비선형 기능 연결과 인과성 탐색을 위한 뇌 네트워크 분석 프레임워크

초록

**
본 논문은 휴식 상태 fMRI 데이터에서 비선형 상호 연결성을 평가하고, Louvain 방법을 이용해 뇌 네트워크를 클러스터링하는 ‘상호 연결성 분석(MCA)’ 프레임워크를 제안한다. 또한 수렴 교차 매핑(CCM)을 결합해 운동 피질 영역 간 인과 관계를 탐색한다. 실험 결과, MCA는 과제 기반 fMRI와 유사하게 1차 운동 피질 및 보조 운동 영역을 정확히 복원했으며, 인과성 분석은 피험자마다 방향성이 달라 일관된 해석이 어려웠다.

**

상세 분석

**
이 연구는 기존의 선형 상관 기반 기능 연결성 분석이 비선형 동역학을 포착하지 못한다는 한계를 인식하고, 비선형 예측 능력을 직접 측정하는 새로운 접근법을 도입한다. 핵심 단계는 두 가지이다. 첫째, 뇌 전체 픽셀(또는 ROI) 시간 시계열 간의 쌍별 교차 예측 성능을 평가한다. 여기서는 재귀 신경망(RNN) 혹은 로컬 선형 모델 등 비선형 매핑 함수를 사용해 한 시계열을 다른 시계열에 맞추어 예측하고, 예측 오차의 역수를 친화도(affinity) 값으로 정의한다. 이러한 친화도 행렬은 대칭이 아니며, 각 원소는 ‘A가 B를 얼마나 잘 예측하는가’를 나타내는 비대칭적 정보다. 둘째, 비대칭 친화도 행렬을 비메트릭 클러스터링에 투입한다. 저자는 Louvain 방법을 선택했는데, 이는 모듈러리티 최적화를 통해 네트워크를 다중 스케일 커뮤니티로 분할한다. 비대칭성을 그대로 유지하면서도 모듈러리티 정의를 확장한 점이 혁신적이다.

인과성 탐색을 위해서는 수렴 교차 매핑(CCM)을 MCA의 첫 단계에 통합한다. CCM은 두 시스템이 공유하는 저차원 매니폴드 위에서 재구성된 상태 공간을 이용해 한 시스템이 다른 시스템을 예측하는 능력이 시간에 따라 수렴하는지를 검증한다. 저자는 각 운동 피질 ROI 쌍에 대해 CCM을 수행해 ‘원인→결과’ 방향성을 정량화하였다. 결과는 피험자마다 방향성이 크게 달라, 전반적인 인과 패턴을 도출하기엔 데이터 양과 신호‑대‑노이즈 비가 제한적이었다는 점을 시사한다.

실험은 네 명의 피험자에 대해 8개의 슬라이스를 대상으로 진행되었다. 각 슬라이스는 200~300개의 voxel을 포함했으며, 휴식 상태 fMRI와 별도의 손가락 탭 과제 fMRI를 동시에 수집했다. MCA‑Louvain 파이프라인은 휴식 데이터만으로도 과제 기반 활성화 지도와 높은 공간적 일치를 보였으며, 특히 1차 운동 피질(M1)과 보조 운동 영역(SMA)을 정확히 복원했다. 반면, CCM 결과는 ‘M1→SMA’ 혹은 ‘SMA→M1’ 방향이 피험자마다 상이했으며, 통계적 유의성을 확보하기 위해서는 더 많은 샘플과 고해상도 데이터가 필요함을 보여준다.

이 논문의 주요 강점은 (1) 비선형 예측 성능을 직접 친화도로 전환함으로써 기존 상관 기반 방법보다 풍부한 동적 정보를 활용한다는 점, (2) 비대칭 친화도 행렬을 그대로 클러스터링에 적용해 방향성까지 반영한 네트워크 구조를 도출한다는 점, (3) CCM을 결합해 인과성까지 탐색하려는 시도다. 한계로는 (가) 샘플 수가 적어 인과성 검증에 통계적 파워가 부족하고, (나) 비선형 매핑 모델 선택에 따라 결과가 민감하게 변할 수 있다는 점, (다) Louvain 방법이 최적화 과정에서 지역 최소값에 머물 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 (i) 더 큰 코호트를 확보해 CCM의 재현성을 검증하고, (ii) 딥러닝 기반 비선형 매핑을 도입해 예측 정확도를 향상시키며, (iii) 다중 스케일 네트워크 분석을 결합해 전역‑국부 연결성을 동시에 파악하는 방향이 기대된다.

**