'네트워크'에 해당되는 글 2건

  1. TCI & Functional Modular Organisation 논문 수락 후기 (4)
  2. Data Analysis (2): Graph Theoretical Analysis in R

뇌과학 분야에서 출판한 첫 논문이기에 꼭 후기를 남기고 싶었다. 
물리학 분야에서 첫 논문이 출판되었을때 후기를 썼던 것 처럼... 

논문의 Manuscript가 대략적으로 완성된 시점은 2012년 12월 쯤으로 기억한다. 데이터 획득부터, 뇌영상 데이터의 분석, 그리고 논문 작성의 전체 과정에 직접 참여했기 때문에 나에게 의미가 더욱 각별하게 느껴지는 논문이다. 이번 연구는 "기질Temperament에 따라서 뇌네트워크의 연결성이 다르게 나타나고 그로 인해서 서로 다른 모듈 구조를 갖는다"는 것을 주요 결과로 하고 있으며, 논문 초안의 제목은 <Functional and morphometric neural mechanism underlying personality differences: Introverts vs. Extraverts> 으로 정했다. 인성의 외향성은 기질의 위험회피 척도와 자극추구 척도로 구분하는 것이 무리일 수도 있다는 것은 어느정도 예상했고, 특히 성격심리학자들이 보기에는 완전 엉터리로 들릴 수도 있겠다는 생각도 했다. 그리고 이러한 나의 생각은 여러 관련 분야의 선생님들께 조언을 구하는 과정에서도 가장 많이 질문 받고 또 진지하게 토론했던 부분이었다. 뭐, 처음이니까 부족한 부분이 있기 마련이고 부족한 부분은 저널 리뷰어들의 질문에 답을 하는 과정에서 보충 될 수 있지 않을까? 라는 생각에 여러 선생님들께 조언 받은것은 따로 정리는 해 두었지만, 처음 논문을 투고 할때는 보완하지 않았다. 

논문을 투고하기 전에 연구 결과의 해석과 결과의 타당성에 대해 전문가들의 조언을 듣고 싶었다. 처음 논문을 준비할때 공동 저자로 참여한 연구자들은 대부분 물리/공학을 기반으로 뇌과학을 연구했던 분들이었기 때문에, 논문의 특성상 심리학이나 정신의학 분야에서 뇌과학을 연구하고 있는 분들의 조언이 꼭 필요하다고 생각했다. 제일 먼저 찾은 곳은 성신여대 심리학과에 계신 K교수님과 여러 대학원생 선생님들이었다. 발표를 듣고 난 후에 대부분 "선생님들의 반응은 방법론과 결과에 대해서는 재미있으나, 기질 및 성격 검사(Temperament and Character Inventory, TCI)에서 측정된 위험회피(Harm Avoidance, HA) 척도와 자극추구(Novelty Seeking, NS) 척도로 내성적인 성향의 사람과 외향적인 성향의 사람을 구분하는 것은 위험한것 같다. 이미 성격심리학자들이 내성/외향을 구분하기 위해 개발한 성격검사지가 있는데, 그것을 사용하지 않고 연구자 임의로 내성과 외향을 정의하는 것은 많은 reviewer들에게 공격 받을 것이다." 라는 조언을 해 주셨다. 이후에 고려대학교 심리학과와 연세대학교 정신건강의학과를 연달아 찾아다니며 발표를 했고 조언을 구했으며, 세부적인 측면에서는 차이가 있었지만 큰 맥락에서는 대부분 비슷한 조언을 해 주셨다. 위험회피 척도와 자극추구 척도가 음의 상관관계에 있고 이들 두개의 척도로 그룹을 나누었다면, 그룹지어진 결과 그대로 'high HA and low NS' 그룹과 'low HA and high NS' 그룹으로 나누는 것이 더 설득력 있는 연구결과가 될꺼라는 조언이 지배적이었다.

여러 선생님들께서 조언해주셨던  부분에 대해서 저널 리뷰어에게도 비슷한 조언을 받았고, 어떤 부분이 부족한지 어느정도는 미리 알고 있었기에 내용을 보충하는데 큰 어려움이 있거나 많은 시간이 들지는 않았다. 하지만 연구 논문의 서론 부분이나 토의Discussion을 작성하는 과정에서 심리학자나 정신의학 분야를 전공하신 선생님들의 적극적인 도움 없이는 논리에 헛점이 발생할 수도 있겠다는 생각에 정신과 의사 선생님을 공동 저자로 섭외했고 도움을 받았다. 그러나, 처음 초안을 너무 허술하게 잡았기 때문에 부족한 부분이 많을 수 밖에 없었기 때문에 두번이나 논문 게재를 거절 당했다. 그래도 우여곡절 끝에 Brain Research라는 저널에서 논문 게재를 허락 받았으니 얼마나 다행인지 모른다. NeuroImage에 투고했던 논문을 수정/보완하여 Brain Research에 재투고 했었는데 NeuroImage와 Brain Research 모두 NPRC consortium에 멤버로 들어있는 저널들이었기 때문에 서로 Reviewer's comments를 공유해줬고, 논문 수락 process도 빨랐던것 같다. 초기에 논문 제출할때와는 달리 최종적으로 수락된 논문의 제목은 <Functional network organizations of two contrasting temperament groups in dimensions of novelty seeking and harm avoidance> 이다.

연구 결과는 International Workshop in NeuroDynamics 2014 (July 14-17 2014, Castro-Urdiales, Spain) 학회에서 처음으로 소개되었고, 발표 자료는 Slideshare를 통해 공개했다. 뭐든 처음이 가장 어렵다고 한다. 내게도 이번 연구가 뇌과학 분야에서는 처음으로 출판하는 논문이었기에 많은 시행착오가 있었다. 하지만 이번 논문 게재를 바탕으로 현재 진행중인 ADHD 환자의 Topology와 뇌네트워크 분석관련 연구도 잘 정리해서 논문으로 완성하는 날을 생각하번 벌써부터 가슴이 뛴다.

이 글을 통해서 공동저자로서 함께 결과를 내주신 여러 선생님들과 도움을 주신 모든 분들께 다시한번 감사인사를 드립니다. ^.^


작성자: 뇌과학자 경성현

신고

수학에서의 그래프 이론(Graph Theory)과 물리학에서의 복잡계 네트워크(Complex Network)는 관련 전공자가 아닌 분야의 사람들에게는 비슷하게 느껴집니다. 저 또한 수학자도 아니고 물리학자도 아니기에 그래프 이론과 복잡계 네트워크를 혼용해서 사용합니다. 두 학문 분야의 전문가들이 보시기에는 다른 학문이으로 생각되겠지만, 그래프 이론이나 복잡계 네트워크에서 발견된 연구 결과물을 활용하는 연구자들에게는 '그게 그거 아닌가?' 라는 생각이 들기 마련인 것 같습니다. 저 또한 그래프 이론과 복잡계 네트워크라는 용어를 구분하지 않고 혼용해서 사용합니다.

그래프는 '점'과 '선'의 집합으로 구성되어 있습니다. 그래프에서 노드와 노드가 어떻게 연결되어 있는냐에 따라서 community를 이루기도 하지요. 파이썬이나 매틀랩 등의 스크립트 프로그래밍 툴에서도 그래프를 분석하는 기능을 제공하지만, 본 강좌에서는 R의 igraph library를 이용한 데이터 분석 방법을 소개해 드리고자 합니다. R이 익숙하지 않으신 분들은 실습은 Rstudio에서 연습 하시면 좋을것 같습니다.

우선 igraph라는 라이브러리를 설치해야 합니다.

> install.packages("igraph") # igraph 설치   > library(igraph) # igraph 설치 확인

igraph 라이브러리가 잘 설치를 완료 했으면, 이제 간단한 그래프를 만들어 보겠습니다.

> G <- graph( c(1,2, 1,3, 2,3, 3,5), n=5) > G_und <- as.undirected(G) # 방향성이 없는 그래프 > G_dir <- as.directed(G) # 방향성이 있는 그래프

위에서 생성한 그래프는 5개의 점(node or vertex)이 있고, 점을 있는 선은 총 4개가 있습니다. 정말 그렇게 생성되었는지 확인해 봅시다.

> V(G_und) # 노드가 5개인지 확인.

Vertex sequence:  [1] 1 2 3 4 5

> E(G_und) # 선이 4개 인지 확인. Edge sequence: [1] 1 -> 2 [2] 1 -> 3 [3] 2 -> 3 [4] 3 -> 5

이제 그래프를 그림으로 확인해 보겠습니다. E(G)에서도 확인할 수 있지만, 4번 노드는 연결 선이 하나도 없이 혼자 동떨어져 있습니다. 이것이 그림으로는 어떻게 표현될까요?

> plot(G_dir) # 그래프를 그림으로 확인.

plot(G_und)를 하면, 노드와 노드 사이에 연결된 선의 화살표가 없는채로 방향이 구분되지 않는 형태로 그래프가 그려질 것입니다. 여기까지 따라하셨드면, R을 이용한 그래프 그리기의 기초적인 과정은 끝났습니다.

이제 실제 연구에서 사용되는 네트워크 데이터를 분석에 활용해 보도록 하겠습니다.

** application to brain network analysis will be updated soon **

신고