시간변화 자극에 대한 신경 반응의 지그재그 영속성

초록

본 연구는 Sensorium 2023 데이터셋의 시각 피질 뉴런 활동을 프레임별 큐빅 복합체로 변환하고, 지그재그 영속성을 이용해 1차원 토폴로지(루프) 변화를 추적한다. 얻어진 영속성 풍경을 벡터화해 영상별 신경 응답을 구분하는 특징으로 활용했으며, 클러스터링과 선형 분류 실험을 통해 동영상 종류와 마우스 개체를 효과적으로 구분함을 보였다.

상세 분석

이 논문은 최신 토폴로지 데이터 분석 기법인 지그재그 영속성(zigzag persistent homology)을 신경 과학에 적용한 최초 사례 중 하나로, 시간에 따라 변하는 대규모 신경 활동을 정량화하는 새로운 파이프라인을 제시한다. 먼저 Sensorium 2023 데이터셋에서 수집된 마우스 시각 피질(V1) 뉴런들의 칼슘 영상 데이터를 프레임 단위로 정규화하고, 2차원 격자에 Piecewise Cubic Spline 보간을 적용해 연속적인 활동 맵을 만든다. 각 프레임에 대해 활동값이 평균보다 높은 격자점들을 선택해 초레벨 집합(superlevel‑set) 큐빅 복합체 K(t)를 구성하고, 이를 추후 계산 효율성을 위해 코너를 닫은 추상 단순 복합체 S(t)로 변환한다. 여기서 “코너를 닫는다”는 의미는 활성 사각형의 네 꼭짓점을 하나의 3‑단순체로 확장하고, 그 2‑스켈레톤(즉, 모든 변과 면)을 보존함으로써 루프 형성을 촉진하는 설계이다.

다음 단계는 인접 프레임 사이에 교차(intersection) 복합체를 삽입해 (S(t₁) ← S(t₁)∩S(t₂) → S(t₂) …) 형태의 지그재그 시퀀스를 만든다. 이 구조는 기존 영속성(정적 포인트 클라우드)와 달리 “추가‑삭제” 연산을 동시에 허용해, 시간에 따라 뉴런 집단의 활성 패턴이 어떻게 생성·소멸되는지를 직접 추적한다. 저자들은 GUDHI 기반의 Dionysus2와 fastzigzag 구현을 결합해 1차원 호몰로지(H₁) 바코드를 계산하고, 이를 5개의 레이어로 구성된 영속성 풍경(persistence landscape)으로 변환한다. 각 레이어를 50개의 샘플 포인트로 이산화해 250 차원의 벡터를 얻고, 10개의 z‑plane을 연결해 최종 2 500 차원 특성 벡터를 만든다.

실험에서는 세 가지 질문을 검증한다. (A) 동일 마우스 내에서 서로 다른 동영상의 반복 시청에 대해 클러스터링이 가능한가? (B) 영상 유형(자연스러운, 가우시안, 파동 등)을 선형 로지스틱 회귀로 구분할 수 있는가? (C) 마우스 간 차이를 구분할 수 있는가? 결과는 A에서 Adjusted Rand Index(ARI)가 0.94(자연스러운), 0.70(가우시안), 0.62(파동)로 매우 높아, 지그재그 영속성 특성이 동영상별 신경 응답을 강력히 구분함을 보여준다. 프레임 순서를 무작위로 섞으면 ARI가 0.01 수준으로 급락하고, 격자 위치를 섞어도 성능이 크게 감소해, 시간적 연속성과 공간적 인접성이 핵심 정보임을 확인한다. B에서는 5‑클래스(영상 유형) 분류 정확도가 69 %±6 %로 우연 수준(20 %)보다 현저히 높았다. C에서는 마우스 식별 정확도가 36 %±3 %에 머물러, 개체 고유 특성보다는 자극에 대한 반응이 주된 정보원임을 시사한다.

방법론적 측면에서 저자들은 큐빅 복합체를 단순히 삼각분할(triangulation)하지 않고, 모든 코너를 연결한 추상 3‑단순체를 삽입해 2‑스켈레톤만 보존함으로써 “오버‑연결(over‑connectivity)”을 유도하고, 이는 루프 형성을 가속화해 영속성 바코드의 해석을 용이하게 만든다. 향후 연구에서는 이러한 변환 방식을 삼각형 기반 복합체나 순수 큐빅 복합체와 비교해 토폴로지 민감도와 계산 효율성을 정량화할 계획이다. 또한 행동 데이터(동공, 트레드밀 속도 등)를 통합하면 현재 모델이 설명하지 못하는 변동성을 감소시켜, 행동‑신경 상관관계를 더 정교히 파악할 수 있을 것으로 기대한다.

전반적으로 이 논문은 동적 신경 데이터에 시간‑가변 토폴로지 분석을 적용함으로써, 기존 차원 축소(예: PCA, UMAP)나 정적 영속성 분석이 포착하지 못하는 “순환적 공동 활성 패턴”을 정량화하고, 이를 통해 복잡한 시각 자극에 대한 신경 코딩을 새로운 관점에서 해석한다는 점에서 큰 의미를 가진다.