[논문 리뷰] On the role of theory and modeling in neuroscience

Daniel Levenstein, Veronica A. Alvarez외 18명|arXiv (Cornell University)|2020. 03. 30.

Neural dynamics and brain function인용 수 6

한 줄 요약

이 논문은 신경과학에서 생물물리적 세부사항에서 인지적 계산에 이르는 스케일을 연결하기 위해 서술적, 기계적, 규범적 모델링 접근법을 통합하는 실용적이고 다수준의 프레임워크를 주장한다. 적절한 추상화 수준, 모델과 데이터를 연결하는 전이 함수, 그리고 모델을 실험 도구로 사용하는 것을 제안하며, 이는 이론 기반의, 계산적으로 엄밀한 신경과학을 발전시킨다.

ABSTRACT

In recent years, the field of neuroscience has gone through rapid experimental advances and a significant increase in the use of quantitative and computational methods. This growth has created a need for clearer analyses of the theory and modeling approaches used in the field. This issue is particularly complex in neuroscience because the field studies phenomena across a wide range of scales and often requires consideration of these phenomena at varying degrees of abstraction, from precise biophysical interactions to the computations they implement. We argue that a pragmatic perspective of science, in which descriptive, mechanistic, and normative approaches each play a distinct role in defining and bridging levels of abstraction will facilitate neuroscientific practice. This analysis leads to methodological suggestions, including selecting a level of abstraction that is appropriate for a given problem, identifying transfer functions to connect models and data, and the use of models themselves as a form of experiment.

연구 동기 및 목표

• 신속한 실험적 및 계산적 진전으로 인해 신경과학 분야에서 더 명확한 이론적 및 방법론적 기준이 필요로 하고 있음을 다루기 위해.
• 생물학적 데이터를 다중 공간적·시간적 스케일 간에 연결하는 데 있어 서술적, 기계적, 규범적 모델링 접근법의 차별화된 역할을 명확히 하기 위해.
• 신경과학 문제의 모델링에 적절한 추상화 수준을 선택하기 위한 실천 가능한 방법론적 지침을 제공하기 위해.
• 모델을 단순한 표현이 아니라 가설 검증과 실험 설계의 활성 도구로 사용함을 촉진하기 위해.
• 이론과 모델링에 대한 공통의 개념적 프레임워크를 구축함으로써 다학제적 협업을 촉진하기 위해.

제안 방법

• 실용적 과학 철학을 도입하여 서술적(데이터 기반), 기계적(생물물리적으로 세밀한), 규범적(계산적으로 최적화된) 세 가지 모델링 접근법을 분류하고 통합하기 위해.
• 과학적 질문에 적합한 추상화 수준을 선택함으로써 과잉 또는 과소 특정을 방지하기 위해.
• 모델 출력을 측정 가능한 실험 데이터로 매핑하는 데 사용되는 전이 함수를 정의하고 활용하기 위해.
• 모델을 제어 가능하고 검증 가능한 조건에서 시스템의 거동을 탐색할 수 있는 가상의 실험으로 간주하기 위해.
• 모델의 정밀도와 이론적 통찰력을 향상시키기 위해 반복적인 모델-데이터 피드백 루프를 강조하기 위해.
• 공통의 이론적 원칙을 통해 분자, 세포, 회로, 시스템 수준의 현상 간의 스케일 간 통합을 수행하기 위해.

실험 결과

연구 질문

• RQ1 서술적, 기계적, 규범적 모델링 접근법이 신경과학에서 체계적으로 구분되고 통합될 수 있는가?
• RQ2 주어진 신경과학 문제에 적절한 추상화 수준을 선택하는 데 지침이 되는 기준은 무엇인가?
• RQ3 다양한 스케일에서 모델 예측과 실증 데이터를 연결하는 데 전이 함수를 어떻게 정의하고 사용할 수 있는가?
• RQ4 계산 모델이 생물학적 시스템을 탐구하기 위해 실험으로서 어떻게 작용할 수 있는가?
• RQ5 이론과 모델링은 생물물리적 메커니즘과 인지 수준의 계산 간 격차를 어떻게 메울 수 있는가?

주요 결과

• 서술적, 기계적, 규범적 모델링의 실용적 통합은 다중 스케일 신경과학 문제를 해결하는 일관된 프레임워크를 제공한다.
• 적절한 추상화 수준을 선택하는 것은 모델의 유용성을 확보하고 불필요한 복잡성이나 과도한 단순화를 방지하는 데 필수적이다.
• 전이 함수는 모델 출력과 실증 데이터 사이의 핵심 연결 고리 역할을 하며, 모델 검증과 반복적 개선을 가능하게 한다.
• 모델는 시스템의 역학을 탐색하고 결과를 예측하며 실험실 연구를 안내하는 데 사용 가능한 가상의 실험으로 활용될 수 있다.
• 이론과 모델링의 통합은 신경과학 분야에서 재현 가능성, 투명성, 다학제적 협업을 향상시킨다.
• 이 프레임워크는 순수하게 데이터 기반 접근을 넘어서 예측 가능하고 이론 기반의 신경과학을 발전시키는 데 기여한다.