스파이크 정렬 (Spike Sorting)
쉽게 풀면
시끌벅적한 파티장에 마이크 하나를 두었다고 생각해보세요. 여러 사람의 목소리가 한꺼번에 녹음되지만, 사람마다 목소리 톤과 억양이 조금씩 달라서 "이건 A의 목소리, 저건 B의 목소리"라고 구분할 수 있습니다. 뇌 속에 꽂은 전극도 비슷합니다. 하나의 전극 주변에는 여러 개의 뉴런이 있고, 이들이 동시에 활동전위(스파이크)를 발생시키면 전극에는 여러 신호가 섞여서 기록됩니다. 스파이크 정렬은 각 스파이크의 파형(모양)이 뉴런마다 미묘하게 다르다는 점을 이용해서, "이 스파이크는 뉴런 1의 것, 저 스파이크는 뉴런 2의 것"으로 분류해주는 작업입니다.
왜 중요한가
신경과학 연구의 상당수는 개별 뉴런이 언제, 얼마나 자주 발화하는지를 근거로 결론을 도출하는데, 세포외 전극은 여러 뉴런의 신호를 한꺼번에 기록하기 때문에 스파이크 정렬 없이는 "이 발화가 어느 뉴런에서 왔는지" 알 수 없습니다. 따라서 단일세포 수준의 부호화, 신경회로 연결성, 행동과의 상관관계를 다루는 논문에서는 스파이크 정렬의 정확도가 이후 모든 분석 결과의 신뢰성을 좌우하는 전제 조건이 됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 "여러 뉴런의 신호가 섞인 원시 기록을 알고리즘으로 나누어서, 각 뉴런이 언제 발화했는지를 개별적으로 파악했다"는 뜻입니다. 이렇게 분리된 결과는 이후 단일세포 기록법 분석의 기초 자료로 쓰입니다.
대규모 전극 어레이를 사용하는 최근 연구에서는 자동 클러스터링 알고리즘의 결과를 연구자가 다시 검수하는 반자동 방식을 병행해 정확도를 높이는 경우가 많습니다.
조금 더 깊게 보면
스파이크 정렬은 보통 (1) 전극 신호에서 스파이크 파형만 골라내는 검출(detection), (2) 파형의 특징(진폭, 폭, 주성분 등)을 추출하는 특징추출, (3) 비슷한 특징끼리 묶는 클러스터링의 세 단계로 이루어집니다. 클러스터링 결과가 실제로 서로 다른 뉴런을 잘 분리했는지는 클러스터 간 거리나 발화 후 불응기(refractory period) 위반 비율 같은 지표로 점검하며, 최근에는 딥러닝 기반 자동 정렬 도구도 널리 쓰이고 있습니다.
주의할 점
스파이크 정렬은 완벽하지 않습니다. 두 뉴런의 파형이 비슷하거나 신호가 겹치면 다른 뉴런의 스파이크를 같은 뉴런의 것으로 잘못 묶거나, 반대로 하나의 뉴런을 여러 개로 잘못 나눌 수 있습니다. 그래서 논문에서는 정렬 결과의 신뢰도(클러스터 분리도 등)를 함께 보고하는 경우가 많습니다.