뇌 기능 네트워크의 메소스코픽 매크로스코픽 차원에서 차수 분포 분석

초록

본 연구는 fMRI 데이터를 이용해 인간 뇌의 기능적 네트워크를 두 가지 스케일(뇌 영역 기반 매크로스코픽 네트워크와 복셀 기반 메소스코픽 네트워크)로 구성하고, 각 네트워크의 차수 분포를 비교하였다. 두 스케일 모두 차수 분포가 지수적으로 절단된 파워 로우(Exponential Truncated Power Law) 형태를 따르며, 이는 동일한 분포 패밀리 내에서 연속적인 변화를 보인다는 것을 발견하였다.

상세 분석

본 논문은 기능적 자기공명영상(fMRI)으로부터 추출한 뇌 기능 네트워크의 차수 분포를 정량적으로 분석함으로써, 네트워크 과학에서 흔히 논의되는 ‘스케일 프리’ 가설에 대한 새로운 시각을 제공한다. 연구자는 먼저 20명의 건강한 성인을 대상으로 3 T MRI 스캐너에서 5 분간 안정 상태(resting‑state) 데이터를 수집하였다. 이후 두 가지 네트워크 모델을 구축하였다. 첫 번째는 기존 연구에서 널리 사용되는 AAL(Automated Anatomical Labeling) 혹은 Harvard‑Oxford Atlas와 같은 해부학적 영역을 노드로 하는 매크로스코픽 네트워크이며, 각 노드 간 연결은 Pearson 상관계수의 절대값을 임계값(threshold) 이상으로 설정해 이진화하였다. 두 번째는 3 mm³ 복셀을 그대로 노드로 삼는 메소스코픽 네트워크로, 복셀 수가 수십만에 달함에도 불구하고 동일한 상관 기반 임계값을 적용해 연결을 정의하였다. 두 네트워크 모두 전역적인 연결 밀도(density)를 맞추기 위해 임계값을 조정했으며, 이는 비교 가능한 차수 분포를 얻기 위한 필수 전처리 단계이다.

차수 분포 분석에서는 로그‑로그 플롯과 로그‑선형 플롯을 동시에 검토하고, 최대우도추정(Maximum Likelihood Estimation, MLE)과 Kolmogorov‑Smirnov 검정을 이용해 후보 분포(파워 로우, 지수, 지수 절단 파워 로우, 로그‑정규 등)를 평가하였다. 결과적으로 두 스케일 모두 지수 절단 파워 로우 형태가 가장 높은 적합도를 보였으며, 파라미터 α(파워 로우 지수)와 λ(지수 절단 상수)는 메소스코픽 네트워크에서 더 큰 α와 작은 λ 값을 나타내어, 고차수 노드가 상대적으로 더 희소하고 급격히 감소하는 특성을 드러냈다. 이는 복셀 수준에서 뇌의 기능적 연결이 보다 국소적이며, 장거리 고차수 허브가 제한적임을 시사한다.

흥미로운 점은 두 스케일이 동일한 분포 패밀리 내에서 연속적인 변화를 보인다는 것이다. 즉, 매크로스코픽 네트워크는 파라미터 공간에서 α가 작고 λ가 큰 쪽에 위치해 비교적 ‘뾰족한’ 꼬리를 가지며, 메소스코픽 네트워크는 α가 커지고 λ가 작아 꼬리가 더 급격히 절단되는 형태에 가깝다. 이러한 연속성은 뇌 기능 네트워크가 스케일에 따라 다르게 조직되지만, 근본적인 생성 메커니즘(예: 비용-효율 최적화, 신경생리학적 제한)은 동일할 가능성을 제시한다. 저자들은 또한, 기존에 보고된 ‘스케일 프리’ 특성이 실제로는 측정 해상도와 임계값 선택에 민감하게 변형될 수 있음을 강조한다.

논문의 한계점으로는 복셀 기반 네트워크에서 발생할 수 있는 공간적 상관(Spatial Autocorrelation)과 신호‑노이즈 비율 감소가 차수 분포 추정에 미치는 영향을 충분히 통제하지 못했다는 점이다. 또한, 임계값 선택이 네트워크 밀도와 직접 연결되므로, 다른 임계값 전략(예: 비용 균등화, 다중 임계값 평균화)에서 동일한 결과가 재현되는지에 대한 검증이 필요하다. 향후 연구에서는 다양한 인구통계학적 변수(연령, 성별, 인지능력)와 병리학적 상태(알츠하이머, 정신분열증)에서 이 연속적인 분포 패밀리가 어떻게 변형되는지를 탐색함으로써, 임상적 바이오마커로서의 가능성을 평가할 수 있을 것이다.