구글, 7만 개 신경세포 전뇌 활동 예측 벤치마크 'ZAPBench' 공개

ZAPBench는 구글 리서치가 HHMI 자넬리아 및 하버드대와 협력해 ICLR 2025에서 공개한 오픈소스 신경 활동 예측 벤치마크 및 데이터셋이다.

거대언어모델이 문맥을 보고 다음 단어를 예측하듯, AI 모델이 과거의 뇌 활동 기록을 바탕으로 향후 30초 동안 제브라피시 전뇌에 분포한 약 7만 개 신경세포의 발화 패턴을 예측하도록 평가하는 프레임워크다.

7만 개 신경세포를 통째로 기록한 방법

기존 신경과학 벤치마크는 뇌의 극히 일부분만 다루는 경우가 대부분이었다. 예컨대 생쥐 시각 피질을 연구한 Dynamic Sensorium 대회조차 대상 뇌 영역의 0.1% 미만에 불과했다. 하지만 먹이 사냥이나 회피 같은 복합 행동은 감각, 기억, 운동 제어가 뇌 전체에서 동시에 상호작용해야 일어난다.

연구진은 생후 6일 된 어린 제브라피시를 관찰 대상으로 택했다. 몸이 투명해 특수 현미경으로 뇌 전체를 들여다볼 수 있는 데다, 이미 수류에 적응해 헤엄치고 먹이를 사냥할 만큼 온전한 신경계를 갖췄기 때문이다. 연구진은 뉴런이 활성화될 때 칼슘 이온과 결합해 초록빛을 내는 GCaMP 단백질을 발현시키고, 라이트 시트 현미경으로 2시간 동안 3D 뇌 활동을 연속 스캔했다.

실험 중 제브라피시는 젤 형태의 물질에 고정된 채 가상현실 자극을 받았다. 물 흐름 변화나 명암 교차 등 야생 환경을 모사한 9가지 시각 애니메이션을 보여주며 꼬리 전극으로 실제 헤엄치려는 근육 반응을 기록했다.

데이터셋은 두 가지 형태로 제공된다. 현미경 원본인 3D 볼류메트릭 비디오와, 복셀 단위 분할을 거쳐 개별 세포별 2시간 활동 추적값을 뽑아낸 시계열 데이터다.

향후 30초의 신경 발화를 예측하는 방법

ZAPBench의 평가 척도는 실제 발화와 예측치 간의 차이를 측정하는 평균절대오차(MAE)다.

연구팀이 다양한 기준 모델을 테스트한 결과 몇 가지 흥미로운 사실이 확인됐다. 첫째, 모델에 입력하는 과거 활동 영상이 길수록, 즉 더 많은 컨텍스트가 주어질수록 30초 후 예측 오차가 뚜렷하게 줄었다.

둘째, 개별 뉴런 시계열 데이터보다 3D 볼류메트릭 영상을 직접 학습한 모델이 더 뛰어난 성능을 보인 경우가 있었다. 신경세포 간의 물리적 공간 배치를 직접 파악할 수 있었기 때문으로 풀이된다. 또한 예측 오차가 특정 뇌 영역에 집중되는 현상도 관찰되어, 뇌 부위별로 예측 난이도가 크게 다르다는 점이 확인됐다.

연구진은 현재 해당 제브라피시의 물리적 신경 연결망 전체를 지도화하는 커넥톰 작업을 진행 중이며, 향후 이 구조 정보가 데이터셋에 결합될 예정이다.

왜 중요한가

계산신경과학이나 시공간 시계열 모델링을 다루는 AI 연구자라면 ZAPBench를 눈여겨볼 만하다. 원시 광학 현미경 데이터를 정제하는 번거로운 과정 없이, 전뇌 수준의 단일 세포 활성 데이터를 곧바로 기계학습 모델 훈련에 투입할 수 있다.

우리는 언어모델의 생성 예측 방식을 척추동물의 실제 뇌 활동 예측에 정면으로 접목한 접근이 매우 영리하다고 본다. 포유류 뇌에 비하면 단순한 구조이지만, 딥러닝 아키텍처가 생명체의 복잡한 동적 시스템을 얼마나 정확히 이해하고 모사할 수 있는지 시험할 최적의 오픈소스 무대가 마련됐다.