connectomics

AI가 생성한 합성 뉴런으로 뇌 지도 제작 가속화 (새 탭에서 열림)

Google Research는 뇌의 복잡한 연결망을 재구성하는 커넥토믹스(Connectomics) 분야의 효율을 높이기 위해 합성 뉴런 형태를 생성하는 AI 모델 'MoGen'을 개발했습니다. MoGen이 생성한 합성 데이터를 기존 재구성 모델인 PATHFINDER의 학습에 활용한 결과, 재구성 오류를 4.4% 줄였으며 이는 생쥐 뇌 전체 지도를 제작할 때 약 157년의 수동 검토 시간을 절약할 수 있는 획기적인 성과입니다. 이번 연구는 현대적인 생성형 AI 기법을 활용해 대규모 뇌 지도 제작의 최대 병목 구간인 인적 검증 과정을 크게 단축할 수 있음을 입증했습니다. **커넥토믹스의 거대한 규모와 수동 검증의 한계** * 커넥토믹스는 뇌세포인 뉴런을 재구성하여 뇌의 배선도를 만드는 분야로, 최근 초파리 뇌 전체 지도를 완성했으나 생쥐나 인간의 뇌는 그보다 수천 배 더 커서 현재 기술로는 한계가 있습니다. * 현미경 영상을 3D 뉴런 형상으로 변환하는 과정에서 AI가 사용되지만, 최종 결과물에 대한 전문가의 수동 검토(Proofreading) 단계가 여전히 가장 많은 시간을 소요하는 병목 현상으로 작용합니다. * 뉴런은 가늘고 긴 축삭(Axon)과 복잡하게 가지를 친 수지상 돌기(Dendrite) 등 매우 불규칙하고 복잡한 기하학적 구조를 가지고 있어 AI가 이를 정확히 파악하는 데 어려움을 겪습니다. **MoGen: 포인트 클라우드 기반의 뉴런 형태 생성** * 연구진은 'PointInfinity' 포인트 클라우드 흐름 매칭(flow matching) 모델을 기반으로 한 MoGen(Neuronal Morphology Generation)을 개발했습니다. * 이 모델은 무작위적인 3D 점들의 집합(포인트 클라우드)을 점진적으로 변형시켜 실제 뉴런과 흡사한 3D 형상을 생성합니다. * 검증된 생쥐 대뇌 피질의 축삭 데이터를 학습한 MoGen은 실제 뉴런의 구부러짐, 뒤틀림, 가지치기 등의 특성을 완벽하게 재현하며, 인간 전문가조차 실제와 합성 데이터를 구별하지 못할 정도의 정교함을 보여주었습니다. **재구성 모델 PATHFINDER의 성능 최적화** * 뉴런 재구성 모델인 PATHFINDER를 학습시킬 때 MoGen이 생성한 수백만 개의 합성 데이터를 10% 비중으로 포함했습니다. * 그 결과, 서로 다른 뉴런이 하나로 합쳐지는 '병합 오류(Merge error)'를 중심으로 전체 오류율이 4.4% 감소하는 성과를 거두었습니다. * 단순한 수치처럼 보일 수 있으나, 생쥐 뇌 전체 규모로 환산하면 전문가 한 명이 157년 동안 작업해야 하는 분량의 수동 수정을 대체할 수 있는 경제적 효과를 가집니다. **오픈 소스화 및 향후 확장 계획** * Google Research는 MoGen 모델과 종별로 학습된 모델들을 오픈 소스로 공개하여 커뮤니티의 연구를 지원하고 있습니다. * 향후에는 특정 뉴런 유형(길이, 분기 수 등)을 조절하여 생성하거나, 재구성 오류가 자주 발생하는 특정 기하학적 구조를 집중적으로 학습시켜 모델을 고도화할 계획입니다. * 생쥐 외에도 금화조, 초파리 등 다양한 종의 뉴런 생성 모델을 개발 중이며, 합성 뉴런을 활용해 전자현미경 이미지를 생성하는 방식 등 공정 전반에 걸친 데이터 증강을 모색하고 있습니다. 이 기술은 향후 생쥐 뇌 전체 지도 제작과 같은 거대 프로젝트를 수행하는 데 필수적인 기반 도구가 될 것으로 보이며, 연구자들은 MoGen을 통해 확보한 데이터로 뇌 과학 연구의 속도를 한층 더 높일 수 있을 것입니다.

신경 연결에 대한 새로운 조명 (새 탭에서 열림)

구글 리서치와 오스트리아 과학기술연구소(ISTA)는 기존의 고가 전자 현미경 대신 일반적인 광학 현미경을 사용하여 뇌의 신경망 지도(커넥토믹스)를 정밀하게 구현하는 'LICONN' 기술을 개발했습니다. 이 방법은 특수한 하이드로젤을 이용해 뇌 조직을 물리적으로 확장함으로써 광학 현미경의 해상도 한계를 극복했으며, 전자 현미경 방식과 대등한 수준의 재구성 성능을 입증했습니다. 이를 통해 더 많은 연구자가 저렴한 비용으로 뇌의 구조와 분자 정보를 동시에 분석할 수 있는 길이 열렸습니다. **전자 현미경의 한계를 넘는 광학 현미경 기반 커넥토믹스** * 신경세포 간의 정밀한 연결을 매핑하는 커넥토믹스는 그간 수백만 달러에 달하는 고가의 전자 현미경(EM) 장비와 고도의 숙련된 인력에 의존해 왔습니다. * LICONN(Light microscopy-based connectomics)은 생명과학 실험실에서 흔히 사용하는 광학 현미경을 활용하여 뇌 조직 내의 모든 뉴런과 그 연결을 포괄적으로 지도화합니다. * 이 기술은 전자 현미경 수준의 정밀도를 유지하면서도 장비 접근성을 획기적으로 높여, 대규모 예산을 보유한 기관뿐만 아니라 일반 연구실에서도 커넥토믹스 연구를 수행할 수 있게 합니다. **LICONN의 핵심: 조직 확장 기술과 단백질 라벨링** * 광학 현미경의 낮은 해상도 문제를 해결하기 위해 '확장 현미경(Expansion Microscopy)' 기술을 적용하여 시료 자체를 물리적으로 부풀리는 방식을 채택했습니다. * 하이드로젤을 이용해 조직을 각 차원당 16배(부피 기준 약 4,000배) 확장함으로써, 빛의 회절 한계를 넘어 나노미터 단위의 미세 구조를 관찰할 수 있는 환경을 조성했습니다. * 모든 단백질을 화학적으로 라벨링하여 이미지 대비를 높였으며, 이를 통해 신경세포의 형태를 추적하고 시냅스와 같은 미세한 구조를 정확히 탐지합니다. **머신러닝을 활용한 신경망 재구성과 성능 검증** * 구글의 고도화된 머신러닝 알고리즘과 이미지 분석 도구를 결합하여 약 100만 입방 마이크론(µm³) 부피의 생쥐 피질 조직을 자동 재구성하는 데 성공했습니다. * 생쥐 해마 조직 내 약 0.5미터에 달하는 신경 돌기(Neurite)를 추적한 결과, 기존 전자 현미경 방식과 비교해도 손색없는 정확도를 보여주었습니다. * 특히 여러 파장의 빛을 사용하는 광학 현미경의 장점을 활용해 단백질, 신경 전달 물질 등의 분자 정보와 신경망의 구조적 정보를 동시에 결합한 다각적 분석이 가능해졌습니다. LICONN 기술은 뇌 지도를 제작하는 비용과 장벽을 크게 낮추는 동시에, 뇌의 구조와 기능을 분자 수준에서 연결하는 새로운 연구 기회를 제공합니다. 이는 향후 인지, 지각, 행동이 뇌에서 어떻게 발생하는지 이해하는 데 중요한 도구가 될 것입니다.

ZAPBench를 통한 (새 탭에서 열림)

구글 리서치와 HHMI Janelia, 하버드 대학교 연구진은 제브라피쉬 유충의 뇌 전체 활동을 단일 세포 수준에서 기록한 데이터셋이자 벤치마크인 'ZAPBench'를 공개했습니다. 이 프로젝트는 뇌의 구조적 연결망인 커넥토믹스와 실제 신경세포의 동적 활동 데이터를 결합하여, 척추동물의 뇌가 복잡한 행동을 어떻게 생성하는지 정밀하게 모델링하는 것을 목표로 합니다. 연구자들은 ZAPBench의 오픈소스 데이터와 평가 표준을 활용해 신경 활동 예측 모델의 정확도를 객관적으로 비교하고 개선할 수 있습니다. **커넥토믹스와 동적 활동 데이터의 통합** * 기존의 커넥토믹스는 신경세포 간의 정적인 연결 구조를 파악하는 데 집중했으나, 실제 뇌의 작동 원리를 이해하려면 시간 흐름에 따른 동적인 활동 정보가 필수적입니다. * ZAPBench는 약 7만 개의 신경세포로 구성된 제브라피쉬 유충의 뇌 전체 활동을 기록하며, 현재 진행 중인 전체 커넥토미 도표 작성 작업과 결합되어 구조와 기능의 상관관계를 직접 조사할 수 있게 합니다. * 이는 쥐 시각 피질의 극히 일부(0.1% 미만)만을 다루던 기존 벤치마크와 달리, 척추동물 뇌 전체를 포괄한다는 점에서 차별화됩니다. **라이트 시트 현미경과 가상 현실을 이용한 데이터 수집** * 몸 전체가 투명하여 뇌 활동 관찰에 용이한 6일 차 제브라피쉬 유충을 실험 대상으로 선정했습니다. * 신경 세포가 활성화될 때 녹색 빛을 내는 칼슘 지표인 'GCaMP'를 활용하고, 라이트 시트 현미경(Light Sheet Microscope)으로 뇌 전체를 얇은 단면 단위로 스캔하여 3D 이미지를 생성했습니다. * 가상 현실 환경에서 물의 흐름, 명암 변화 등 9가지 시각 자극을 제공함과 동시에, 꼬리에 부착된 전극으로 근육 활동을 기록하여 자극-뇌 활동-행동 사이의 상관관계를 2시간 동안 정밀하게 측정했습니다. **예측 모델 평가를 위한 네 가지 핵심 과제** * **자기회귀(Autoregressive) 예측**: 과거의 신경 활동 데이터를 기반으로 미래의 활동 패턴을 얼마나 잘 예측하는지 평가합니다. * **자극 조건부(Stimulus-conditioned) 예측**: 가상 현실을 통해 제공된 시각적 자극에 대해 뇌가 어떻게 반응할지 모델링합니다. * **행동 조건부(Behavior-conditioned) 예측**: 물고기의 특정 행동(꼬리 움직임 등)과 연관된 뇌 활동의 변화를 예측합니다. * **개체 간(Cross-individual) 예측**: 한 마리의 물고기 데이터로 학습된 모델이 다른 개체의 뇌 활동에도 보편적으로 적용될 수 있는지 테스트합니다. ZAPBench는 뇌 활동 모델링을 위한 표준화된 플랫폼을 제공함으로써 신경과학 분야의 '데이터 기반 혁신'을 가속화할 것으로 기대됩니다. 연구자들은 공개된 데이터셋과 튜토리얼을 통해 자신의 모델을 검증할 수 있으며, 이는 향후 생물학적으로 타당한 인공지능 구조를 설계하거나 복잡한 뇌 질환의 메커니즘을 이해하는 데 중요한 밑거름이 될 것입니다.