Learning Biophysical Models of Large-Scale Multineuronal Data To Enable Precise Neurostimulation

Motivation

• Known: Hodgkin-Huxley(HH) 모델은 세포 수준 신경 계산의 생물물리학적 근거를 제공하지만, 전통적으로 intracellular recording을 통해서만 파라미터를 정확히 추정할 수 있어 침습적이고 처리량이 낮다. Multi-electrode array(MEA)는 대규모 신경 집단의 extracellular 신호를 동시에 기록할 수 있지만, 이 신호는 여러 뉴런의 활동이 중첩되어 있고 conductance, morphology, electrode position 사이의 parameter degeneracy 문제로 인해 HH 모델 fitting이 어려웠다.
• Gap: 대규모 신경 회로의 모든 뉴런에 대해 세포별 HH 모델을 extracellular MEA 데이터만으로 신뢰성 있게 추론하는 방법이 부재했으며, 이로 인해 신경보철 등 신경공학 응용에서 정밀한 neurostimulation pattern 설계에 필요한 세포 수준 생물물리 모델을 실용적 시간 내에 얻을 수 없었다.
• Why: 임상 환경에서 candidate neurostimulation pattern에 대한 신경 반응을 직접 측정하려면 수시간이 소요되는데, 소수의 기록만으로 정확한 HH 모델을 얻을 수 있다면 이 과정을 대체하여 망막 임플란트 등 신경 인터페이스의 자극 설계를 대폭 가속화할 수 있다는 점에서 중요하다.
• Approach: Kilosort2로 spike sorting하여 얻은 각 뉴런의 electrical image(EI)와 단일 전극 자극 임계값이라는 생물물리학적으로 해석 가능한 특징들을 설계하고, 이를 JAXLEY 기반 differentiable HH 시뮬레이션과 simulation-based inference에 결합하여 parameter degeneracy 문제를 완화하며 세포별 HH 파라미터(θ={ḡNa, ḡK, r, x})를 추론한다.

Achievement

Figure 5. Prediction of simultaneous multi-electrode stimulation responses in real RGCs. Left: For each example cell, th

1. 디지털 트윈 프레임워크 제시: 대규모 MEA 기록으로부터 세포별 multi-compartment HH 모델을 빠르게 추론하는 end-to-end 파이프라인(spike sorting → EI/threshold 특징 추출 → biophysical model fitting)을 구축했다.
2. 정량적 검증: isolated macaque retina에서 30 µm-pitch 512-electrode array로 수백 시간의 자극·기록 데이터를 수집하여, 단 몇 분의 기록만으로 fitting한 HH 모델이 이전에 보지 못한 multi-electrode stimulation 반응을 90.4% 정확도로 예측함을 보였다.
3. 시간 단축: 기존에 수 시간이 소요되던 임상적 자극 테스트를 몇 분의 기록으로 대체할 수 있음을 입증하여 신경자극 패턴 설계의 실용적 가속화 가능성을 제시했다.

How

Figure 3. Inference performance on noisy straight-axon simulations. (A) Schematic of randomized straight axons (gray lin

• Electrical image(EI) 추출: light-evoked retinal activity를 Kilosort2로 spike sorting하여 각 뉴런의 multielectrode voltage waveform(EI)을 얻음 (capacitive, sodium, potassium 3-phase 특징).
• Forward Model 1 (EI): JAXLEY로 multi-compartment HH dynamics를 적분하고, line-source approximation을 통해 각 전극에서의 extracellular potential Φm(t)을 계산하여 시뮬레이션된 EI를 생성.
• Forward Model 2 (Stimulation): 전극을 통한 전류 주입에 따른 신경 반응(발화 여부)을 시뮬레이션하는 stimulation forward model을 구성.
• 파라미터 추론: 생물물리학적으로 해석 가능한 EI 특징(spike duration, propagation velocity 등)과 소수의 single-electrode threshold 측정치를 결합하여, gradient-based optimization과 simulation-based inference(Cranmer et al., 2020)로 θ={ḡNa,i, ḡK,i, ri, xi}를 추정.
• 검증: noisy straight-axon 시뮬레이션(Figure 3)과 실제 RGC 기록(Figure 4, 5)에 대해 fitting 정확도 및 unseen multi-electrode stimulation response 예측 정확도를 평가.

Originality

• Intracellular recording 없이 extracellular MEA 데이터만으로 multi-compartment HH 모델의 세포별 파라미터를 추론하는 최초의 시도로 보이며, 이를 통해 대규모 신경집단 전체에 대한 biophysical model 구축이 가능해짐.
• Differentiable biophysical simulator(JAXLEY)와 simulation-based inference를 결합하여, 기존에는 다루기 힘들었던 고차원 HH 파라미터 공간에서의 gradient 기반 최적화를 실현.
• Parameter degeneracy 문제를 해결하기 위해 생물물리학적으로 해석 가능한 EI 특징(spike duration, propagation velocity)과 단일 전극 자극 임계값이라는 손쉽게 측정 가능한 보조 정보를 결합한 새로운 constraint 설계.
• 신경보철 개발이라는 실용적 응용(neurostimulation pattern 설계)에 직접 연결되는 대규모 실측 데이터(30 µm-pitch 512-electrode array, 수백 시간 분량) 기반 검증.

Limitation & Further Study

• 본 연구는 isolated macaque retina라는 특정 조직에서만 검증되었으며, 다른 뇌 영역이나 피질 회로 등으로의 일반화 가능성은 추가 검증이 필요하다.
• 모든 이온 채널 kinetics 및 초기 조건을 사전 연구에 기반한 공통 상수로 고정하였는데, 이는 세포 간 이질성을 과소평가할 위험이 있으며 향후 이 상수들도 함께 추정하는 확장이 필요하다.
• 90.4% 정확도가 어떤 조건(자극 강도, 전극 수 등)에서 저하되는지에 대한 실패 사례 분석이 본문 발췌에는 제한적으로 제시되어 있어, 모델의 일반화 한계에 대한 추가 논의가 필요하다.
• 단일 전극 threshold 측정을 여전히 요구하므로 완전한 무침습·비접촉 방식은 아니며, 향후 이러한 보조 측정을 최소화하는 방향의 연구가 기대된다.

Evaluation

총평: Extracellular MEA 데이터만으로 세포별 HH 모델을 신속히 추론하고 이를 실제 신경자극 반응 예측에 성공적으로 적용한 견고한 연구로, 신경보철 및 신경공학 응용에 실질적 파급력을 가질 것으로 판단된다.