뇌 네트워크의 모듈식 조직이 기능적 통합과 분리를 가능하게 한다

초록

이 연구는 기능적 MRI 데이터를 이용해 뇌를 정밀한 복셀 수준의 그래프로 변환하고, 랜덤 워크 기반 커뮤니티 탐지 알고리즘으로 모듈 구조를 밝혀냈다. 발견된 모듈은 해부학적 영역과 일치하며, 각 노드의 내부·외부 연결 패턴을 분석해 통합과 분리 기능을 동시에 지원하는 구조적 기반을 제시한다.

상세 분석

본 논문은 대규모 뇌 네트워크의 모듈성을 정량적으로 규명하기 위해 fMRI 시계열 데이터를 복셀 단위의 정점으로, 상관계수를 가중치로 하는 무방향 그래프를 구축하였다. 네트워크는 전체 뇌를 10 mm³ 정도의 복셀로 분할해 약 10⁴개의 정점을 포함하도록 설계했으며, 잡음 억제를 위해 상관계수 임계값을 적용해 희소성을 확보하였다. 모듈 검출에는 ‘Random Walk based Community Detection’(RWC) 알고리즘을 채택했는데, 이는 마코프 행렬을 이용해 확률적 흐름이 오래 머무는 정점 집합을 찾아내는 방식으로, 전통적인 모듈러리티 최적화보다 지역 구조에 민감하게 반응한다. RWC는 각 정점의 전이 확률을 기반으로 유사도 행렬을 구성하고, 이를 스펙트럼 클러스터링으로 분할함으로써 최적의 모듈 수와 구성을 자동으로 결정한다.

결과적으로 도출된 모듈은 전두엽, 측두엽, 후두엽, 소뇌 등 기존 해부학적 구역과 높은 공간적 일치를 보였다. 특히, 기본 모드 네트워크와 작업 기억 네트워크에 해당하는 모듈은 서로 다른 뇌 영역에 걸쳐 있지만, 높은 내부 연결 밀도와 낮은 외부 연결 밀도를 유지함으로써 ‘분리(segregation)’ 특성을 나타냈다. 반면, 특정 정점들은 여러 모듈에 걸쳐 다수의 연결을 형성했으며, 이들을 ‘connector hub’라 정의했다. 이러한 허브 정점은 전두엽과 후두엽 사이, 혹은 대뇌 피질과 하위 구조(예: 시상, 해마) 사이의 장거리 연결을 담당해 ‘통합(integration)’ 역할을 수행한다.

노드 역할 분석은 ‘within‑module degree z‑score’와 ‘participation coefficient’를 계산해 네트워크 내 정점들을 ‘provincial hub’, ‘connector hub’, ‘peripheral node’ 등 네 가지 카테고리로 분류하였다. 연구 결과, connector hub는 주로 전두엽 전측부와 전두엽 내측부에 집중돼 고차 인지 기능과 관련된 정보 흐름을 조정한다는 점을 시사한다. 또한, 모듈 간 연결 강도는 평균적으로 0.15 ± 0.03 수준으로, 전체 네트워크가 높은 전역 효율성을 유지하면서도 지역적 특수성을 보존한다는 점을 확인했다.

이러한 발견은 뇌가 동시에 ‘전역적 통합’과 ‘지역적 분리’를 구현하는 구조적 기반을 모듈러 네트워크 이론으로 설명할 수 있음을 뒷받침한다. 특히, 랜덤 워크 기반 모듈 탐지는 기존의 그래프 커팅 방법보다 뇌의 복잡한 다중 스케일 구조를 더 정밀하게 포착한다는 장점을 보여준다.