Modeling behavior to disentangle motion-related effects in functional ultrasound imaging in awake, head-fixed mice

이 논문은 깨어 있는 쥐의 자연스러운 행동 중 발생하는 운동 관련 잡음을 행동 데이터를 기반으로 한 모델링을 통해 제거함으로써, 기능성 초음파 영상 (fUSI) 을 이용한 뇌 전체 활동 매핑의 신뢰성을 크게 향상시켰음을 보여줍니다.

핵심

이 논문은 **"고양이처럼 움직이는 쥐의 뇌를 초음파로 찍을 때, 그 움직임 때문에 생기는 '흔들림'을 어떻게 구별해낼까?"**라는 아주 실용적인 문제를 해결한 연구입니다.

너무 어렵게 들리시나요? 쉽게 비유해서 설명해 드릴게요.

1. 문제 상황: 흔들리는 카메라로 찍은 사진

상상해 보세요. 여러분이 아주 예쁜 꽃밭 (뇌) 을 사진으로 찍고 싶다고 합시다. 그런데 사진기 (초음파 기기) 를 들고 있는 사람이 달리면서 사진을 찍어야 한다면 어떨까요?

• 결과: 꽃은 보이지만, 사진 전체가 흔들리고 흐릿해집니다.
• 현실: 이 연구에서는 '머리가 고정된 채로 달리는' 쥐의 뇌를 초음파로 찍었습니다. 쥐가 달릴 때 뇌도 미세하게 흔들리고, 심장이 빨리 뛰며 혈류가 변합니다. 이 때문에 뇌가 실제로 어떤 일을 하고 있는지 (예: 고통을 느끼는지) 보다는, **"쥐가 얼마나 빨리 달렸는지"**에 따른 신호가 더 크게 잡히는 문제가 생겼습니다.

기존에는 이 흔들림을 없애기 위해 "사진이 흔들린 부분은 아예 지워버리거나 (데이터 삭제)" 또는 **"모든 사진에서 공통적으로 흔들리는 부분을 기계적으로 제거 (PCA 제거)"**하는 방법을 썼습니다. 하지만 이 방법은 중요한 정보 (예: 쥐가 고통을 느낄 때의 뇌 신호) 까지 함께 지워버릴 위험이 있었습니다.

2. 이 연구의 해결책: "움직임을 기록하는 나침반"

연구팀은 새로운 방법을 고안했습니다. 바로 **"쥐의 움직임을 정확히 기록해서, 그 움직임을 수학적으로 '빼주는' 방법"**입니다.

• 비유: 사진을 찍을 때, 사진기 옆에 **"달리기 속도계"**와 **"머리 흔들림 센서"**를 달아놓았습니다.
• 작동 원리: 컴퓨터는 이렇게 말합니다.

  "아, 지금 이 흔들린 신호는 쥐가 10km/h 로 달렸기 때문에 생긴 거구나. 이 속도계 데이터를 보고 그 흔들림 부분을 계산해서 신호에서 딱 빼주자."

이렇게 하면, 움직임 때문에 생긴 '소음'은 제거되지만, 쥐가 고통을 느낄 때 뇌가 진짜로 보내는 '신호'는 그대로 남게 됩니다.

3. 실험 내용: 두 가지 상황 테스트

연구팀은 이 방법이 잘 작동하는지 두 가지 상황에서 테스트했습니다.

1. 시각 자극 실험 (조용한 상황):

   • 쥐에게 화면을 보여주며 뇌 반응을 봤습니다. 이때 쥐가 달리지 않는 상태와 달리는 상태를 비교했습니다.
   • 결과: 기존 방법 (움직임 데이터 무시) 은 달리는 동안 뇌가 어디가 반응하는지 정확히 못 잡았습니다. 하지만 이 연구의 방법 (움직임 데이터 활용) 은 달리지 않을 때와 거의 똑같은 정확한 뇌 지도를 그려냈습니다.

2. 고통 자극 실험 (혼란스러운 상황):

   • 쥐의 꼬리에 약한 전기를 쏘아 고통을 주었습니다. 이때 쥐는 공포에 질려서 미친 듯이 달리기 시작합니다.
   • 문제: 뇌가 "고통을 느꼈다"는 신호와 "달리느라 혈류가 변했다"는 신호가 뒤섞여 버립니다. 기존 방법으로는 이 두 가지를 구분할 수 없어 고통 신호가 사라져 버렸습니다.
   • 해결: 이 연구의 방법으로 움직임을 계산해 빼주니, 고통을 느낄 때 뇌의 특정 부위 (S1) 에서만 신호가 선명하게 살아났습니다. 마치 흐린 안개 (움직임) 를 걷어내니 등불 (고통 신호) 이 또렷하게 보이는 것과 같습니다.

4. 결론: 왜 이 연구가 중요한가요?

이 연구는 **"뇌를 연구할 때, 동물의 자연스러운 행동 (달리기, 놀기 등) 을 방해하지 않고도 정확한 뇌 지도를 그릴 수 있다"**는 것을 증명했습니다.

• 기존: "움직이면 안 돼. 움직이면 데이터 버려." (자연스러운 행동을 연구하기 어려움)
• 이제: "움직여도 괜찮아. 우리가 움직임을 계산해서 빼줄 테니까." (감정, 의사결정, 사회적 상호작용 같은 복잡한 행동을 연구할 수 있는 문이 열림)

한 줄 요약:

"달리는 쥐의 뇌를 찍을 때, 흔들림을 단순히 지우는 게 아니라 움직임 데이터를 '나침반'처럼 써서 흔들림을 정확히 제거함으로써, 뇌가 진짜로 느끼는 감정과 생각을 선명하게 볼 수 있게 되었습니다."

이제 우리는 쥐가 자유롭게 달리고, 놀고, 고통을 느낄 때의 뇌를 더 정확하게 이해할 수 있게 된 것입니다!

기술 요약

이 논문은 깨어 있는 상태의 고정된 머리를 가진 쥐 (awake, head-fixed mice) 에서 기능성 초음파 영상 (fUSI) 을 사용할 때 발생하는 운동 관련 교란 요인 (motion-related confounds) 을 해결하기 위한 새로운 모델링 프레임워크를 제안하고 검증한 연구입니다.

다음은 이 논문의 기술적 요약입니다.

1. 연구 배경 및 문제 제기 (Problem)

• fUSI 의 잠재력과 한계: 기능성 초음파 영상 (fUSI) 은 뇌 전체의 혈역학적 활동을 매핑할 수 있어 인간 뇌 영상 (fMRI) 과 동물 연구 간의 교량 역할을 할 수 있는 강력한 도구입니다. 그러나 fUSI 신호는 적혈구에 의한 초음파 후방 산란 (backscatter) 에 기반하므로, 뇌의 미세한 이동만으로도 이미지 재구성 시 큰 아티팩트 (artifacts) 가 발생합니다.
• 운동 관련 교란 요인의 복잡성:
  1. 기계적 왜곡: 뇌 - 프로브 간의 상대적 이동으로 인한 아티팩트.
  2. 전신 생리학적 변화: 운동 시 심박출량 증가 및 동맥 맥동 변화로 인한 뇌 혈량 변화 (신경 활동과 무관함).
  3. 신경적 동시 활성화: 운동 자체를 수행하는 과정에서 발생하는 운동 및 전운동 회로의 실제 신경 활동.
• 기존 방법의 부족: 기존에 사용되던 스펙트럼 클러터 필터링 (clutter filtering), 프레임 제거 (censoring), 또는 주성분 분석 (PCA) 을 통한 전역 성분 제거 (global component removal) 와 같은 방법은 데이터 기반 (signal-driven) 으로 작동하여 실제 동물의 운동을 명시적으로 고려하지 않습니다. 이로 인해 운동과 관련된 유용한 신경 - 행동 관계가 손실되거나, 역동적인 행동 실험에서 잔류 아티팩트가 남을 수 있습니다.

2. 방법론 (Methodology)

연구진은 행동 정보 기반 모델링 프레임워크 (behavior-informed modeling framework) 를 개발하여 일반 선형 모델 (GLM) 에 운동 변수를 명시적으로 통합했습니다.

• 실험 설계:
  • 시각 자극 실험: 최소한의 운동이 수반되는 시각적 자극 (그라팅) 과 함께 수행.
  • 유해 자극 (Noxious) 실험: 꼬리 전기 자극 (Tail shock) 을 주어 회피 행동 (달리기) 과 생리적 각성을 유발하는 실험.
• 데이터 수집:
  • fUSI 데이터는 두개골 창 (cranial window) 을 통해 획득.
  • 운동 측정: 런닝 휠에 장착된 인코더로 달리기 속도 (running speed) 를, 헤드플레이트에 부착된 3 축 가속도계로 머리 운동 (head motion) 을 연속적으로 기록.
• 데이터 전처리:
  • 급격한 아티팩트가 있는 프레임 (가속도계 또는 fUSI 신호 임계치 초과) 은 검출 후 보간 (interpolation) 처리.
  • 고역 통과 필터 (High-pass filter) 적용.
• GLM 모델링 전략:
  • 기존 방법 (PCA 기반 전역 성분 제거) 과 비교하기 위해 다양한 모델을 적용.
  • 핵심 모델: GLM 에 달리기 속도, 가속도 (1 차 미분), 그리고 이를 혈역학적 반응 함수 (HRF) 와 컨볼루션한 변수를 귀찮은 변수 (nuisance regressors) 로 포함.
  • 시각 실험에서는 시각 자극과 달리기 간의 상호작용 항 (interaction term) 도 포함하여 상태 의존적 변조를 모델링.
  • 유해 자극 실험에서는 자극 강도 (shock intensity) 와 운동 변수를 동시에 모델링하여 자극 특이적 반응을 분리.

3. 주요 결과 (Key Results)

A. 시각 자극 실험 (Visual Stimulation)

• 기준 설정: 운동이 없는 상태 (stationary trials) 에서의 반응을 '참값 (ground truth)'으로 간주.
• 성능 비교:
  • 운동 변수를 포함한 GLM 모델 (M3) 은 운동이 없는 상태의 반응 패턴과 가장 높은 상관관계 (r = 0.81) 를 보였습니다.
  • 운동 변수를 고려하지 않은 모델 (M2) 이나 단순 상관 분석은 시각 영역을 넘어선 넓은 영역에서 잘못된 활성화 패턴을 보였습니다.
  • PCA 제거와의 비교: 단순히 첫 번째 주성분 (PC1) 을 제거하는 방법 (blind denoising) 은 시각 반응 추정을 개선하지 못했으며, 오히려 GLM 기반 모델링이 운동 관련 변이를 더 정확하게 분리해냈습니다.

B. 유해 자극 실험 (Noxious Stimulation)

• 도전 과제: 전기 자극은 강한 달리기 반응을 유발하므로, 자극 반응과 운동 반응을 분리하기 매우 어렵습니다.
• 성능 비교:
  • 운동 변수를 포함하지 않은 모델 (M6) 은 자극 반응이 달리기 반응과 높은 상관관계를 보였으며, 이는 운동 아티팩트가 자극 반응으로 잘못 해석되었음을 의미합니다.
  • 행동 기반 GLM (M7) 은 자극 반응과 달리기 반응 간의 상관관계를 현저히 낮추어 (r = 0.14 vs 0.62) 두 신호를 성공적으로 분리했습니다.
  • 주요 발견: 1 차 체감각 피질 (S1) 에서 충격 강도 (shock intensity) 에 비례하는 신경 활동을 GLM 모델은 잘 보존했으나, PC1 을 제거하는 방법은 이 신호를 과도하게 제거하여 (β 값이 0 에 수렴하거나 음수가 됨) 자극 특이적 반응을 왜곡시켰습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 명시적 운동 모델링의 도입: fUSI 분석에 fMRI 에서 널리 쓰이는 운동 파라미터를 GLM 의 귀찮은 변수로 명시적으로 포함하는 방식을 처음 도입했습니다. 이는 데이터 기반의 '블라인드' 제거 방식보다 우월합니다.
2. 자연스러운 행동 연구 가능: 기존에는 운동 아티팩트 때문에 제한적이었던 복잡한 행동 (회피, 각성, 사회적 상호작용 등) 연구에서 fUSI 를 활용할 수 있는 길을 열었습니다.
3. 신호 보존과 아티팩트 제거의 균형: PCA 와 같은 전역 성분 제거는 운동과 관련된 신경 신호까지 함께 제거할 위험이 있으나, 제안된 방법은 운동 관련 변이를 설명하면서도 실험 조건과 관련된 해석 가능한 신경 변이를 보존합니다.
4. 임상 및 기초 연구의 교량: fUSI 의 높은 공간/시간 해상도와 휴대성을 살려, 동물 모델의 자연스러운 행동과 인간 뇌 영상 연구 간의 비교 가능성을 크게 높였습니다.

5. 결론

이 연구는 깨어 있는 쥐의 fUSI 데이터 분석에서 연속적인 행동 측정치 (달리기 속도, 머리 운동) 를 GLM 에 통합하는 것이 운동 관련 아티팩트를 효과적으로 제거하고, 자극 또는 인지 과정과 관련된 신경 반응을 정확하게 재구성할 수 있음을 입증했습니다. 이 접근법은 fUSI 를 더 자연스럽고 복잡한 행동 실험에 적용할 수 있는 표준 분석 프로토콜로 자리 잡을 것으로 기대됩니다.