뇌 미세회로를 해독한다: 잠재공간 기반 생성 모델로 구조‑기능 관계 탐구

초록

본 논문은 마우스 시각피질의 고해상도 연결망 데이터를 이용해, 변분 자동인코더(VAE) 기반 생성 모델을 학습한다. 32차원 잠재공간에 미세회로의 토폴로지를 압축하고, 해당 공간의 의미있는 방향이 회로 밀도·클러스터링 등 구조적 특성과 강하게 연관됨을 보인다. 또한, 잠재벡터를 조작해 원하는 평균 차수·클러스터링 계수를 갖는 인공 회로를 통제적으로 생성하고, 이를 저장소(Reservoir) 네트워크에 적용해 기능적 성능 향상을 입증한다.

상세 분석

이 연구는 두 가지 핵심 질문에 답한다. 첫째, 초고차원 뇌 연결망을 저차원 표현으로 압축할 수 있는가? 둘째, 압축된 표현을 이용해 구조적·기능적 제약을 만족하는 새로운 회로를 설계할 수 있는가? 이를 위해 저자들은 MICrONS 프로젝트에서 제공한 마우스 시각피질 미세회로 3,285개의 그래프를 대상으로 변분 자동인코더(VAE)를 설계하였다.

모델은 네 개의 모듈로 구성된다. (1) 노드 특성 인코더는 다중 헤드 그래프 어텐션 네트워크(GAT)로 각 뉴런의 위치·형태 등 𝑑ᵥ 차원의 피처를 임베딩한다. (2) 그래프 전역 인코더는 특수 토큰을 포함한 트랜스포머 인코더로, 순서가 정해진(깊이 기반) 노드 시퀀스를 처리해 전체 그래프를 대표하는 32차원 평균·분산 파라미터를 추출한다. (3) 디코더는 트랜스포머 기반 구조로, 전역 임베딩을 다시 노드 피처 시퀀스로 복원한다. (4) 엣지 예측기는 복원된 노드 피처를 입력으로 받아 이진 인접 행렬을 생성한다. 이러한 설계는 “정보 병목”(genomic bottleneck) 가설에 부합하도록, 고차원 연결 정보를 잠재공간에 강제 압축한다.

학습 과정에서는 β‑VAE 손실을 사용해 재구성 오차와 KL 발산 사이의 균형을 조절했으며, 𝛽 값을 통해 잠재공간의 해석 가능성을 향상시켰다. 결과적으로, 잠재벡터의 특정 축을 이동시키면 평균 차수, 클러스터링 계수, 어소시어티비티 등 그래프 이론적 지표가 단조롭게 변함을 확인했다. 이는 잠재공간이 실제 생물학적 구조 변이를 반영한다는 강력한 증거다.

통제된 회로 생성은 에너지 기반 모델 p(z|T) 를 도입해 구현했다. 목표 속성 T(예: 평균 차수 = 5)를 정의하고, 라그랑주 승수 λ와 온도 τ를 조절해 잠재공간에서 Ω_T 라는 목표 영역을 샘플링한다. 이 방식은 “generate‑then‑filter” 방식보다 계산 비용을 크게 절감하면서도 원하는 구조적 제약을 만족하는 그래프를 효율적으로 만든다.

생성된 회로의 기능적 유용성은 저장소 컴퓨팅(reservoir computing) 실험을 통해 검증했다. 동일한 밀도와 스펙트럼 반경을 갖는 무작위 그래프와 비교했을 때, VAE‑생성 회로는 패턴 인식·시계열 예측 과제에서 일관되게 높은 정확도와 낮은 오류를 보였다. 특히, 특정 구조적 변이(예: 높은 클러스터링)가 특정 작업(예: 비선형 변환) 성능을 향상시키는 단조 관계를 발견함으로써, 구조‑기능 매핑을 정량화하는 데 성공했다.

기존 연구와 비교했을 때, 이 논문은 (1) 마우스 미세회로라는 전례 없는 고해상도 데이터에 VAE를 적용한 최초 사례이며, (2) 잠재공간 해석을 통해 구조적 지표와 직접 연결한 점, (3) 에너지 모델 기반의 조건부 샘플링으로 실용적인 제어 생성 메커니즘을 제시한 점에서 차별화된다. 다만, 현재는 노드 유형·시냅스 가중치 등을 무시하고 이진 토폴로지만을 다루므로, 실제 신경생리학적 기능을 완전히 재현하기엔 한계가 있다. 또한, 100×100 크기의 패딩 방식은 큰 회로에 확장하기 어려울 수 있다. 향후 연구에서는 다중 스케일 그래프, 가중치·시냅스 종류 통합, 그리고 다른 종(예: 인간 피질) 데이터에 대한 일반화 검증이 필요하다.