뇌 전체 신경 활동 예측을 위한 인구 조건화 모델 POCO

초록

POCO는 개별 뉴런의 과거 신호를 단순 MLP로 예측하고, 전체 신경 집단의 상태를 인구 인코더와 FiLM 방식으로 조절하여 다세션·다종 데이터에서 세포 수준의 미래 활동을 높은 정확도로 예측한다. 사전 학습 후 최소 파인튜닝으로 새로운 기록에 빠르게 적응하며, 학습된 유닛 임베딩은 해부학적 라벨 없이도 뇌 영역 군집을 재현한다.

상세 분석

본 논문은 신경 과학에서 장기·대규모 기록의 미래 상태를 예측하는 ‘신경 예측(time‑series forecasting, TSF)’ 문제를 다루며, 기존 연구가 주로 단일 세션·제어된 행동 과제에 국한된 점을 지적한다. POCO는 두 가지 핵심 모듈로 구성된다. 첫 번째는 C=48 프레임(≈1–2 초) 길이의 과거 신호를 입력으로 받아 각 뉴런을 독립적으로 예측하는 MLP forecaster이다. 이 MLP는 입력‑출력 차원을 각각 M=1024, P=16(≈15 초)으로 설정하고, ReLU 활성화 후 선형 변환을 수행한다. 두 번째는 전체 인구의 상태를 요약하는 Population Encoder이다. 여기서는 POYO(Perceiver‑IO 기반 토큰화) 구조를 차용해, 각 뉴런의 신호를 T_C=16 프레임 길이의 토큰으로 분할하고, 선형 투영 후 UnitEmbed와 SessionEmbed를 더해 d‑차원 토큰 임베딩을 만든다. 이 토큰 행렬은 Perceiver‑IO의 cross‑attention을 통해 N_L=8개의 learnable latent에 집계되고, 마지막 단계에서 각 뉴런의 UnitEmbed를 쿼리로 사용해 γ, β 파라미터를 추출한다. 이 파라미터는 FiLM 방식으로 MLP의 은닉 활성에 요소별 스케일·시프트를 적용해, 개별 뉴런의 예측이 전역 뇌 상태에 조건화되도록 만든다.

성능 평가에서는 5개의 칼슘 이미징 데이터셋(제브라피시, 마우스, C. elegans)을 사용해 단일 세션 및 다세션 학습을 비교했다. POCO는 모든 데이터셋에서 ‘Prediction Score’(복사 베이스라인 대비 상대 개선) 기준으로 최고 성능을 기록했으며, 특히 다세션 학습(MS_POCO)에서는 평균 0.525 ± 0.004의 점수를 얻어 기존 MLP, NLinear, TCN, Transformer 등과 유의미하게 차별화된다. 흥미롭게도, POCO의 UnitEmbed는 사전 해부학적 라벨 없이도 뇌 영역별 클러스터링을 재현했으며, 이는 인구 인코더가 실제 생물학적 구조를 학습한다는 증거다.

추가 실험에서는 컨텍스트 길이(C), 토큰 길이(T_C), 세션 다양성, 전처리(z‑score vs. ΔF/F) 등이 성능에 미치는 영향을 분석했다. 긴 컨텍스트와 다양한 세션이 모델의 일반화에 크게 기여했으며, 토큰 길이 T_C=16이 계산 효율성과 예측 정확도 사이의 최적 균형을 제공한다는 결론에 도달했다. 사전 학습된 POCO는 새로운 세션에 대해 몇 에폭만 fine‑tuning 하면 충분히 높은 점수를 유지했으며, 이는 실시간 폐쇄‑루프 신경 제어와 같은 응용에 유리하다.

전반적으로 POCO는 (1) 경량화된 개별 뉴런 예측기와 (2) 전역 인구 상태를 조건화하는 인코더의 결합을 통해 스케일러블하고 해석 가능한 신경 예측 모델을 제시한다. 이 접근법은 다종·다세션 데이터에 대한 기반 모델링을 가능하게 하며, 향후 대규모 신경 기반 foundation model 구축에 중요한 설계 원칙을 제공한다.