앨런 뇌 관측소 데이터로 본 시각피질: 표준 모델이 예측하지 못하는 뉴런들의 정체

핵심 메시지

• 앨런 뇌 관측소는 특정 가설을 검증하기 위해서가 아니라 광범위한 조사를 위해 설계된 표준화된 대규모 공개 데이터셋이다.
• 쥐 시각피질 여섯 개 영역에서 뉴런 6만 3천여 개, 1,300시간이 넘는 기록을 같은 자극 세트로 수집해 서로 다른 세포를 같은 조건에서 비교할 수 있게 했다.
• 고전적인 수용장 모델로 반응을 잘 예측할 수 있는 '교과서적인' 세포는 전체의 약 10%에 불과했다.
• 한 자극에 안정적으로 반응한다고 해서 다른 자극에도 반응하리라는 보장이 없었고, 자극 종류 사이의 상관은 대체로 0에 가까웠다.
• 가장 큰 집단은 어떤 자극에도 안정적으로 반응하지 않는 세포들이었으며, 이들이 달리기나 안구 운동에 반응하는 것도 아니었다.

쉽게 이해하기

발표자는 1950년대 후반 후벨과 비셀이 텅스텐 전극으로 고양이 시각피질 단일 세포를 기록하던 실험 영상에서 이야기를 시작한다. 빛의 막대를 손으로 옮겨가며 세포가 반응하는 자리에 X를, 억제되는 자리에 삼각형을 그려 넣던 그 작업에서 방향 선택성이라는 개념이 나왔고, 시상의 동심원형 수용장에서 단순세포의 길쭉한 수용장으로, 다시 위치에 무관하게 반응하는 복합세포로 이어지는 계층 구조 가설이 나왔다. 이 피드포워드 계층 구조는 지금도 신경망과 특징 선택성을 이해하는 기본 틀로 남아 있다.

문제는 그 표준 모델이 실제 뇌의 반응을 얼마나 설명하느냐다. 약 20년 전 나온 한 책의 장 제목은 아예 'V1의 나머지 85%는 무엇을 하고 있는가'였다. 저자들은 기록 방식 자체에 편향이 있다고 지적했다. 전극을 꽂아 기록할 때 연구자는 큰 스파이크를 내며 잘 반응하는 세포를 고르게 되고, 격자무늬 자극을 보여주며 그 자극에 반응하는 세포를 찾게 된다. 그리고 그렇게 얻은 모델은 자연스러운 영상에 대한 반응을 제대로 예측하지 못했다.

앨런 뇌 관측소는 그 책이 제시한 세 가지 요건, 즉 편향을 줄인 표본과 수백 개 세포의 동시 기록, 자연 자극에 대한 예측 가능성을 겨냥해 만들어졌다. 유전자 도구로 특정 층과 세포 유형에 칼슘 지시자를 발현시키고, 깨어 있는 쥐가 자유롭게 달리거나 서 있는 상태에서 이광자 현미경으로 촬영한다. 자극 세트는 움직이는 격자, 정지 격자, 희소 잡음, 자연 이미지, 자연 동영상을 모두 포함하고 전부 보여주는 데 세 시간이 걸려 같은 세포 집단을 사흘에 걸쳐 다시 찾아간다.

표준화는 수집뿐 아니라 처리와 품질 관리에도 적용됐다. 1,300시간이 넘는 원본 영상에 움직임 보정과 세포 분할, 형광 신호 추출을 사람의 개입 없이 적용해야 했고, 각 단계마다 품질 관리 지표를 두었다. 발표자는 이런 대규모 표준 데이터셋에서 품질 관리가 얼마나 중요한지가 자주 과소평가된다고 지적한다.

결과는 예상과 달랐다. 예시로 든 한 세포는 모든 자극에 안정적으로 반응했고 표준 모델의 예측 상관도 0.4를 넘어 이 분야 기준으로는 좋은 편이었다. 그러나 6만 3천 개 전체를 놓고 보면 대부분은 0 근처에 몰려 있었다. 자극 종류별 반응 신뢰도를 군집화해보니 어떤 자극에도 반응하지 않는 집단이 35%로 가장 컸고, 네 종류 자극 모두에 안정적으로 반응하는 '교과서적' 세포는 10%에 그쳤다.

발표자는 이 세포들이 운동 때문에 그런 것도 아니라고 덧붙인다. 달리기 속도와의 상관을 보면 오히려 모든 자극에 반응하는 세포 쪽이 상관이 더 높았고, 안구 운동에 반응하는 세포의 비율도 집단별로 차이가 없었다. 결국 남는 질문은 이 세포들이 더 복잡한 시각 특징을 담당하는지, 아니면 다른 감각 정보의 통합에 관여하는지다. 그리고 발표자는 해답을 제시하는 대신, 한 번에 열 개 남짓한 세포를 보던 시절에 만들어진 분석 방법으로는 수천 개를 동시에 기록하는 지금의 데이터를 감당할 수 없다며 새로운 분석의 필요성을 청중에게 넘긴다.

주요 인사이트

• 측정 도구가 이론을 만든다는 점을 이 강연은 데이터로 보여준다. 잘 반응하는 세포를 골라 기록하던 관행이 '뉴런은 이렇게 반응한다'는 교과서적 그림을 만들었고, 편향을 줄여 전수에 가깝게 재보니 그 그림에 맞는 세포는 소수였다.
• '반응하지 않는 세포'가 최대 집단이라는 결과는 단순한 잡음이 아니다. 실험 중 자극 종류가 바뀌면 활동이 뚝 끊겼다가 원래 자극이 돌아오면 다시 살아나는 세포가 눈에 띄게 관찰되므로, 세포가 죽거나 초점을 벗어난 것이 아니라 선택성 자체가 그렇다는 뜻이다.
• 억제성 세포는 흥분성 세포와 뚜렷이 달랐다. 소마토스타틴 발현 세포는 무반응 세포가 거의 없고 절반가량이 모든 자극에 반응한 반면, VIP 세포는 자연 자극에 잘 반응하면서 고대비 격자 자극에는 오히려 기저 발화율 아래로 억제됐다.
• 같은 파이프라인을 재사용해 만든 관련 데이터셋들이 원본 데이터의 한계를 메운다. 뉴로픽셀 탐침으로 여러 시각 영역을 동시에 기록한 데이터셋은 영역 간 연결 질문에 훨씬 적합하고, 변화 탐지 과제 데이터셋에서는 익숙한 이미지보다 새로운 이미지에서 반응이 더 커지는 현상이 관찰됐다.
• 발표자는 자신의 한계를 솔직히 인정하며 데이터를 공개하는 쪽을 택한다. 대규모 기록이 늘어나는 속도에 비해 분석 방법이 따라가지 못하고 있다는 진단은, 데이터 규모가 커질수록 해석 방법이 병목이 된다는 점에서 다른 분야에도 그대로 적용된다.

자주 묻는 질문

관련 AI 소식