도파리 뇌 연결망의 초극좌표와 유클리드 임베딩 비교 분석

초록

도파리 성체 뇌의 139 k 뉴런·5 억 시냅스 연결망을 2차원 초극좌표(CLO​VE)와 다양한 차원의 유클리드(Node2vec) 임베딩으로 변환하였다. 매핑 정확도·그리디 라우팅 성공률·에지 예측 등 8가지 품질 지표를 평가한 결과, 2차원 초극좌표가 저차원 유클리드 임베딩보다 전반적으로 우수했으며, 차원을 16 이상으로 늘린 고차원 유클리드 임베딩이 약 64차원에서 최고 성능을 보였다. 초극좌표는 특히 네트워크 내 효율적인 탐색과 정보 전달을 설명하는 데 강점을 보였다.

상세 분석

본 연구는 최근 공개된 도파리(Drosophila melanogaster) 성체 뇌 연결망을 그래프 형태로 모델링하고, 그 구조적 특성을 정량화하기 위해 두 가지 주요 임베딩 기법을 적용하였다. 첫 번째는 클러스터‑레벨 최적화 정점 임베딩(CLO​VE) 알고리즘을 이용한 2차원 초극좌표(하이퍼볼릭) 임베딩이며, 두 번째는 Node2vec 기반의 유클리드 임베딩으로 차원을 2에서 512까지 다양하게 설정하였다.

초극좌표는 하이퍼볼릭 공간의 지수적 부피 성장 특성을 활용해 스케일‑프리·스몰‑월드 네트워크를 저차원에 균등하게 배치한다. 실제로, 2차원 하이퍼볼릭 임베딩은 노드의 차수(허브)와 주변 노드 간의 거리 관계를 자연스럽게 재현했으며, 원본 3차원 물리 좌표보다 매핑 정확도(MA)와 그리디 라우팅 성공률(GR) 등에서 모두 높은 점수를 기록했다. 특히 GR, GRS, GRE와 같은 라우팅 기반 지표에서 하이퍼볼릭 임베딩은 0.550.96 수준으로, 물리 좌표(0.070.05)와 저차원 유클리드 임베딩(0.03~0.02)보다 현저히 우수했다. 이는 하이퍼볼릭 공간이 네트워크 내 최단 경로를 기하학적 직선(지오데식)으로 근사시키는 특성이 크게 작용했음을 의미한다.

반면, 유클리드 임베딩은 차원을 증가시킬수록 품질 지표가 급격히 향상되었다. d=4에서는 MA 0.50, GR 0.14 수준이었으나, d=16에서 MA 0.65, GR 0.63까지 상승했으며, d=64에서 EP AUC 0.996, EPP 0.995 등 거의 포화에 도달했다. 흥미롭게도 d≈16에서 하이퍼볼릭 2차원 임베딩을 능가하기 시작했으며, d=64에서 최고점을 찍었다. 그러나 차원을 과도하게 확대(d≥256)하면 MA와 GR이 다시 감소하는 현상이 나타났는데, 이는 고차원 공간에서 거리 측정의 불안정성과 샘플링 오류가 누적되기 때문으로 해석된다.

또한, 메타데이터(신경 세포의 기능적 슈퍼클래스)를 이용한 시각화 결과, 하이퍼볼릭 임베딩과 고차원 유클리드 임베딩 모두 ‘central’과 ‘optic’ 등 주요 슈퍼클래스가 각기 구역에 집중되는 패턴을 보였다. 이는 임베딩이 실제 뇌 해부학적 구획과 기능적 모듈성을 잘 반영한다는 추가적인 증거다.

이러한 결과는 (1) 도파리 뇌와 같은 대규모 스케일‑프리 신경망은 저차원 초극좌표로도 구조적 핵심을 효과적으로 포착할 수 있음을, (2) 고차원 유클리드 임베딩은 충분히 차원을 확보하면 하이퍼볼릭보다도 높은 예측 성능을 달성할 수 있음을, (3) 라우팅·네비게이션과 같은 동적 작업에서는 초극좌표가 여전히 유리함을 시사한다. 따라서 연구자는 네트워크 기반 머신러닝, 링크 예측, 신경 회로 모델링 등에 있어 임베딩 선택이 목표와 데이터 규모에 따라 달라져야 함을 강조한다.