동적 기능 연결

DFC(Dynamic Functional Connectivity, DFC)는 기능 연결이 짧은 시간에 걸쳐 변화하는 관측된 현상을 말한다. 동적 기능 연결은 일반적으로 기능 네트워크가 정적인 것으로 가정하는 전통적인 기능 연결 분석의 최근 확장이다. DFC는 다양한 신경학적 장애와 관련이 있으며, 기능적 뇌 네트워크를 보다 정확하게 표현하는 것으로 제안되어 왔다. DFC를 분석하는 주요 도구는 fMRI이지만, DFC는 다른 여러 매체에서도 관찰되었다. DFC는 기능적 신경영상화 분야에서 최근 개발된 것으로, 기능적 신경영상화 분야에서의 발견은 정상상태 연결 연구의 증가하는 분야에서 시간적 변동성의 관찰에 의해 동기부여되었다.

개요 및 기록

정적 연결

기능적 연결성은 공간적으로 분리된 뇌 영역 사이의 기능적으로 통합된 관계를 가리킨다. 뇌에서 물리적 연결을 찾는 구조 연결과 달리 기능 연결은 부위의 외관적 물리적 연결성과 무관하게 뇌 영역마다 유사한 활성화 패턴과 관련이 있다.^[1] 이러한 유형의 연결은 1990년대 중반에 발견되었으며 주로 fMRI와 Positron 방출 단층촬영을 사용해 왔다.^[2] 기능 연결은 보통 휴식 상태 fMRI에서 측정되며, 일반적으로 시간적 유사성에 기반한 상관관계, 일관성 및 공간적 그룹화 측면에서 분석된다.^[3] 이러한 방법들은 기능적 연결성이 다양한 작업에서 행동과 관련되며, 신경학적 기초를 가지고 있음을 보여주기 위해 사용되어 왔다. 이러한 방법들은 뇌의 기능적 연결이 데이터 수집의 과제나 기간에 걸쳐 짧은 시간 동안 일정하게 유지된다고 가정한다.

동적 분석의 기원

기능 연결의 뇌 상태에 의존하는 변화를 보여주는 연구는 기능 연결의 일시적 변동이 유의할 수 있다는 첫 번째 지표였다. 2000년대 중반의 여러 연구는 정신 과제,^[4] 수면,^[5] 학습 등 다양한 원인과 관련된 FC의 변화를 조사했다.^[6] 이러한 변화는 종종 동일한 개인 내에서 발생하며 행동과 분명히 관련이 있다. DFC는 이제 많은 분석 도구로 다양한 맥락에서 조사되었다. 그것은 행동과 신경 활동 둘 다와 관련이 있는 것으로 밝혀졌다. 일부 연구자들은 이것이 높은 수준의 생각이나 의식과 관련이 있을 수 있다고 믿는다.^[3]

DFC의 중요 결과

DFC는 매우 새로운 분야이기 때문에, DFC와 관련된 많은 연구들은 그들의 함의를 탐구하기 보다는 이러한 동적 변화의 관련성을 검증하기 위해 수행된다. 하지만, 과학계가 뇌를 더 잘 이해하도록 돕는 많은 중요한 연구결과들이 만들어 졌다. 동적 기능 연결성의 분석은 완전히 정적인 것과는 거리가 먼 뇌의 기능적 네트워크가 초 단위에서 분 단위로 변동한다는 것을 보여주었다. 이러한 변화는 일반적으로 연속적인 변화라기 보다는 한 단기 상태에서 다른 단기 상태로의 이동으로 보여진다.^[3] 많은 연구들은 뇌 전체로 이동하는 네트워크 활동의 재현 가능한 패턴을 보여주었다. 이러한 패턴은 동물과 인간 모두에서 발견되었으며 스캐너 세션 동안 특정 지점에만 존재한다.^[7] 일시적인 뇌 상태를 보여주는 것 외에도, DFC 분석은 뇌의 네트워크의 뚜렷한 계층 구조를 보여주었다. 쌍방향 대칭 영역 간의 연결은 뇌에서 가장 안정적인 연결 형태고, 그 다음으로 해부학적 직접 연결이 있는 다른 영역이다. 정상 상태 기능 연결 네트워크는 존재하고 생리학적 관련성은 있지만 해부학적 네트워크보다 일시적 안정성이 떨어진다. 마지막으로, 일부 기능적 네트워크는 DFC 분석으로만 볼 수 있을 정도로 순간적이다. 이러한 네트워크들은 또한 생리학적 관련성을 가지고 있지만 뇌의 다른 네트워크들에 비해 일시적으로 훨씬 덜 안정적이다.^[8]

분석방법

미닫이창

슬라이딩 윈도우 분석은 기능 연결성 분석에 가장 많이 사용되는 방법으로 2009년 사코글루와 칼훈이 처음 도입해 조현병에도 적용했다.^{[9][10][11][12]} 슬라이딩 윈도우 분석은 fMRI 세션에서 설정된 스캔 횟수에 대한 분석을 수행하여 수행된다. 스캔 횟수는 슬라이딩 윈도우의 길이 입니다. 그런 다음 정의된 윈도우가 일정 수의 스캔을 시간 내에 앞으로 이동하고 추가 분석이 수행된다. 창문의 움직임은 보통 인접한 창들 사이의 겹치는 정도 측면에서 참조된다. 슬라이딩 윈도우 분석의 기본 장점 중 하나는 윈도우 길이가 충분히 클 경우 슬라이딩 윈도우를 사용하여 거의 모든 정상 상태 분석을 수행할 수 있다는 것이다. 또한 슬라이딩 윈도우 분석은 이해하기 쉽고 어떤 면에서는 해석하기 쉽다는 이점이 있다.^[3] 가장 일반적인 분석 방법으로서 슬라이딩 윈도우 분석은 DFC의 다양한 특징과 시사점을 조사하기 위해 여러 가지 다양한 방법으로 사용되어 왔다. 정확하게 해석하기 위해서는 일반적으로 슬라이딩 윈도우 분석의 데이터를 두 개의 다른 그룹 간에 비교해야 한다. 연구자들은 이러한 유형의 분석을 통해 질병과 건강한 환자, 인지 작업에 대한 높은 수행자와 낮은 수행자, 그리고 대규모 뇌 상태 사이의 서로 다른 DFC 특성을 보여주었다.

활성화 패턴

DFC를 분석하는 데 사용된 첫 번째 방법 중 하나는 공간적으로 분리된 뇌 영역에 동기 활동을 하는 경향이 있는 활성화 패턴이 있음을 보여주기 위해 fMRI 영상의 패턴 분석이었다. 두뇌에는 아마도 뇌의 일정한 과정 중 일부를 반영하는 공간적, 시간적 주기가 있다는 것이 분명해졌다. 네트워크 정보의 반복 패턴이 fMRI BOLD 데이터의 분산 중 25~50%를 차지하도록 제안되었다.^[7][13] 이러한 활동 패턴은 주로 쥐에서 피질을 따라 동기화된 활동의 전파파로 보여 왔다. 이러한 파동은 또한 기저 신경 활동과 관련이 있는 것으로 나타났으며, 쥐뿐만 아니라 인간에게도 존재하는 것으로 나타났다.^[7]

점공정분석

기존의 접근 방식에서 벗어나, 최근 fMRI BOLD 데이터를 포인트 프로세스로 변환하는 급변하는 기능 활성화 패턴을 분석하는 효율적인 방법이 도입되었다.^[14][15] 이는 각 복셀에 대해 볼드 신호의 변곡점(즉, 피크)을 선택하여 달성된다. 이 몇 가지 포인트는 기능 연결과 관련된 정보의 많은 부분을 포함하고 있는데, 데이터 크기가 엄청나게 감소했음에도 불구하고(> 95%), 전체 신호를 사용하는 표준 방법과 얻은 기능 연결에^[16][17] 대한 추론과 매우 잘 비교된다는 것이 입증되었기 때문이다.

이 몇 가지 지점의 큰 정보 내용은 작업 혈류역학적 응답 기능을 나머지 데이터에서 디콘볼루션함으로써 느린 자발적 변동의 상관 강도와 전력 스펙트럼에 이러한 "자발적 사건"의 기여를 입증한 페트리두 외 연구원의 결과와 일치한다.^[18] 이후, 유사한 원칙이 공동활용 패턴(CAP)이라는 이름으로 성공적으로 적용되었다.^[19][20][21]

기타 방법

시간 빈도 분석은 슬라이딩 윈도우와 관련된 많은 난제를 극복할 수 있는 분석 방법으로 제안되었다. 슬라이딩 윈도우 분석과 달리 시간 주파수 분석은 연구자가 주파수와 진폭 정보를 동시에 조사할 수 있도록 한다. 파장 변환은 DFC의 상당한 시간 변화를 보여줌으로써 DFC의 존재를 검증한 DFC 분석을 실시하는 데 이용되어 왔다. 이 같은 방법은 최근에 수용된 네트워크의 동적 특성 일부를 조사하기 위해 사용되었다. 예를 들어, 시간 빈도 분석은 기본 모드 네트워크와 작업 양성 네트워크 사이의 상극성이 시간에 일정하지 않고 오히려 일시적인 상태임을 보여주었다.^[22] 독립적 요소 분석은 안정적인 상태 기능 연결에서 네트워크 생성의 가장 일반적인 방법 중 하나가 되었다. ICA는 fMRI 신호를 유사한 시간적 패턴을 가진 몇 가지 공간 구성요소로 나눈다. 최근에는 ICA를 사용하여 fMRI 데이터를 다른 시간적 구성요소로 분할했다. 이를 시간적 ICA라고 하며, fMRI에서 해부학적 노드 상관관계의 25%를 차지하는 네트워크 동작을 플로팅하는 데 사용되어 왔다.^[23]

논란과 한계

여러 연구자들은 DFC가 분석, 스캐너 또는 생리학적 소음을 단순하게 반영하는 것일 수 있다고 주장해 왔다. fMRI의 소음은 심장 박동, 혈액 뇌 장벽의 변화, 스캐너의 획득 특성 또는 분석의 의도하지 않은 효과 등 다양한 요인에서 발생할 수 있다. 일부 연구자들은 fMRI 연구에서 기능적 연결성의 변동성이 무작위 데이터 분석에서 기대할 수 있는 변동성과 일치한다고 제안했다. DFC가 소음만 반영할 수 있다는 이 불만사항은 최근 fMRI DFC 데이터에 대한 전기적 근거의 관찰과 DFC 특성의 행동 관련성에 의해 감소되었다.^[3]

DFC가 스캐너 노이즈의 산물일 수 있다는 불만과 더불어 관찰된 DFC는 이를 관찰하는 데 사용되는 fMRI의 간접적 성질을 바탕으로 비판받을 수 있다.fMRI 데이터는 에코 평면 영상을 사용하여 신속하게 MRI 영상을 획득함으로써 수집된다. 이러한 영상의 대비는 산소와 탈산소의 혈액의 비율에 의해 크게 영향을 받는다. 활성 뉴런은 휴식하는 뉴런보다 더 많은 에너지를 필요로 하기 때문에, 이러한 대비의 변화는 전통적으로 신경 활동을 간접적으로 측정하는 것으로 해석된다. 간접적인 특성 때문에 DFC 연구에서 fMRI 데이터는 잠재적으로 비신경 정보를 반영하는 것이라고 비판받을 수 있다. 이러한 우려는 최근 fMRI DFC와 동시에 획득한 전기생리학 데이터 간의 상관관계로 완화되었다.^[24]

생리적 증거

fMRI는 DFC를 조사하는 주요 수단이다. 이것은 fMRI가 상당히 낮은 시간 분해능(일반적으로 0.5Hz)을 가지며, 신경 활동을 간접적으로 측정할 뿐이기 때문에 독특한 난제를 제시한다. fMRI 분석의 간접적 특성은 fMRI의 결과가 실제로 관련성이 있고 신경 활동을 반영한다는 것을 보여주기 위해 검증이 필요하다는 것을 시사한다.

다중모달접근법

전기생리학

DFC와 전기생리학의 상관관계는 일부 과학자들이 DFC가 뉴런 집단의 단일 세포 분석에서 보여온 동적 네트워크 행동의 혈류역학적 결과를 반영할 수 있다고 제안하게 만들었다. 혈류역학적 반응은 신경망 역학과의 일대일 대응성을 반영하기에는 너무 느리지만, DFC는 전기생리학 데이터의 일부 빈도수의 힘을 반영하는 것일 가능성이 있다.^[3]

뇌파 사진술(EEG)은 DFC에서 관찰된 내용을 검증하고 해석하기 위해 인간에게도 사용되어 왔다. EEG는 두피 표면의 데이터만 획득할 수 있어 공간 해상도가 떨어지지만, 많은 뉴런의 광범위한 전기적 활동을 반영하고 있다. EEG는 FC의 스캔 간 분산 중 일부를 설명하기 위해 fMRI와 동시에 사용되어 왔다. EEG는 또한 FC의 변화가 EEG에서 관찰된 넓은 뇌 상태와 관련이 있다는 것을 보여주기 위해 사용되었다.^{[25][26][27][28]}

MEG

자기 뇌(MEG)는 뇌의 전기적 활동에 의해 생성되는 자기장을 측정하는 데 사용될 수 있다. MEG는 시간 분해능이 높고 일반적으로 EEG보다 공간 분해능이 높다. MEG를 이용한 휴면 상태 연구는 여전히 공간 분해능에 의해 제한되지만, 촬영장비는 휴면 상태 네트워크가 낮은 수준의 상관관계를 가진 기간과 높은 기간 동안 이동한다는 것을 보여주기 위해 사용되어 왔다. 이 관찰 결과는 DFC 활성화 패턴 분석과 같은 다른 DFC 연구에서 나타난 결과와 일치한다.^[3]

행동 기반

DFC는 경계와 주의의 측면 등 인간의 수행과 상당한 관련이 있는 것으로 나타났다. 과업 시작 직전 네트워크 동작이 해당 과업 수행의 강력한 예측 변수라는 것이 제안되고 지원되었다. 전통적으로 fMRI 연구는 성능 예측자로서 뇌 영역의 활성화 규모에 초점을 맞췄지만, 최근의 연구는 슬라이딩 윈도우 분석으로 측정한 네트워크 사이의 상관관계가 훨씬 더 강력한 성능 예측 변수라는 것을 보여주었다.^[24] fMRI 스캔에서 슬라이딩 윈도우에 걸친 기능 연결 가변성(FCV)의 개별적인 차이는 통증을 일으키는 경향과 관련이 있는 것으로 나타났다.^[29] 대상자가 감각 자극으로부터 벗어나 방황하는 마음이라는 정도도 FCV와 관련이 있었다.^[30]

임상 관련성

DFC 분석의 주된 동기 중 하나는 신경 질환을 더 잘 이해하고, 감지하고, 치료하는 것이다. 정적 기능 연결은 우울증, 정신분열증, 알츠하이머병 등 다양한 질병과 큰 관련이 있는 것으로 나타났다. 이 분야의 신통성 때문에 DFC는 최근에야 질병 상태를 조사하기 위해 사용되었지만, 2012년 이후 이 세 가지 질병 각각은 기능 연결에서 동적 시간적 특성과 상관관계가 있는 것으로 나타났다. 이러한 차이들의 대부분은 다른 과도상태에서 소비되는 시간과 관련이 있다. 정신분열증 환자는 건강한 환자보다 상태변화가 덜 잦아 뇌가 서로 다른 대기열에 빠르게 반응하지 못하는 특정 뇌 상태에 갇히는 것과 관련 있다는 암시가 나왔다.^[31] 또한 시각 감각 네트워크의 한 연구는 정신분열증 환자가 시각 감각 네트워크의 중간 측두회 및 다른 영역 사이의 연결성이 매우 부정적인 상태에서 건강한 대상보다 더 많은 시간을 보낸다는 것을 보여주었다.^[32] 알츠하이머병에 대한 연구는 이 질환을 앓고 있는 환자들이 네트워크 연결성과 현존하는 네트워크에서의 시간을 변화시켰다는 것을 보여주었다.^[33] DFC와 질병 사이의 관찰된 상관관계는 DFC의 변화가 이러한 질병의 원인이라는 것을 의미하지는 않지만, DFC 분석의 정보는 질병의 영향을 더 잘 이해하고 더 빠르고 정확하게 진단하기 위해 사용될 수 있다.

참조