AI로 본 뇌의 배관도, 노폐물 청소 시스템의 두 가지 속도를 드러내다

‘물리 정보 신경망(Physics-Informed Neural Networks)’ 혹은 ‘인공지능 유속계(AIV)’로 불리는 이 접근 방식은 모델의 예측값이 물리 법칙을 반드시 준수하도록 강제합니다. 이를 통해 AI는 염료의 움직임으로부터 지금까지 접근할 수 없었던 두 가지 변수, 즉 유체의 국소 속도와 주변 뇌 조직의 투과도를 추론해낼 수 있었습니다. 이 기술은 켈리 교수 연구팀이 앞서 AIV를 사용해 실험용 쥐의 혈관 주변 공간에서 압력, 벽면 전단 응력, 그리고 3차원 속도를 정량화했던 선행 연구를 기반으로 합니다.

발견: 이중 속도 노폐물 청소 시스템

AI 기반 재구성은 위치에 따라 글림파틱 시스템이 유체를 이동시키는 방식에 극명한 차이가 있음을 드러냈습니다.

• 표면의 빠른 흐름: 두개골과 뇌 사이의 공간인 지주막하 공간(Subarachnoid space)과 같은 개방된 영역에서는, 뇌척수액이 초당 수 마이크로미터 속도로 빠르게 이동하며 주요 동맥 고속도로를 따라 효율적으로 쓸어냅니다.
• 조직 심부의 느린 흐름: 유체가 뇌의 기능적 실질 조직인 치밀한 실질(Parenchyma) 안으로 침투하면, 그 속도는 표면에 비해 약 50배 느려진 속도로 천천히 스며듭니다.

이러한 이중 속도 체계는 생물학적으로 완벽히 들어맞습니다. 뇌의 외부 표면은 전도성이 높은 분배 네트워크 역할을 하는 반면, 뇌 심부 조직은 높은 유압 저항을 지니고 있어 유체가 좁은 세포 간극 공간을 통해 서서히 여과되도록 합니다. 켈리 교수팀의 이전 모델링 연구는 낮은 저항을 지닌 혈관 주변 공간과 높은 저항의 뇌 실질이 결합된 구조만이 작은 압력 강하로 글림파틱 흐름을 유도하면서도 대뇌 피질 전체로의 적절한 관류를 가능하게 하는 유일한 시나리오임을 제시한 바 있습니다. 이번에 AI로 얻은 측정값은 그러한 구조가 살아있는 뇌 안에 실제로 존재한다는 직접적인 증거를 제공한 것입니다.

속도를 넘어: 조직 투과도 측정

글림파틱 연구의 주요 숙제 중 하나는 조직 투과도, 즉 뇌 조직이 유체를 얼마나 쉽게 통과시키는가였습니다. 이번에 개발된 물리 정보 AI 프레임워크는 염료가 분산되는 방식을 관찰하고 그 해를 질량 보존 법칙으로 제한함으로써, 투과도를 동시에 추론합니다. 뇌 조직 투과도의 변화는 병리학적 상태의 조기 지표가 될 수 있습니다. 만약 조직이 유체 흐름에 더 큰 저항을 가지게 된다면 노폐물 청소가 정체될 것이기 때문입니다. 이 특성을 MRI를 통해 비침습적으로 측정할 수 있게 된다면, 신경 퇴행성 질환의 가장 초기 단계를 들여다볼 수 있는 새로운 창이 열리게 됩니다.

현재의 한계: 실험용 쥐와 인간 사이의 간극

중요한 점은 현재까지의 모든 측정이 기준값을 확립하기 위해 쥐와 같은 동물 모델에서만 이루어졌다는 사실입니다. 인간의 뇌를 영상화하는 것은 더 큰 규모, 더 긴 스캔 시간, 임상적으로 안전한 조영제의 필요성 등 훨씬 더 큰 장애물을 수반합니다. 연구진은 이 방법을 인간에게 적용하기 위한 작업을 진행 중이지만, 이 임상 적용 단계는 여전히 진행 중인 과제입니다.

앞으로 다가올 임상적 가능성

이러한 제한점에도 불구하고, 장기적인 임상 가능성은 놀랍습니다. 평범한 MRI 스캔으로 글림파틱 기능을 직접 측정할 수 있는 능력은 언젠가 신경학 분야를 완전히 바꿀 수 있을지도 모릅니다.

• 알츠하이머병 선별 검사: 글림파틱 시스템은 수면 중 아밀로이드 베타 단백질을 청소하는 역할을 담당합니다. 만약 이 AI 기법이 인간에게 적용될 수 있다면, 알츠하이머 환자의 뇌척수액 순환이 손상되었는지를 측정하거나, 나아가 건강한 사람들을 대상으로 플라크가 축적되기도 훨씬 전인 이른 시기에 노폐물 청소 기능이 저하되었는지를 선별 검사할 수 있을 것입니다.
• 외상성 뇌손상과 뇌진탕: 뇌진탕은 뇌 내 유체 역학을 교란시키지만, 현재로서는 그 교란 정도를 직접 측정할 방법이 없습니다. 이 AI 유속 측정 프레임워크는 두부 손상 이후 글림파틱 흐름이 정상적으로 유지되고 있는지를 평가하는 정량적 도구를 제공할 수 있습니다.
• 노화 연구: 글림파틱 청소 기능은 나이가 들면서 자연적으로 저하되고 이는 인지 능력 감퇴로 이어집니다. 젊은 뇌와 노화된 뇌의 유체 속도를 직접 비교하면 이 감퇴를 일으키는 물리적 메커니즘을 밝혀내고 중재 방법까지 제시할 수 있을 것입니다.

또한 이 방법은 영상을 넘어서도 응용될 수 있습니다. 연구팀은 이미 글림파틱 네트워크에서의 염료 주입 과정 및 약물 전달 시뮬레이션을 위한 시간 의존적 흐름 연구로 모델링을 확장하여, 향후 뇌로 치료제를 전달하는 분야에 응용할 수 있는 가능성도 제시하고 있습니다.

물리 정보 인공지능은 연구자들에게 뇌의 노폐물 청소 배관 시스템이 실제로 작동하는 모습을 처음으로 보여주었습니다. 임상에서의 적용까지는 아직 수년의 시간이 필요하지만, 이 이중 속도 흐름 지도는 뇌가 스스로를 어떻게 청결하게 유지하는지, 그리고 그 시스템에 문제가 생기면 어떤 일이 벌어지는지를 이해하기 위한 정량적 토대를 마련해 주었습니다.