인간의 뇌는 약 860억 개의 뉴런이 복잡하게 연결된 초거대 네트워크입니다. 이 방대한 뇌 회로를 이해하기 위해 최근 뇌과학에서는 커넥톰(connectome)이라는 개념을 기반으로 한 네트워크 모델링이 활발히 진행되고 있습니다. 커넥톰은 뇌를 구성하는 영역들 사이의 연결망을 지도화한 것으로, 크게 구조적 연결(structural connectivity)과 기능적 연결(functional connectivity)로 나뉩니다. 이 두 가지 연결성을 분석하기 위해서는 각각에 맞는 모델링 기법과 뇌영상 데이터가 필요하며, 해석 방식도 상이합니다. 본 글에서는 뇌 네트워크를 수학적·시각적으로 표현하는 다양한 모델링 기법의 원리와 특징, 그리고 구조 vs 기능 연결성에 따른 분석 차이를 체계적으로 정리해드립니다.
구조 연결 기반 모델링: 뇌의 물리적 네트워크 해석
구조적 연결성(Structural Connectivity)은 뇌 영역 간의 물리적인 연결, 즉 축삭(axon)을 통한 신경섬유 경로를 의미합니다. 이를 모델링하기 위해 가장 널리 사용되는 기법은 DTI(확산텐서영상, Diffusion Tensor Imaging)입니다. DTI는 MRI 기술의 일종으로, 뇌의 백질(white matter) 내 물 분자의 확산 방향성을 분석함으로써 축삭 다발의 경로를 시각화합니다. 이 데이터를 바탕으로 뇌 영역을 노드(node)로, 그 사이의 섬유 연결을 엣지(edge)로 구성하여 그래프 모델(Graph Theory 기반)을 생성합니다. 이때 네트워크의 밀도, 중심성(centrality), 군집계수(clustering coefficient), 경로 길이(path length) 등 다양한 네트워크 지표가 활용됩니다. 이를 통해 특정 질병에서 뇌 연결망이 얼마나 손상되었는지, 혹은 어떤 영역이 뇌 전체 네트워크에서 중요한 ‘허브(hub)’로 작용하는지를 파악할 수 있습니다. 한편, Connectome-based Modeling(CBM)은 구조 커넥톰을 기반으로 뇌 전역의 신경 동역학을 수치적으로 시뮬레이션하는 방식입니다. 뉴런의 상호작용을 수학 방정식으로 정의하고, DTI 기반 연결성을 토대로 대규모 네트워크 모델을 구성함으로써 실제 뇌 신호의 흐름을 예측하는 데 사용됩니다. 이러한 구조 기반 모델링은 특히 뇌 수술 계획, 뇌전증 병소 추적, 해부학적 이상 평가 등에 활용됩니다.
기능 연결 기반 모델링: 뇌의 동기화된 활동 패턴 표현
기능적 연결성(Functional Connectivity)은 서로 떨어진 뇌 영역들이 시간적으로 동시 활성화되는 패턴, 즉 상관관계를 기반으로 한 연결성을 의미합니다. 주로 사용되는 기법은 휴지기 기능적 자기공명영상(resting-state fMRI)으로, BOLD 신호 간의 상호상관 분석(correlation analysis)을 통해 기능 커넥톰을 구성합니다. 기능 연결 모델은 비정상 뇌 기능이나 정신질환을 조기에 감지하는 데 유용합니다. 예를 들어, 우울증 환자의 DMN(Default Mode Network) 활성 과잉이나, 자폐 스펙트럼 환자의 사회적 네트워크 비정상성 등은 기능 연결 모델링을 통해 도출된 인사이트입니다. 분석 기법 측면에서는 그래프 이론 기반 모델, 연결성 매트릭스, ICA(Independent Component Analysis), 동적 연결성 분석(Dynamic Functional Connectivity) 등이 활용됩니다. 특히 동적 분석은 시간에 따라 변화하는 연결 구조를 추적함으로써 뇌 상태의 전이(transition)를 시각화할 수 있는 강력한 도구입니다. 또한, 최근에는 fMRI 외에도 EEG, MEG와 같은 고해상도 전기·자기 뇌파 데이터를 이용한 기능 연결 모델도 활발히 연구되고 있으며, 이 경우 시계열 분석, 위상동기화 분석(phase-locking value) 등이 사용됩니다. 기능 연결 모델링은 구조와 달리 직접 연결이 아닌 통계적 동시성을 기반으로 하므로, 해석 시 인과관계보다는 상관관계 중심의 분석이 필요하며, 전처리나 노이즈 필터링의 영향도 크게 받습니다.
구조 vs 기능 네트워크 통합 모델: 다중 모달 기반 융합 분석
최근 뇌과학에서는 구조 커넥톰과 기능 커넥톰을 통합적으로 분석하려는 시도가 활발히 진행 중입니다. 이는 각 모델의 한계를 보완하고, 더 정밀한 뇌 해석과 질병 예측을 가능하게 하기 위함입니다. 통합 모델링에서는 먼저 DTI를 통해 추출된 물리적 경로를 기반으로 가중치 네트워크를 만들고, 이에 fMRI나 EEG 기반 기능적 연결성 정보를 중첩시켜 비교 분석합니다. 이때 가장 많이 사용되는 분석 방법은 다음과 같습니다:
- SC-FC 매핑(Matching Structural and Functional Connectivity): 두 연결성 간의 상관정도 비교
- 멀티모달 그래프 분석(Multimodal Graph Theory): 구조+기능 데이터를 동시에 입력한 그래프 모델
- 머신러닝 기반 예측 모델: 구조·기능 데이터를 피처로 입력하여 질병 예측 모델 학습
예를 들어, 알츠하이머 환자에게서 구조적 연결은 정상이지만 기능적 연결이 약화된 패턴을 발견하거나, ADHD 환자에게서 구조는 미약하지만 기능 네트워크가 과도하게 활성화되는 보상 현상을 설명할 수 있습니다. 이러한 다중 모달 기반 분석은 특히 개인 맞춤형 뇌 분석(Personalized Connectomics), 정신질환의 조기 예측, 신경 네트워크 기반 치료법 설계 등에 적용되고 있으며, 뇌-기계 인터페이스(BCI) 개발에도 큰 잠재력을 보입니다.
뇌 네트워크 모델링은 구조적 연결성과 기능적 연결성을 기반으로, 뇌의 복잡한 작동 원리를 수학적·시각적으로 해석하는 핵심 기법입니다. 구조 모델은 뇌의 '배선도'를, 기능 모델은 뇌의 '활동 지도'를 제공합니다. 이 둘은 독립적이면서도 상호보완적이며, 통합적 분석을 통해 더 깊은 뇌 이해와 질병 예측을 가능하게 합니다. 신경과학, 인공지능, 의료 기술이 융합되는 오늘날, 커넥톰 기반 모델링은 미래 뇌연구의 중심에 서게 될 것입니다.