브레인모픽 시뮬레이터 연구 동향

가. 철학적 연구에서 실험적 신경과학으로의 전환

뇌 연구는 초기에 철학적 고찰에 의존했으나, 실증적 기반이 부족했다. 19세기 말, 실험적 신경과학의 발전으로 연구 패러다임이 변화하여 뇌 연구의 과학적 기초를 마련했다. 특히나 골지 염색법의 발명은 뇌의 세포 구조를 명확히 관찰할 수 있게 하여, 뉴런이라는 뇌의 기본 단위를 확인하는 데 결정적 역할을 했다[3].

나. 호지킨-헉슬리 모델과 환원주의적 접근의 한계

20세기 중반, 호지킨-헉슬리(Hodgkin-Huxley) 모델은 뉴런의 전기적 활동을 수학적으로 설명하며 신경과학 발전의 중요한 전환점이 되었다[4]. 이는 뉴런의 전기적 활동을 정량적으로 분석할 수 있는 기반을 마련하여, 전기적 신호 전달 과정을 이해할 수 있게 되었다. 이후 신경과학 연구는 점차 환원주의적 접근을 취하게 되었다. 이는 복잡한 시스템을 그 구성 요소로 분해하여 이해하려는 방법론이다. 개별 뉴런 분석과 다차원 세포 유형 분류를 통해 특성과 기능의 이해를 높였으며, 예를 들어 시각 피질 연구는 개별 뉴런이 기능적으로 특정 시각 자극‒특정 방향의 선이나 가장자리‒에 선택적으로 반응한다는 것을 보여주었다[5].

그러나 환원주의적 접근의 한계점으로 의식, 기억, 학습과 같은 고차원적 인지 기능은 개별 뉴런의 활동만으로는 설명하기 어렵다는 견해가 지배적이다. 즉, 뇌가 단순한 구성 요소의 합 이상의 복잡한 시스템이라는 인식이 확립되었다.

다. 이론 신경과학과 창발적 특성의 부각

20세기 후반, 실험적 접근의 한계를 극복하기 위해 이론 신경과학이 발전했다. 이는 거시적 실험 데이터를 바탕으로 추상화, 단순화를 통해 수학적 모델을 구축하고, 이를 통해 뇌의 작동 원리를 설명하려는 시도였다[6]. 뇌의 다양한 영역 간 상호작용을 모델링하여 뇌의 영역별 기능 탐색과 신경활동 경로(Pathways)를 찾는 연구들이 있다[7]. 이론 신경과학의 주요 목표 중 하나는 뇌의 창발적 특성(Emergent Property)을 이해하는 것이었다. 창발적 특성이란 복잡계 이론에서도 다뤄지는 성질로 개별 구성 요소의 특성만으로는 예측할 수 없는, 시스템 수준에서 나타나는 새로운 특성을 말한다. 예를 들어, 의식이나 인지 기능은 개별 뉴런의 특성만으로는 설명할 수 없는 창발적 특성으로 여겨진다[8].

연구자들은 뉴런의 복잡한 분자적 과정을 단순화하고, 전기 신호와 발화 패턴에 집중하였으며, 복잡한 시스템이나 거시적 기작 등을 단순화함으로써 뇌의 복잡성을 이해하려 하였다[9].

가. 이론 신경과학의 한계와 통합적 접근의 필요성

그러나 이론 신경과학 역시 한계에 직면했다. 수학적 모델링을 위해 많은 부분을 단순화하다 보니, 실제 생물학적 뇌의 복잡성을 충분히 반영하지 못하였으며, 모델의 예측과 실제 뇌의 작동 사이에 괴리가 발생하는 경우도 있었다.

이러한 한계를 극복하기 위한 새로운 시도로, 2005년 스위스 로잔 연방 공과대학의 헨리 마크람이 주도한 Blue Brain Project가 있다. 이 프로젝트는 뇌를 단순히 뉴런의 집합체가 아닌, 다차원적 네트워크로 바라보았다. 유전자, 단백질, 세포, 시냅스, 뇌 영역 등 다양한 수준의 요소가 복잡하게 상호작용한다는 관점에서 접근한 것이다[2]. 또한, 하위 레벨의 메커니즘을 포함하는 것이 뇌 기능을 정확하게 해석하는 데 필수적임을 강조했다. 이는 특정 생리/병리적 과정을 거시적 스케일에서 모델링할 수 있더라도, 분자적 스케일의 미시적 해상도가 부족하면 기계적 통찰을 얻기 어렵다는 연구 결과와 일맥상통한다[10].

더불어, 최근 연구들은 기존 단순화 모델에서 간과된 요소들의 중요성을 강조한다. 예를 들어, 전체 뇌세포의 약 50%를 차지하는 신경아교세포는 단순 지지세포가 아닌 정보 처리에 직접 이바지한다는 사실[11-13]과 호르몬 대사(Hormone Metabolism)가 신경 가소성(Plasticity)에 영향을 미친다는 발견[14]은 뇌의 다양한 요소 간의 상호작용과 인과관계에 대한 이해가 필요함을 시사한다.

뇌의 정확한 작동 원리는 아직도 완전히 밝혀지지 않았기 때문에, 이론 신경과학의 모델은 그 자체로 불완전할 수밖에 없다. 이론과 실험의 상호보완적 접근이 필요하며[9], 이를 통해 보다 현실에 가까운 뇌의 모델을 구축할 수 있다.

나. 시뮬레이션 신경과학의 발전과 향후 전망

2010년대에 들어서면서 컴퓨팅 기술의 발전과 함께 시뮬레이션 신경과학이 급속도로 발전하기 시작했다. 이는 대규모 뇌 데이터를 통합적으로 분석하고, 복잡한 상호작용을 시뮬레이션할 수 있는 가능성을 열어주었다.

대표적인 예로 2013년에 시작된 EU의 Human Brain Project는 뉴로모픽 칩을 탑재한 HPC 시스템을 구축하여 다양한 수준에서의 인간 뇌 모델을 구축하고, 뇌의 복잡한 상호작용을 시뮬레이션하는 것을 목표로 다양한 신경과학적 가설을 검증하려 시도하였다. 뇌의 구조와 기능을 최대한 정확하게 모방하려는 브레인모픽 시뮬레이션을 통해서 기능적 모방을 넘어서, 생물학적 구조와 작동 원리를 충실히 재현하려하고 있다[15]. 고성능 컴퓨팅, 빅데이터 분석, 인공지능 등 최신 기술을 결합하여 뇌의 복잡성을 더욱 정밀하게 분석하고 모델링하고 있다. 이를 통해 뇌 연구는 실험적 데이터에만 의존하던 단계를 넘어, 시뮬레이션을 통한 예측과 검증 가능한 새로운 패러다임으로 전환되고 있다.

그러나 이러한 발전에도 불구하고, 여전히 많은 도전 과제가 남아있다. 뇌의 모든 복잡성을 완벽하게 시뮬레이션하는 것은 현재의 기술로는 불가능하며, 시뮬레이션 결과를 실제 뇌의 작동과 어떻게 연관 지을 것인지에 대한 문제도 남아있다[16]. 또한, 윤리적 문제와 데이터 보안 문제 등도 고려해야 할 중요한 사항이다.

브레인모픽 시뮬레이션(Brain-Morphic Simulation)은 뇌의 복잡한 구조와 기능을 생물학적으로 정밀하게 재현하기 위한 특화된 시뮬레이션 기법으로, 본 고에서는 뇌 시뮬레이션의 하위 개념으로 규정한다. ‘모픽(Morphic)’이라는 용어가 시사하듯, 이 기술은 단순히 기능을 모방하는 수준을 넘어 뉴런-시냅스의 미세한 수준에서 뇌의 신경 구조와 동역학을 고해상도로 재현하는 데 중점을 둔다. 구체적으로는, 해부학적 연결성, 뉴런 간 상호작용, 시공간적 동역학, 생리적‧화학적 과정을 생물학적 타당하게(Biologically Plausible) 모델링함으로써 정보 처리, 학습, 기억, 의사결정과 같은 고차원적 뇌 기능을 심층적으로 이해하고자 한다.

브레인모픽 시뮬레이션의 핵심은 다수준(Multi-Scale) 상호작용을 포괄하는 모델링에 있다. 아(亞)뉴런, 뉴런-시냅스, 신경 회로, 뇌 영역, 전뇌와 같은 다양한 수준에서 발생하는 복잡한 상호작용을 통합적으로 다루며, 각 수준의 신호 전달과 정보 처리가 어떻게 고차원적 뇌 기능으로 연결되는지를 인과적으로 규명하고자 한다[8].

브레인모픽 시뮬레이션은 신경과학적 가설을 검증하고, 뇌 질환의 원인을 분석하며, 뇌 영감(Brain-Inspired) 인공지능 개발에 응용되는 광범위한 활용 분야를 포함한다. 특히, 뇌의 작동 원리를 규명함으로써 뇌의 정보 처리 방식을 이해하고, 이를 바탕으로 한 혁신적인 차세대 컴퓨팅 패러다임을 제시하고자 한다.

뇌의 다양한 신경 활동 연구 방법들은 각각 장단점이 있으며, 이를 보완하기 위해 in silico 모델의 필요성이 대두되고 있다[17].

in vivo 모델은 생체 내에서 뇌의 기능을 직접 연구함으로써 가장 현실적인 결과를 제공한다. 그러나 윤리적 문제로 인한 인간 대상 실험에 제약이 따르며, 뇌 심부 구조 접근 시 비가역적 손상 가능성이 있고, 대규모 신경 활동을 동시 고해상도로 기록하는 데 한계가 있다. in vitro 모델은 뇌세포를 평판 위에 고밀도로 배양하여 조직화하는 방식으로, 비용 효율성과 높은 재현성 덕분에 널리 사용되며, 특정 신경세포나 회로의 기능을 상세히 연구할 수 있다. 그러나 복잡한 3차원 구조나 영역 레벨의 상호작용을 재현하기에는 한계가 있다. 최근에는 오가노이드 연구를 통해 이러한 한계를 극복하려는 시도가 이루어지고 있다[18]. ex vivo 모델은 뇌 조직을 분리하여 연구하므로 실제 조직의 특성을 유지하고 더 나은 실험 제어를 할 수 있지만, 조직 분리 과정에서 자연적 신경 연결이 파괴되고, 생존 시간이 제한적인 한계가 있다.

이러한 한계를 극복하기 위한 in silico 모델인 브레인모픽 시뮬레이터는 실험 데이터를 바탕으로 뇌의 구조와 기능을 컴퓨터 모델로 구현하여, 대규모, 장기간의 신경 활동 시뮬레이션을 윤리적 제약 없이 다양한 조건에서 반복적으로 가능하게 한다[17]. 다만, 브레인모픽 시뮬레이터의 결과는 항상 실제 생물학적 시스템과의 비교 검증이 필요하다. 시뮬레이션을 통해 생성된 가설과 예측은 다시 전통적인 실험 방법을 통해 검증되어야 하며, 이 과정에서 얻은 새로운 데이터는 시뮬레이션 모델을 더욱 정교화하는 데 사용된다[16]. 브레인모픽 시뮬레이터는 기존의 연구 방법들과 긴밀히 연계된 통합적 접근법의 핵심 요소로 볼 수 있다.

뉴로모픽 컴퓨팅(Neuromorphic Computing)과 뇌 영감 컴퓨팅(Brain-Inspired Computing)은 뇌의 구조와 기능을 모방하는 기술이라는 관점에서 브레인모픽 시뮬레이션과 밀접하게 관련된다. 이 세 가지 접근법은 모두 뇌의 작동 원리를 컴퓨팅 시스템에 적용하려는 시도이며, 때로는 동일한 시스템 모델을 공유하기도 한다.

뉴로모픽 컴퓨팅과 뇌 영감 컴퓨팅은 종종 동일한 연구 분야로 설명되기도 한다[19,20]. 두 기술 모두 뉴런과 시냅스의 활동을 모델링하여 인간 지능을 모사하거나, 이를 바탕으로 효율적인 계산 시스템을 개발하는 것을 목표로 한다.

그러나 연구의 목적과 방향성에 따라 뉴로모픽 컴퓨팅과 뇌 영감 컴퓨팅은 다르게 구분되기도 한다[21]. 뉴로모픽 컴퓨팅은 하드웨어 중심의 접근법으로, 생물학적 뉴런의 전기화학적 특성을 실리콘 기반으로 구현한다. 약 20W의 에너지만으로 복잡한 인지 기능을 수행하는 인간 뇌의 연산 구조를 하드웨어로 재현하려는 시도이며, 특히 스파이킹 뉴런 네트워크를 물리적으로 구현하여 뇌의 병렬 처리 능력을 달성하고자 한다[22].

뇌 영감 컴퓨팅은 생물학적 뇌의 정보 처리 메커니즘을 알고리즘 수준에서 모델링한다. 시각 처리 네트워크, 주의 집중, 생물학적으로 타당한 학습, 강화학습 등 뇌의 다양한 기능적 특성을 컴퓨팅 시스템에 적용하는 것을 목표로 한다[21-26]. 특히 중요한 신경과학적 현상, 모티프(Motif), 패턴, 특정 신경 회로(Pathways)의 정보 처리 작동 방식을 모방하는 접근을 포함한다.

이들 세 분야는 서로 다른 목표와 접근 방식을 가지고 있으나, 연구 과정에서 상호 보완적 관계를 형성한다. 브레인모픽 시뮬레이션은 수백만 개의 뉴런과 시냅스로 구성된 대규모 신경망을 시뮬레이션하기 위해 뉴로모픽 하드웨어의 고성능 병렬 처리 능력을 활용한다. 이는 특히 실시간 신경 동역학 시뮬레이션과 복잡한 신경회로 모델링에서 큰 이점을 제공한다[27,28].

반면, 뇌 영감 컴퓨팅은 신경과학적 원리를 추상화‧단순화한 이론 모델을 제공함으로써, 브레인모픽 시뮬레이션 결과가 상위 수준의 인지 기능을 정확하게 설명하는지 검증하는 프레임워크를 제공한다. 이는 시뮬레이션 모델의 생물학적 타당성을 평가하고 개선하는 데 핵심적인 역할을 한다. 한편, 브레인모픽 시뮬레이션은 뇌의 구조적, 기능적 패턴들을 발견하여 뇌 영감 컴퓨팅의 알고리즘 개발에 중요한 통찰을 제공한다. 해마의 기억 형성 메커니즘 시뮬레이션에서 발견된 신경회로 패턴은 새로운 메모리 네트워크 설계의 기반이 되며, 시각 피질의 정보 처리 구조 분석은 효율적인 시각 인식 알고리즘 개발로 이어진다[24,25,29].

BRAIN(Brain Research through Advancing Innovative Neurotechnologies) Initiative는 2013년 4월에 발표된 미국의 대규모 연구 프로젝트로, 인간 뇌 기능을 심층적 분석하기 위한 기술 개발을 목표로 한다[30]. 본 프로젝트는 NIH(National Institutes of Health)를 중심으로 NSF(National Science Foundation), DARFA(Defense Advanced Research Projects Agency) 등의 미국 핵심 기관들의 주도하에 민간단체 및 학교들과 연구를 진행 중이며, 특히, 뇌질환 치료를 위한 뇌 신경회로의 작동 메커니즘을 밝히는 데 주력하고 있다.

BRAIN Initiative에서는 인간 신경과학, 시스템 신경과학 등 뇌 구조 분석 및 임상 연구뿐만 아니라 프로젝트의 윤리적, 사회적 영향력 분석을 연구하는 신경윤리학, 연구인력 양성 등 포괄적인 연구 분야를 지원한다. 특히, 기존 뇌의 세포, 회로, 지도, 동작 등 구분되어 있던 여러 개별 연구를 하나의 과학 분야로 통합하기 위해, 각 분야의 연구 결과를 유기적으로 연결하려는 노력을 하고 있다. 이를 위해, BRAIN Initiative는 “도구 중심(Tool-driven)의 혁명”이라는 목표하에 신경과학계에서 연구 자원과 도구를 저렴하게 이용할 수 있도록 개방형 프로젝트를 운영한다. 결과적으로, 알코올 중독과 남용에 따른 뇌세포 변화 및 신경 신호의 실시간 탐지, 뇌 내 연결의 전체 집합인 커넥톰(Connectome) 분석을 통한 뇌졸중 환자의 운동성 개선[31], 오픈소스 멀티모달 아틀라스 개발 프로젝트[32-35](그림 1) 등을 통한 알츠하이머 뇌세포 유형 및 동작 회로 발견에 크게 이바지했다.

그림 1

Seattle Alzheimer’s Disease Brain Cell Atlas(SEA-AD)의 뇌세포 아틀라스 도구

출처 Seattle Alzheimer’s Disease Brain Cell Atlas, https://portal.brain-map.org/explore/seattle-alzheimers-disease

EU에서 진행한 HBP(Human Brain Project)[36]는 2013년부터 2023년까지 총 10년간 진행된 10억 유로 규모의 프로젝트로, 엑사스케일 규모의 슈퍼컴퓨터를 기반으로 신경과학 및 뇌과학 분야의 연구 인프라 구축을 진행했다. 실제 Bio-inspired 연산을 지원할 수 있는 고성능 ICT 컴퓨팅 환경 구성을 위해 12개의 하위 프로젝트(HW/SW 관련 6개, 신경과학 데이터 구축 관련 4개, 신경과학 윤리 1개, 프로젝트 관리 1개)를 구성하고, HBP 종료 후 EBRAINS[37]라는 후속 프로젝트를 운영 중이다.

EBRAINS는 신경과학, 특히 뇌과학을 위한 다양한 디지털 인프라 제공을 목표로 한다. 데이터셋, 뇌 아틀라스, 모델링/시뮬레이션/컴퓨팅 도구, 평가/추론 도구, 건강 특화 연구 플랫폼 등을 제공한다. 특히, 연산량이 매우 많은 기존 신경과학 분야에서 활용 가능한 시뮬레이션 및 컴퓨팅 도구들을 공유하여 새로운 뇌 데이터 수집 및 아틀라스 작성에 큰 성과를 보였다.

Blue Brain Project는 2005년 스위스 로잔 연방 공과대학(EPFL: Ecole Polytechnique Federale de Lausanne) 주도하에 진행된 쥐의 뇌 지도 구축 프로젝트이다[38]. Blue Brain Project에서는 쥐의 뇌 지도와 동작 분석을 통해 포유류의 뇌 구조를 이해하고자 했다. IBM Blue Gene 슈퍼컴퓨터를 활용한 뇌 지도 제작을 진행했으며, 뉴런 단위 시뮬레이션이 가능한 NEURON[39]을 구동하여 완성하였다.

그 결과, 그림 2와 같이 쥐의 전체 뇌 조직과 인간의 뇌 조직 일부를 반자동으로 구성할 수 있는 알고리즘을 구축했다. 그리고, 해당 기술을 기반으로 인간의 뇌 조직도 구성할 수 있는 포유류 뇌에서 신경회로의 연결 구조와 생물학적 동작 메커니즘을 재현하고, 시뮬레이션을 통해 실제 신경회로 수준의 활동 패턴을 파악할 수 있게 되었다. 또한, 프로젝트 커뮤니티에서 확보한 뇌 이미지/영상, 뉴런 및 세포 관련 실험 데이터, 모델링/시뮬레이션 데이터 등 대량의 신경과학 관련 오픈 데이터셋을 구축‧지원하고 있다.

그림 2

Blue Brain 세포 아틀라스 예시

출처 T.E. Feinberg and J. Mallatt, “Phenomenal Consciousness and Emergence: Eliminating the Explanatory Gap,” Front. Psychol. 11, 2020, CC BY. doi: 10.3389/fpsyg.2020.01041

China Brain Project는 2016년 중국 정부와 중국과학원(CAS: Chinese Academy of Sciences) 중심으로 시작된 프로젝트로, 2021년에 와서야 활발히 진행되기 시작했다. China Brain Project는 1) 인지 기능을 담당하는 신경 분석, 2) 뇌 장애 진단 및 치료, 3) 뇌 메커니즘과 컴퓨팅의 접목이라는 세 가지 영역에 중점을 둔다. 원숭이를 대상으로 뇌 지도 구성을 위한 데이터를 구축하고 있으며, 활성화된 뉴런의 뇌 3D 이미지로부터 신경을 매핑, 추출하는 기술을 사용해 뇌세포와 신경 단위 데이터를 구축한다.

BrainCog(Brain-inspired Cognitive Intelligence Engine) [40]는 China Brain Project로부터 영향을 받아 중국 과학원이 주도한 인지 지능 엔진 개발 프로젝트이다. 그림 3은 BrainCog의 전체 구조도를 나타낸다. 뇌 기능 중에서도 인지 기능(오감, 신체 기관의 반응 및 동작 등)의 모사를 가장 큰 목표로 하고 있다. 이는 향후 인공 일반 지능(AGI: Artificial General Intelligence) 분야를 선점하기 위함이다. 특히, BrainCog는 뉴런, 신경회로 등에서 얻은 인지 데이터와 SNN(Spiking Neural Network)를 연계하여 고수준 의사결정과 함께 행동이 가능한 인공지능 기술을 확보하기 위해 쥐, 원숭이, 인간의 뇌로부터 스파이크 뉴런을 시뮬레이션한 모델들을 오픈소스로 공개했다.

그림 3

다수준(Multi-Scale) 브레인모픽 시뮬레이터

출처 C. Wang, T. Zhang, X. Chen, S. He, S. Li, and S. Wu, “BrainPy, a flexible, integrative, efficient, and extensible framework for general-purpose brain dynamics programming,” eLife, vol. 12, p. e86365, Dec. 2023, doi: 10.7554/eLife.86365

Molecular and Subcellular 시뮬레이터는 분자 및 세포 내 생물학적 과정을 시뮬레이션하고 분석하는 도구와 기술을 통합한 연구 분야이다. 이 시뮬레이터들은 단백질 구조 정보를 바탕으로 분자 간 상호작용을 예측하고, 동역학적 매개변수를 추정하며, 세포 내 생화학 네트워크를 모델링하는 데 중요한 역할을 한다[41]. 예를 들어, 신경전달물질과 수용체의 결합, 이온 채널의 열림과 닫힘, 시냅스에서의 신호 전달 과정을 시뮬레이션하여 신호 전달에 필요한 매개변수를 예측할 수 있다.

대표적인 기법으로는 분자 동역학 시뮬레이션(MD)이 있으며, 이는 단백질이나 리간드(신경전달 물질 또는 약물)의 움직임을 시간에 따라 모사하여 분자 간 상호작용을 분석한다. 신경전달물질이 수용체에 결합하고 이탈하는 과정을 이해하고, 약물이 이 과정에 미치는 영향을 평가할 수 있다. 또한, 리간드 결합 모델링을 통해 신경계 단백질과 약물 또는 신경전달물질 간의 결합 강도와 그로 인한 구조적 변화를 예측하여 질환 치료제 개발에 활용할 수 있다.

주요 시뮬레이터로는 ArDock(단백질-리간드 결합 분석), BioExcel Building Blocks(대규모 분자 동역학 시뮬레이션 지원), CGMD Platform(대규모 분자 시스템 시뮬레이션)이 있으며, 각 도구는 분자적 수준에서 신경계의 동역학적 변화를 연구하는 데 사용된다.

결론적으로, 이러한 미시적 시뮬레이션은 신경 시스템의 작동 원리를 이해하고 더 큰 규모의 현상을 설명하는 데 중요한 역할을 하지만, 계산 비용이 높고 대규모 신경 시스템으로 확장하는 데 한계가 있다.

뉴런은 단순히 하나의 구획이 아닌, 여러 구조적 부분으로 이루어져 있으며, 특히 수상돌기(Dendrite), 축삭돌기(Axon), 세포체(Soma) 등 다양한 기능적 구획을 포함한다. 각 구획들은 고유의 전기적 특성과 생리학적 역할을 가지고 있다.

다중 구획 모델은 뉴런의 해부학적 구조를 최대한 정확하게 반영하여, 각 구획에서 발생하는 전기적 활동을 독립적으로 시뮬레이션할 수 있는 도구이다. 이 모델은 케이블 방정식과 이온 채널 방정식을 통해 구획에 따라 수동적/능동적 전기적 특성을 모델링한다. 또한 구획별로 다양한 이온 채널 밀도를 지정하여 불균일한 채널 분포를 모델링할 수 있다. 그리고 실린더 모델은 뉴런의 복잡한 구조를 단순화하여 각 구획을 원통형(실린더) 구조로 표현하며, 각 구획의 전기적 활동을 효율적으로 계산할 수 있다.

다중 구획 모델은 뉴런의 해부학적 구조와 공간적 특성을 정밀하게 반영하여 신호 전달 및 처리 과정을 시뮬레이션하는 방식이다. 예를 들어, 소뇌의 푸르킨예 세포는 평행섬유와 클라이밍 섬유로부터 시냅스 입력을 받으며, 수상돌기 위치에 따라 신호가 다르게 처리된다. 단일 구획 모델은 뉴런을 단순한 전기적 등가회로로 취급하여 이러한 공간적 차이를 반영하지 못하는 반면, 다중 구획 모델은 수상돌기와 축삭을 여러 구획으로 나누어 각 구획의 전기적 특성과 시냅스 입력을 독립적으로 고려한다. 이를 통해 푸르킨예 세포 내에서 발생하는 복잡한 신호 처리가 정확히 재현되며, 이를 바탕으로 소뇌의 운동 조정과 타이밍 조절에 대한 연구가 더 깊이 이루어질 수 있다. 이렇게 뉴런의 구조적 특성과 기능적 상호작용을 정확히 분석함으로써 소뇌의 운동 조정과 타이밍 조절 작동 원리에 대한 더 깊은 이해를 제공한다.

NEURON은[39] 뉴런의 다중 구획 모델을 지원하며 뉴런 간 상호작용, 신경전달물질 전달 메커니즘, 시냅스 반응 등을 시뮬레이션할 수 있다. 이 도구는 대규모 신경 네트워크 연구에도 활용될 수 있으며, 전자현미경 데이터를 바탕으로 뉴런의 3D 구조를 정밀하게 재현할 수 있다.

특히, 쥐의 해부학적 데이터를 활용해 31,000여개의 뉴런과 55개의 층별 구조, 207개의 뉴런 유형으로 구성된 신피질 미세회로를 NEURON을 통해 모델링한 연구가 대표적이다[42]. 이 모델은 in vivo 및 in vitro 실험 결과와 비교하여 모델의 신뢰성을 검증하였다.

점 뉴런 모델은 뉴런을 단일 전기적 신호 처리 단위로 추상화하여 뉴런 간 상호작용과 신경망의 대규모 동역학을 효율적으로 시뮬레이션하는 데 최적화된 경량화 모델이다. 이 접근 방식은 뉴런의 복잡한 해부학적 구조를 간소화하고 전기 신호의 전파 과정에 초점을 맞춤으로써 대규모 신경 네트워크의 동적 특성과 집단 행동을 분석하는 데 탁월하다. 주로 Spiking Neuron Network(SNN) 모델을 기반으로 하며, 다음과 같은 대표적인 뉴런 방정식들이 활용된다:

• Hodgkin-Huxley(HH) 모델: 나트륨(Na), 칼륨(K), 칼슘(Ca) 이온 채널 개패에 따른 동역학을 미분방정식으로 표현하여 뉴런의 활동 전위를 높은 정확도로 재현. 계산 복잡성으로 인해 대규모 네트워크 시뮬레이션에는 제한적

• Integrate-and-Fire(IF) 모델: 뉴런의 막전위가 임계값에 도달하면 스파이크를 발생시키고 재설정되는 간소화된 모델. 대규모 시뮬레이션에 적합. 뉴런의 실제 활동과 차이가 발생할 수 있음

• Leaky Integrate-and-Fire(LIF) 모델: IF 모델을 확장하여 입력이 없을 때 막전위의 자연적 감쇠를 포함시킨 모델. 계산 효율성과 생물학적 타당성 사이의 균형적인 모델임

• Izhikevich 모델: HH 모델의 생물학적 정확성과 IF 모델의 계산 효율성을 결합한 모델. 두 개의 상미분방정식(ODE)으로 다양한 뉴런 발화 패턴을 재현. 복잡한 신경망 동역학 연구에 널리 사용됨

이외에도 스파이크 빈도와 부드러운 스파이크 개시를 포함한 Adaptive Exponential Integrate-and-Fire(AdEx) 모델, 연속적인 시간 단계 대신 이벤가 발생할 때만 계산을 수행하여 계산 자원 최적화를 수행하는 이벤트 기반 시뮬레이션 등 다양한 뉴런 모델이 있다.

대표적인 시뮬레이션 도구로는 NEST와 Brian2가 있으며, 이들은 다양한 규모의 신경망 모델링과 분석을 지원한다. NEST는[43] 대규모 신경망 시뮬레이션에 특화된 플랫폼으로, MPI와 OpenMP를 결합한 병렬화, 하드웨어 가속화 기법을 통해 수십억 개의 뉴런을 효과적으로 처리할 수 있으며 신경 회로의 동적 특성과 대규모 뉴런 집합체의 상호작용을 시뮬레이션하는 데 좋은 성능을 보인다. 수십~수백만 개의 뉴런과 시냅스를 처리할 수 있는 NEST는 신경조절물질의 확산 효과를 고려한 체적 전달(Volume Transmission) 모델링도 가능하다. 특히 스파이킹 뉴런 네트워크 모델링에 최적화되어 있으며, 포유류 뇌의 특정 영역(시각 피질, 청각 피질 등)에 대한 동작 메커니즘 연구에 주로 사용된다. Brian2는[44] 사용자 정의 방정식을 머신 레벨 코드로 자동 변환하여 고성능 시뮬레이션을 지원하며, 적응형 시간 스텝을 통해 계산 효율성과 정확도를 최적화할 수 있다. 또한, 복잡한 시냅스 가소성 규칙을 구현할 수 있는 문법을 제공한다.

점 뉴런 시뮬레이터는 대규모 네트워크의 집단적 행동을 시뮬레이션하고, 이를 통해 정보 처리, 신경 가소성, 동기화 및 비동기화 활동과 같은 신경망의 중요한 특성을 분석하는 데 효과적인 도구가 된다.

전뇌 시뮬레이터는 뇌 전체의 신경 네트워크를 재현하여 뇌의 거시적 상호작용을 분석하는 도구로, 뉴런 개별 수준의 세밀한 해상도를 표현하지 않는 대신, 광범위한 뇌 영역 간의 상호작용을 모델링할 수 있다. 이 도구는 커넥톰 혹은 뉴럴 매스(Neural-mass), 즉 뇌의 구조적 연결망을 바탕으로 각 영역 간의 상호작용과 더 큰 스케일에서의 신경 활동을 시뮬레이션한다[7]. 개별 뉴런의 세부 활동보다는 뇌 영역 간의 전체적인 상호작용과 정보 흐름에 초점을 맞추어, 뇌의 기능적 네트워크와 대규모 동역학을 이해하는 데 큰 도움을 준다(그림 4 참고).

그림 4

뉴런에서 전체 뇌 네트워크까지의 모델링 단계

출처 A. Pathak, D. Roy, and A. Banerjee, “Whole-Brain Network Models: From Physics to Bedside,” Front. Comput. Neurosci., vol. 16, p. 866517, May 2022. doi: 10.3389/fncom.2022.866517

대표적인 전뇌 시뮬레이터로는 The Virtual Brain(TVB)[45]이 있다. TVB는 뇌의 다양한 영역 간 연결성과 협력 메커니즘을 모델링하여 뇌의 전체적인 기능과 행동을 이해하는 데 중요한 역할을 한다. 이 시뮬레이터는 EEG, fMRI, DTI(Diffusion Tensor Imaging) 등 비침습적 신경 활동 데이터를 기반으로 뇌 영역 간 상호작용을 정밀하게 분석한다. TVB의 주요 특징 중 하나는 개인화된 뇌 시뮬레이션 지원이다. 뇌 스캔 데이터를 활용하여 개인에 특화된 신경망 모델을 구성할 수 있어, 개별 환자의 뇌 활동을 정확하게 모사할 수 있다[46]. 이러한 개인화된 모델링 접근법은 신경학적 질환 연구에서 특히 유용하다. 알츠하이머, 간질, 뇌졸중 등의 질환에서 뇌의 전역적 변화를 실시간으로 시뮬레이션하고, 특정 치료법이 뇌에 미치는 영향을 관찰할 수 있다. 이를 통해 질병의 진행 과정을 더 잘 이해하고, 개인 맞춤형 치료 전략을 개발하는 데 활용될 수 있다.

다수준 모델링은 뇌의 여러 계층 간 정합을 목표로 한다. 이 접근법은 분자 수준의 정보를 뉴런 모델에 통합하고, 이를 대규모 신경 네트워크 시뮬레이션으로 확장한다. 다양한 해상도의 뇌 활동 데이터를 통합할 수 있는 기반을 제공하며, 생물학적 정밀성과 계산 효율성 사이의 균형을 추구한다. 이를 통해 특정 상황에서는 세밀한 뉴런 모델링으로 상세 분석을, 대규모 네트워크에서는 연산 효율성을 확보한다.

예를 들어, 해마 CA1 피라미드 뉴런 모델링에서는 공간적, 시간적 해상도를 모두 고려해야 한다. 복잡한 시냅스 통합과 가소성을 처리하기 위해 다중 구획 모델을 통해 수상돌기의 비선형 신호 처리를 포착하고, 뉴런의 구조적, 전기적 특성을 정확히 반영한다[47]. 반면, 점 뉴런 모델은 뉴런의 형태적 복잡성을 단순화하여 대규모 신경망 시뮬레이션의 효율성을 높인다.

시간적 해상도 측면에서, 해마의 장기 기억 형성 과정은 다수준 모델링의 필요성을 잘 보여준다. 시냅스 가소성은 밀리초 단위의 스파이크 타이밍부터 주 단위의 장기 기억 형성까지 광범위한 시간 척도를 포괄한다[48]. 시간적 스케일 차이를 극복하기 위해서는 계층 간 원활한 정보 교환이 필수적이다. 멀티스케일 시뮬레이션의 대표적 사례로, 쥐 해마 CA1 영역을 전뇌 맥락에서 통합 분석하는 연구가 있다[49]. 이 연구는 해마 CA1의 국소장전위(LFP)와 대뇌피질의 피질전도(ECoG) 신호를 동시에 수집하여 공동 시뮬레이션(Co-simulation)을 수행한다. 이를 통해 해마 기능이 전뇌 활동에 미치는 영향과 그 역학 관계를 포괄적으로 분석한다(그림 5 참고).

그림 5

다수준 공동 시뮬레이터를 통한 쥐 해마 CA1 영역과 전체 뇌 영역 간 상호작용 분석: (a) NEST/TVB 시뮬레이터 간 데이터 변환 및 전달 구조, (b) 해마 CA1 뉴런과 뇌 영역 간 신경망 연결과 신경 신호 연계

출처 L. Kusch et al., “Multiscale co-simulation design pattern for neuroscience applications,” Front. Neuroinformatics, vol. 18, Feb. 2024, doi: 10.3389/fninf.2024.1156683

EBRAINS 인프라의 TVB 소프트웨어는 공동 시뮬레이션을 위한 두 가지 핵심 툴킷을 제공한다. TVB-Multiscale은 신속한 사용 사례 개발과 시뮬레이션 테스트를 지원하며, 병렬 공동 시뮬레이션은 대규모 신경 네트워크 시뮬레이션의 성능을 최적화한다. TVB-Multiscale의 대표적 사례로는 가상 심부 뇌 자극 연구가 있다[50,51].

멀티스케일 시뮬레이터는 세포 수준에서 대규모 신경망까지 다양한 계층의 신경 활동을 통합적으로 연구할 수 있게 해준다[52]. 이를 통해 뇌의 다층적 정보 처리 메커니즘을 분석하고, 학습과 기억 형성 같은 고차원적 인지 기능에 대한 중요한 통찰을 제공할 수 있다.

인지 및 행동 모델 시뮬레이터는 신경과학과 인공지능 연구에서 뇌의 인지 기능을 재현하고 분석하는 데 사용되는 도구이다. 이 시뮬레이터는 감각 처리, 학습, 기억, 의사결정과 같은 인지 기능과 행동을 연구할 수 있게 하며, 신경 회로의 작동 원리와 뇌의 정보 처리 메커니즘을 시뮬레이션함으로써 신경 회로의 동작 방식을 이해하는 데 기여한다[21].

대표적으로 BrainCog[40], BindsNET[53] 등은 뇌에서 영감을 받은 인공지능 및 신경과학 연구를 위한 통합 프레임워크이다. BrainCog의 핵심 목표는 뇌의 구조와 기능을 모방하여 인공지능 시스템을 개발하고, 뇌의 신경 회로와 인지 기능을 파악하는 것이다. Brain-inspired AI를 구축하기 위한 도구로, 감각 처리, 학습, 기억, 의사결정과 같은 뇌의 인지 기능을 모사하는 데 적합하다.