않은 채 남아 있다. 폐쇄 루프 광유전학 제어(closed-loop optogenetic control, CLOC)는 신경 궤적을 실시간으로 유도할 수 있는 해결책을 제시하지만, '잠재 요인'을 제어하는 것에 대한 실현 가능성은 아직 입증되지 않았다. 다음과 같은 핵심적인 기술적 미지수들이 실험 설계의 난제로 남아 있다:

자극 차원성(Stimination Dimensionality): 저차원 잠재 매니폴드(manifold)를 탐색하기 위해 미세한 단일 뉴런 해상도가 필수적인가, 아니면 저차원의 구동(actuation)만으로 충분한가?
자원 할당(Resource Allocation): 임플란트 부피와 대역폭에 대한 고정된 제약 조건이 주어졌을 때, 행동 제어를 극대화하기 위해 제한된 채널 예산을 기록(감지)과 자극(구동) 사이에 어떻게 최적으로 배분해야 하는가?

이 질문들을 in vivo 실험을 통해 해결하는 것은 매우 비용이 많이 들고 기술적으로 까다로우며, 방대한 파라미터 탐색(parameter sweep)이 필요하다.

방법론
저자들은 생물리학적으로 근거가 있는 스파이킹 신경망(SNN)과 다중 전극 기록, 광유전학 자극, 그리고 폐쇄 루프 제어를 통합한 Cleo 시뮬레이터를 사용하여 고처리량 in silico 조사(survey)를 수행하였다.

네트워크 모델: 본 연구는 **요인 기반 스파이킹 신경망(fSNN)**을 사용하였다. 이 네트워크는 저차원 잠재 요인(rate-based RNN에서 유도됨)과 행동 출력(center-out 도달 과업 중 마카크 원숭이의 근전도 근사치)을 재현하도록 훈련된 저계수 순환 연결성(low-rank recurrent connectivity)을 가진다. 공간적 자극 정밀도(spatial actuation granularity)의 역할을 격리하기 위해 네트워크에는 별도의 세포 유형이나 층 구조를 포함하지 않았다.
실험 파이프라인: 두 가지 주요 실험 패러다임을 시뮬레이션하였다:
1. 자극 차원성: 1,024개의 고정된 광원을 $k$ 개의 독립적으로 제어되는 채널( $k \in [1, 1024]$ )로 그룹화하여, 균일한 조명부터 개별 소스 제어까지 범위를 설정하였다. 컨트롤러는 참조 궤적을 추적하기 위해 그라운드 트루스(ground-truth) 잠재 요인을 사용하였다.
2. 자극-기록 균형(Stimulation–Recording Balance): 100개의 채널 예산을 $k$ 개의 자극 소스와 $m$ 개의 기록 전극( $k+m=100$ ) 사이에 분할하였다. 이 설정에서 컨트롤러는 칼만 필터(Kalman filter)를 사용하여 전기생리학적 기록(MUA 및/또는 LFP)으로부터 잠재 상태를 추론하고 행동 출력을 제어해야 했다.
제어 프레임워크: 시스템 식별 단계에서는 선형 동적 시스템(LDS) 모델을 적합시키기 위해 무작위 광자극을 사용하였다. 제어 실험에서는 재연속적 호라이즌(receding horizon) 내에서 추적 오차와 입력 전력을 최소화하기 위해 **모델 예측 제어(MPC)**를 활용하였다. 비교를 위해 개방 루프(open-loop, OL) 제어도 테스트되었다.

주요 기여 및 결과

저차원 구동의 충분성:
- 본 연구는 저차원 잠재 역학을 유도하는 데 있어 미세한 단일 뉴런 자극이 불필요함을 발견하였다.
- 참조 구성에서, 약 20%의 자극 채널(1,024개 뉴런 네트워크에 대해 $k_{knee} = 200$ 채널 지점)이 **최고 제어 성능의 ~85%**를 달성하였다.
- 이러한 한계 효용 체감 프로파일은 뉴런 밀도, 빔 너비, 훈련 데이터의 변화에도 견고하게 유지되었으나, $k_{knee}$ 값은 잠재 요인의 수와 시스템 식별 데이터의 양에 따라 민감하게 반응했다.
최적의 자원 할당은 균형 잡혀 있음:
- 고정된 100채널 예산에 대해, 최적의 행동 제어는 자극 채널과 기록 채널이 거의 균등하게 배분되었을 때( $\alpha^*_{stim} \approx 0.525$ ) 달성되었다.
- 이는 많은 기록 전극과 단일 광섬유를 결합하는(저구동 레짐) 기존의 일반적인 실험 관행과 극명히 대조되며, 시뮬레이션에서 이러한 방식은 성능이 거의 기저 수준(baseline)에 머물렀다.
- 최적의 균형은 시스템 식별 데이터가 많을 때는 자극 채널 쪽으로 약간 이동했으나, 스파이크 전용 신호나 더 넓은 조명 빔을 사용할 때는 기록 채널 쪽으로 이동했다.
선형 제어의 실현 가능성:
- 모델이나 제어 파라미터에 대한 과도한 최적화 없이도, 선형 MPC 방식은 최적 채널 수에서 ~66%의 추적 오차 감소와 93.6%의 도달 방향 분류 정확도를 달성하였다.
- 폐쇄 루프(MPC) 제어는 개방 루프(OL) 제어보다 유의미하게 우수한 성능을 보였다. OL 제어는 낮은 채널 수에서 제한적인 이득만을 보였고, 높은 채널 수에서는 기저 수준보다 낮은 성능을 보여, 잠재 요인 제어를 위해서는 시도(intra-trial) 내 피드백이 필수적임을 강조하였다.
강건성(Robustness):
- 이러한 결과는 네트워크 영역 규모, 뉴런 밀도, 빔 너비, 모델에 대한 태스크 입력 포함 여부 등 광범위한 파라미터 변화에 걸쳐 일관되게 나타났다.

의의 및 주장
본 논문은 접근 가능한 채널 수로 폐쇄 루프 잠재 요인 제어가 가능하다는 점을 입증함으로써, 인구 역학(population dynamics)을 조작하기 위해 단일 뉴륜 해상도가 필요하다는 기존의 가설에 도전한다. 연구 결과는 향후 in vivo 실험 및 도구 개발을 위한 구체적인 설계 원칙을 제공한다:

설계 원칙 1: 고밀도 자극 어레이가 반드시 뉴런 수를 일치시킬 필요는 없다. 일부 채널만으로도 대부분의 제어 효용을 포착할 수 있다.
설계 원칙 2: 실험 인터페이스는 채널 예산을 자극보다 기록에 우선순위를 두기보다는, 자극과 기록 사이에 거의 균등하게 배분해야 한다.
설계 원칙 3: 채널 할당이 최적화되어 있다면, 표준 선형 제어 방법이 잠재 역학 제어를 위한 충분한 베이스라인이 될 수 있다.

저자들은 이러한 결과가 in vivo 환경에서도 전이된다면, 신경 집단의 기능을 테스트하기 위해 목표 지향적 모델링과 최적 제어를 활용하여 잠재 역학의 인과적 특성을 규명하는 새로운 단계에 진입할 수 있다고 주장한다. 다만, 본 논문은 이것이 단순화된 모델(속도 코딩 역학, 세포 유형 특이성 부재)에 기반한 예측이며, 생물학적 시스템에서는 정량적인 채널 요구 사항이 다를 수 있다는 점을 겸허히 언급하고 있다.

유사한 논문