뇌 회로 메커니즘 분해를 위한 듀얼 헤드 트랜스포머‑상태공간 모델

초록

본 논문은 기능적 MRI( fMRI ) 데이터를 이용해 뇌 회로의 기능적 연결성을 “출력 구동·입력 반응·조절 게이팅”이라는 세 가지 생물학적 메커니즘으로 분해하는 새로운 프레임워크를 제안한다. 그래프‑제한, 지연‑인식 트랜스포머와 혈류역학을 고려한 상태공간 모델(SSM)을 결합한 듀얼‑헤드 구조를 통해, 각 경로의 방향성, 지연 특성, 민감도 및 상태‑의존적 조절을 정량화한다. 실험은 코르티코‑기저핵‑시상‑피질 루프에 적용되어, 기존의 정적 기능 연결(FC)보다 해석 가능하고 치료 표적에 직접 연결될 수 있는 메커니즘 지표들을 도출한다.

상세 분석

본 연구는 fMRI 기반 기능 연결성을 단순 상관값으로 보는 전통적 접근을 넘어, 회로 수준의 인과적 메커니즘을 정량화하려는 시도이다. 핵심 아이디어는 “라우팅 문제”라는 관점에서 각 ROI의 활동을 다른 ROI들의 지연된 신호들의 경쟁적 혼합으로 모델링하는 것이다. 이를 위해 저자들은 두 개의 헤드를 공유 템포럴 인코더 위에 배치한다. 첫 번째 헤드인 그래프‑제한 트랜스포머는 해부학적 마스크를 적용해 허용된 방향성 에지를 제한하고, 공간‑시간 어텐션을 분리하여 (source, lag) 쌍에 대한 확률적 라우팅 텐서 π(i,ℓ→j)를 학습한다. 이 라우팅 텐서는 각 경로의 영향력, 최적 지연(peak lag), 평균 지연(centroid), 그리고 타이밍 정밀도(concentration)를 직접 제공한다. 두 번째 헤드인 측정‑인식 상태공간 모델은 BOLD 신호를 HRF와 측정 잡음으로 명시적으로 모델링함으로써, 관측된 혈류 지연을 신경 활동으로부터 분리한다. 선형 상태 전이식 x(t+1)=A·x(t)+B·û(t)+w(t)와 관측식 y(t)=h∗(C·x(t))+v(t) 를 사용해, A는 내재적 신경 다이내믹스, B는 각 경로에 대한 입력 민감도, C는 단순히 아이덴티티(투명성)로 설정한다. 중요한 점은 트랜스포머가 제공하는 구동 신호 û(t)를 SSM에 입력으로 사용하지만, 역전파는 SSM을 거치지 않도록 stop‑gradient를 적용해 두 모듈 간 파라미터 혼합을 방지한다는 것이다. 이렇게 하면 트랜스포머가 추정한 “전달”과 SSM이 추정한 “민감도·조절”을 명확히 구분할 수 있다. 또한, 중뇌(예: SN/VTA)에서 추출한 가변 게인 g(t)를 B에 곱해 상태‑의존적 조절을 모델링함으로써, 신경조절 시스템이 회로 라우팅을 어떻게 가변적으로 강화·억제하는지를 정량화한다. 학습 목표는 SSM의 음‑우도(NLL)를 기본으로, 트랜스포머의 다단계 예측 손실, L1 라우팅 스파시티, 지연의 부드러운 사전, HRF 형태의 생리학적 제약 등을 복합적으로 결합한다. 최적화는 Adam/AdamW와 차등 학습률을 사용하고, 파라미터 수를 최소화하기 위해 트랜스포머는 단일 어텐션 블록, 헤드 4개(공간 2, 시간 2)로 제한한다. 결과적으로 모델은 전통적 FC와 달리 (1) 경로별 방향성·강도, (2) 지연 프로파일, (3) 기본 입력 민감도(B), (4) 상태‑의존적 게이팅(g(t)) 등 네 가지 메커니즘 차원을 제공한다. 이러한 메커니즘 지표는 예를 들어, 고감도 스트리아툼 환자와 저감도 환자를 구분하거나, 특정 경로에 대한 TMS·DBS·약물 치료의 목표를 직접 지정하는 데 활용될 수 있다. 한편, 모델은 고차원 파라미터와 복잡한 최적화 과정을 수반하므로, 충분한 데이터와 엄격한 교차검증이 필요하며, 해석 가능성은 해부학적 마스크와 저차원 파라미터 제약에 크게 의존한다는 점도 주의해야 한다.