뇌자극 반응 매핑을 위한 가지 최적 수송 모델

본 논문은 “자극‑반응 뇌 매핑”이라는 핵심 문제를 새로운 수학적 틀로 접근한다. 기존 연구들은 뇌의 구조적 네트워크를 고정하고, 그 위에서 상태 전이를 제어하거나 비용을 최소화하는 방법을 주로 다루었다. 그러나 실제 뇌에서는 자극이 전달되는 경로 자체가 상황에 따라 가변적이며, 여러 신경 섬유가 초기에는 공동으로 정보를 운반하고 이후에 분기한다는 특징이 있다. 이를 반영하기 위해 저자들은 전송 네트워크 자체를 최적화 변수로 삼는 ‘브랜치 최적 수송(Branched Optimal Transport, BOT)’ 모델을 제안한다. 먼저, 자극 소스와 반응 타깃을 각각 양의 유한 측도 μ⁺_stim, μ⁻_react 로 정의하고, 두 측도의 총 질량을 동일하게 맞춘다(균형 조건). 전송 매개변수는 1‑정직가능 집합 M 위에 정의된 전류 v=τ θ ℋ¹⌞M 로 표현한다. 여기서 τ는 방향장, θ는 플럭스 크기, ℋ¹은 1‑차원 헤르미트 측도이며, 전류는 발산 제약 div v=μ⁺_stim−μ⁻_react 를 만족한다. 비용 함수는 M_{α,c}(v)=∫_M c(x,τ(x)) θ(x)^α dℋ¹(x) 형태이며, α∈(0,1) 로 설정해 플럭스에 대한 비용이 볼록하도록 만든다. 이 볼록성은 흐름을 합치는 것이 개별 흐름을 운반하는 것보다 비용이 적게 든다는 ‘집합 효과’를 수학적으로 구현한다. 가중치 함수 c(x,τ)는 조직의 이방성, 전도성, 트랙토그래피 기반 연결 강도 등 해부학적·생물학적 정보를 반영하도록 설계될 수 있다. 논문은 이 모델을 두 가지 형태로 전개한다. 첫 번째는 이산 그래프 모델이다. 가중치가 부여된 방향 그래프 G=(V,E,w) 를 정의하고, 각 엣지에 흐름량을 할당해 Kirchhoff 균형을 만족하도록 한다. 저자들은 유한 라이브러리(노드·엣지 집합이 유한) 하에서 최소화 문제의 존재성을 보이는 정리를 제시한다. 두 번째는 연속 모델이다. Xia가 제시한 연속 브랜치 최적 수송 이론을 차용해, 1‑정직가능 전류를 라디컬 전류(정직가능 전류) 로 확장하고, 동일한 비용 구조를 적용한다. 연속 경우에도 하한성, 콤팩트성, 연속성 등을 이용해 최소화 해가 존재함을 엄밀히 증명한다. 이후 저자들은 하이브리드 확장을 도입한다. 최적 그래프/전류를 고정된 기저로 삼아, 그래프 위에서 정의된 확률적 동역학(예: 마코프 점프 프로세스)을 고려한다. 무제어 경로법칙 P_{G,w,0} 와 제어 입력 u에 의해 변형된 경로법칙 P_{G,w,u} 사이의 Kullback‑Leibler 발산을 최소화하는 동적 비용 J_dyn(G,w)=inf_u KL(P_{G,w,u}‖P_{G,w,0}) 를 정의한다. 최종 목적 함수는 기하학적 브랜치 비용과 동적 KL 비용의 가중합으로, 이는 최적 전송 구조가 동시에 정보 전달 효율성과 제어 가능성을 만족하도록 만든다. 이 설계는 Schrödinger bridge 이론과 연결되며, 뇌의 실제 신경 활동이 확률적이면서도 구조적 제약을 받는 현실을 반영한다. 데이터 추정 파트에서는 μ⁺_stim, μ⁻_react 를 실제 신경영상 데이터에서 추출하는 방법을 제시한다. 뇌를 ROI(Region of Interest) 로 분할하고, 각 ROI의 초기(자극)와 후기(반응) 활동을 정량화해 원자 측도 형태로 구성하거나, 커널 스무딩을 통해 연속 밀도로 변환한다. fMRI의 초기·후기 BOLD 신호, EEG/MEG의 소스 로컬라이제이션 결과 등을 활용해 각각 자극 스코어와 반응 스코어를 정의한다. 해부학적 비용 c(x,τ) 는 확산 MRI와 트랙토그래피에서 얻은 방향성 전도도, 백색질 섬유 밀도 등을 매핑해 구축한다. 이렇게 얻어진 입력값들을 이용해 변분 문제를 수치적으로 해결하면, 뇌 전반에 걸친 최적 전송 경로망, 즉 “뇌 반응 지도”가 도출된다. 논문의 주요 기여는 다음과 같다. (1) 뇌 전파 경로 자체를 변수화한 브랜치 최적 수송 모델을 제안해 기존 제어‑기반 접근과 차별화하였다. (2) 이산·연속 두 형태 모두에 대해 존재성을 엄밀히 증명해 수학적 타당성을 확보하였다. (3) 동적 KL 제어 비용을 결합한 하이브리드 프레임워크를 도입해, 구조적 효율성과 확률적 제어 사이의 트레이드오프를 정량화하였다. (4) 실제 신경영상 데이터와 연결된 추정 절차를 제시해, 이론을 실험적 적용 가능하게 만들었다. 이러한 모델은 뇌 자극 치료, 신경재활, 인지 과제 설계 등 다양한 분야에 활용될 수 있으며, 뇌의 기능적 연결성을 구조적 관점에서 재해석하는 새로운 도구가 될 것으로 기대된다.