How much of a nervous-system model does behaviour identify?
이 연구는 행동 데이터가 전체 유기체 신경계 모델의 파라미터 공간 내 특정 방향들을 제한할 수는 있지만, 커넥톰 규모의 파라미터 중 대다수는 여전히 결정되지 않은 상태로 남아 있으며, 식별 가능성의 정도는 유도된 행동의 다양성과 기능적 요구에 따라 달라진다는 것을 입증한다.
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
과학자들은 오랫동안 생명체의 디지털 트윈, 즉 벌레가 기어가거나 파리가 걷는 방식을 모방하는 컴퓨터 프로그램을 구축하기 위해 노력해 왔다. 이러한 시뮬레이션은 수천 개의 작은 부분들, 즉 신경 세포 사이의 연결 강도, 전기 신호가 전달되는 속도, 그리고 세포를 생존하게 하는 화학 반응 등으로 구성된다. 희망적인 가설은 만약 컴퓨터 모델이 동물의 움직임을 완벽하게 재현할 수 있다면, 그 모델 내부의 숫자들은 실제 동물의 생물학적 특성과 일치할 것이라는 점이었다. 가상 세계의 벌레가 실제 벌레와 똑같이 움직인다면, 그 논리에 따르면 가상 벌려의 설정값은 실제 벌레와 동일하게 구축되었을 것이라는 것이다. 그러나 점점 더 많은 연구 결과는 이것이 사실이 아닐 수도 있음을 시사한다. 서로 다른 수많은 숫자 조합이 정확히 동일한 움직임을 만들어낼 수 있으며, 이는 동물의 움직임을 관찰하는 것만으로는 그 신경계가 정확히 어떻게 배선되어 있는지 알아내는 데 충분하지 않을 수 있음을 의미한다.
케임브리지 대학교의 첸시 허(Chenxi He)가 수행한 새로운 연구는 이 질문을 대규모로 검증한다. 연구자는 단 하나의 신경 세포나 작은 세포 집단만을 보는 대신, 예쁜꼬마선충과 초파리의 전체 유기체 시뮬레이터를 조사했다. 이 모델들은 신경계가 작동하는 방식을 정의하는 수천 개의 매개변수를 포함하고 있다. 연구자는 이 모델들의 모든 숫자를 체계적으로 미세하게 조정하며 행동이 어떻게 변하는지 관찰함으로써, 모델의 어느 부분이 동물의 행동에 의해 고정되고 어느 부분이 자유롭게 변할 수 있는지 지도를 그려냈다. 결과는 행동이 신경계의 세부 사항을 파악하는 데 매우 부적절한 지표라는 것을 보여준다. 동물의 움직임이 몇 가지 특정 설정 조합을 결정하기는 하지만, 모델의 나머지 대부분의 내부 숫자들은 완전히 제약되지 않은 상태로 남겨둔다.
연구는 먼저 예쁜꼬마선숭(C. elegans)의 상세한 모델에 집중했는데, 이 작은 벌레는 전체 신경계의 배선도가 알려져 있다. 이 모델은 신경 세포 사이의 3,076가지 서로 다른 연결 강도를 포함하고 있다. 연구자는 한 번에 하나의 연결을 변화시키며 벌레의 기어가는 패턴이 바뀌는지 확인하는 수천 번의 시뮬레이션을 실행했다. 발견된 사실은 놀라웠다. 3,076개의 연결 중 벌레의 행동이 결정하는 것은 가능한 모든 설정 공간 내에서 단 8개의 특정 방향뿐이었다. 심지어 연구자가 조금 더 느슨한 측정 기준을 적용했을 때도 그 숫자는 47개로 늘어나는 데 그쳤다. 이는 모델의 연결 강도 중 99%가 변경되더라도 벌레가 움직임의 차이를 느끼지 못할 수 있음을 의미한다. 벌레의 행동은 모델의 아주 좁고 특정한 조각만을 비추는 좁은 스포트라이트처럼 작용하며, 나머지는 어둠 속에 남겨둔다.
이러한 패턴은 연구가 다른 동물과 다른 신경계 부분을 조사했을 때도 동일하게 나타났다. 파리의 시각 시스템(파리가 보는 것을 처리하는 부분) 모델에서 연구자는 330개의 조절 가능한 설정 중 행동이 제약하는 것은 14개뿐이라는 것을 발견했다. 벌레와 파리 모두에서, 행동에 의해 엄격하게 통제되는 모델의 부분은 움직임이나 시각을 위한 주요 신호를 전달하는 연결들이었다. 자유롭게 변하도록 남겨진 부분은 종종 세포 내부의 구체적인 화학적 전류였다. 예를 들어, 벌레 모델에서 행동은 두 가지 특정 유형의 칼슘 채널에 거의 민감하지 않았는데, 이는 채널의 강도가 크게 변하더라도 벌레가 걷는 방식에는 변화가 없음을 의미한다. 이는 신경계가 상당한 유연성을 가지고 있음을 시사한다. 즉, 내부 설정이 매우 다양하더라도 동일한 결과를 달성할 수 있다는 것이다.
연구팀은 동물이 더 많은 행동을 하는 것을 관찰하는 것이 더 많은 세부 사항을 파악하는 데 도움이 될지 여부도 탐구했다. 연구팀은 직선으로 기어가는 것과 먹이를 향해 이동하는 것과 같은 다양한 유형의 움직임을 통해 벌레 모델을 테스트했다. 그들은 더 빨리 걷거나 더 느리게 걷는 것과 같이 동일한 종류의 움직임을 추가하는 것은 새로운 정보를 거의 제공하지 않는다는 것을 발견했다. 유사한 동작을 제어하는 모델의 설정들은 첫 번째 움직임에 의해 이미 고정되어 있었다. 그러나 동물이 단순히 걷는 대신 화학 물질의 농도 구배를 따라 항해하는 것과 같이 기능적으로 다른 과업을 수행했을 때, 모델은 새로운 제약된 설정 세트를 드러냈다. 화학적 농도 구배 속에서의 벌레의 행동은 단순한 보행과는 다른 연결들을 고정했다. 그럼에도 불구하고, 이러한 다양한 과업을 통해서도 모델의 상당 부분은 여전히 자유로운 상태로 남았다. 이 연구는 신경계를 더 잘 이해하기 위해서는 단순히 동일한 행동을 길게 기록하는 것이 아니라, 매우 다양한 구별된 행동들을 관찰해야 한다는 것을 보여주었다.
이러-결과가 단순히 컴퓨터 모델의 특이한 현상이 아님을 보장하기 위해, 연구자는 정답을 이미 알고 있는 더 단순한 세포 모델에서 동일한 방법을 테스트했다. 이 경우, 모델이 작고 행동이 단순할 때는 방법이 완벽하게 작동하여 올바른 설정을 찾아냈다. 그러나 유명한 MAPK 신호 전달 경로와 같이 모델이 복잡해지면, 시뮬레이션은 내부의 부분들에 대해 완전히 틀린 숫자를 사용하면서도 행동은 정확하게 일치시킬 수 있었다. 이는 완벽한 행동의 일치가 반드시 기저의 생물학적 특성이 올바르게 식별되었음을 보장하지 않는다는 점을 확인시켜 주었다. 또한 연구는 이 결과를 다른 과학자들의 실제 생물학적 데이터, 예를 들어 동일 종 내의 개체 간 신경 세포가 얼마나 변하는지에 대한 측정값과 비교했다. 실제 벌레와 파리에서 변하는 것과 유지되는 것의 패턴은 컴퓨터 모델에서 발견된 패턴과 일치했으며, 이는 이러한 '느슨함(sloppiness)'이 시뮬레이션의 결함이 아니라 생물학의 실제 특징임을 시사한다.
최종적인 결론은 행동이 신경계 모델 내에서 특정하고 저차원적인 공간을 식별하지만, 모델 공간의 대다수는 열린 상태로 둔다는 것이다. 시스템이 제약을 받는 부분은 당면한 특정 과업에 필수적인 것들이며, 자유로운 부분은 생물학이 결과에 영향을 주지 않고 변할 수 있는 방향을 나타낸다. 이는 실제 생명체와 똑같이 행동하는 디지털 유기체를 만드는 것이 우리가 실제 유기체의 정확한 설정값을 발견했다는 것을 의미하지 않음을 뜻한다. 대신, 우리는 적절한 움직임을 만들어내는 데 운 좋게 맞아떨어진 설정 조합을 찾은 것이다. 이 연구는 이러한 불확실성을 측정의 실패가 아니라 생명의 특징으로 재정의한다. 즉, 신경계는 최종 출력인 행동이 효과적으로 유지되는 한 광범위한 내부 변화를 견딜 수 있을 만큼 견고하다는 것이다. 연구자는 신경계를 진정으로 이해하기 위해서는 단순히 그것이 만들어내는 행동을 넘어, 그 행동으로 가는 길이 수많은 가능한 경로들로 이루어져 있음을 인식해야 한다고 결론짓는다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.