자발적 활동과 Hebbian 학습을 결합한 단순 모델 활동 연결성 항상성 및 학습 뇌전증 발생에 미치는 영향

초록

자발적으로 활동하는 신경계가 지속적인 학습을 수행하려면 발화율과 연결성 두 가지 모두의 항상성을 유지해야 한다. 실험적 증거는 이러한 두 종류의 항상성이 존재하며, 연결성은 정보 전달과 저장에 최적화된 ‘임계 상태’에서 유지된다고 제시한다. 본 연구는 발화율과 임계 항상성을 동시에 구현한 간단한 확률적 Hebbian 학습 모델을 제시하고, 그 안정성 및 연결성 특성을 분석한다. 또한 모델에 인공 발작과 급성 탈감작을 시뮬레이션하여 행동을 관찰한다. 연결성이 임계 상태보다 높아진 ‘초임계’ 상태가 발작을 유발한다는 가설을 제시하며, 시뮬레이션 결과는 발작 후와 탈감작 후의 상태가 초임계이며 발작 발생 위험이 높아짐을 보여준다. 마지막으로 자발적 활동을 증강하는 개입이 초임계 전이를 방지하고 발작 발생을 억제할 수 있음을 제안한다.

상세 요약

이 논문은 신경망 이론에서 두 가지 핵심적인 항상성 메커니즘—발화율(homeostatic firing rate)과 연결성(homeostatic connectivity)—을 하나의 확률적 Hebbian 학습 프레임워크에 통합한 점에서 혁신적이다. 기존 연구들은 보통 발화율 항상성을 별도의 규제 메커니즘(예: 시냅스 가중치 스케일링, 전위 조절)으로 다루었으며, 연결성 항상성은 네트워크 토폴로지가 임계 상태에 머무르도록 하는 별도의 동역학으로 모델링했다. 그러나 실제 뇌에서는 두 메커니즘이 상호작용하며, 하나가 변하면 다른 하나가 보상적으로 조정되는 복합적인 피드백 루프가 존재한다는 증거가 늘어나고 있다. 저자들은 이러한 복합성을 “간단한” 모델이라 부르면서도, 실제 뇌의 복잡성을 과도하게 단순화하지 않도록 stochastic Hebbian rule에 두 종류의 조절 파라미터를 도입했다. 구체적으로, 시냅스 가중치는 전후 시냅스 활동의 동시 발생 확률에 비례해 증가하거나 감소하고, 동시에 전체 네트워크의 평균 발화율이 목표값을 초과하면 전체 가중치를 억제하는 글로벌 스케일링이 적용된다. 이와 더불어 연결성 자체가 임계 상태(전이점) 근처에 머무르도록 하는 “연결성 항상성” 규칙이 포함되어, 시냅스 수와 연결 강도가 일정 범위 내에서 자동 조정된다.

모델의 안정성 분석에서는 두 가지 고정점이 도출된다. 첫 번째는 목표 발화율과 임계 연결성을 동시에 만족하는 “안정 임계점”이며, 여기서는 네트워크가 최대 정보 전송 효율을 보인다. 두 번째는 목표 발화율은 유지되지만 연결성이 과도하게 증가한 “초임계점”이다. 초임계점에서는 시냅스 전파가 과잉 증폭되어 동기화된 폭발적 발화가 발생하고, 이는 실험적으로 관찰되는 발작(뇌전증) 현상과 일치한다. 저자들은 시뮬레이션을 통해 급성 탈감작(예: 감각 입력 차단)이나 인위적 발작 유도 후 네트워크가 초임계점으로 이동한다는 것을 보여준다. 이는 탈감작 후 “과잉 재구성” 현상이 초임계 연결성을 초래하고, 장기적으로 발작 위험을 높일 수 있다는 기존 신경생물학적 가설을 모델 수준에서 뒷받침한다.

특히 흥미로운 점은 “자발적 활동 증강”이 초임계 전이를 억제한다는 예측이다. 모델에서는 외부 잡음 혹은 내부 무작위 발화가 일정 수준 이상 존재하면 시냅스 가중치가 과도하게 강화되는 것을 방지하고, 연결성 항상성 메커니즘이 정상적인 임계 상태를 유지하도록 돕는다. 이는 실제 임상에서 저강도 전기 자극(TENS)이나 감각 입력을 통한 “활동 기반 치료”가 발작 예방에 효과적일 수 있다는 가설을 제시한다. 따라서 이 연구는 이론적 모델링과 실험적/임상적 관찰 사이의 다리 역할을 하며, 향후 뇌전증 예방 전략과 신경 재활 치료 설계에 중요한 통찰을 제공한다.