Quantifying Behavioral Structure and Persistence in Open-Field Assays Using Entropy and Spectral Metrics

이 논문은 AVATAR-3D 와 Keypoint-MoSeq 를 결합하여 행동 시퀀스를 '음절'로 변환하고, 엔트로피와 고유값 (Eigen2) 을 통해 행동의 분산과 시간적 지속성을 정량화함으로써 개방장 실험의 행동 구조를 확률적 동역학 시스템으로 이해하는 새로운 프레임워크를 제시합니다.

핵심

이 논문은 쥐가 넓은 공간 (오픈 필드) 에서 어떻게 움직이는지 분석하는 새로운 방법을 소개합니다. 기존의 방식과 이 새로운 방식의 차이, 그리고 무엇을 발견했는지 쉽게 설명해 드릴게요.

🐭 쥐의 행동을 '악보'로 읽는 새로운 방법

1. 기존의 방식: "얼마나 많이 움직였나?" (단순 계수)
예전에는 쥐가 얼마나 빨리 달렸는지, 총 거리를 얼마나 갔는지, 중앙에 얼마나 머물렀는지 같은 단순한 숫자만 세었습니다.

• 비유: 마치 사람의 하루를 "총 1 만 걸음 걸음"이라고만 기록하는 것과 같습니다. 걷는 동안 무엇을 했는지, 어떤 순서로 행동했는지는 알 수 없죠.

2. 새로운 방식: "행동의 악보 (Syllables) 를 찾아내다"
이 연구팀은 쥐의 움직임을 3D 카메라로 정밀하게 찍고, 인공지능 (AI) 을 이용해 쥐의 행동을 작은 조각들인 **'음절 (Syllable)'**로 나눕니다.

• 비유: 쥐의 행동을 하나의 긴 영화가 아니라, **'노래의 악보'**로 바꾼 것입니다.
  • '코를 킁킁거리는 행동' = 도레미
  • '돌아서서 뛰는 행동' = 파솔라
  • '그냥 가만히 있는 행동' = 시
  • AI 는 이 작은 행동 조각들이 어떻게 이어져서 하나의 '행동 노래'를 만드는지 분석합니다.

3. 두 가지 새로운 측정 도구: "혼란도"와 "고착도"
연구팀은 이 '행동 악보'를 분석하기 위해 수학적인 두 가지 도구를 사용했습니다.

• 엔트로피 (Entropy) = "행동의 다양성 (혼란도)"

  • 쥐가 다양한 행동을 골고루 섞어서 하는지, 아니면 몇 가지 행동만 반복하는지를 봅니다.
  • 높은 엔트로피: 쥐가 "오늘은 뭐든 해볼래!"라며 다양한 행동을 섞어서 함 (다양함).
  • 낮은 엔트로피: 쥐가 "나는 오늘 이 행동만 할 거야"라며 몇 가지 행동만 반복함 (단조로움).

• 고유값 (Eigen₂) = "행동의 고착도 (지속성)"

  • 쥐가 한 행동을 하고 나서 다음 행동을 얼마나 빨리 바꾸는지, 혹은 같은 행동을 얼마나 오래 유지하는지를 봅니다.
  • 값이 1 에 가까울수록: 행동이 쉽게 바뀌지 않고 오래 지속됨 (고정관념적).
  • 값이 작을수록: 행동이 빠르게 뒤섞여 변함 (유연함).

---

🔬 실험 결과: 쥐가 무엇을 배웠는가?

1. 쥐는 시간이 지날수록 '익숙해진다' (습관화)
쥐를 처음 방에 넣었을 때는 다양한 행동을 섞어서 했습니다 (엔트로피 높음). 하지만 시간이 지나면, 쥐는 "여기는 안전하구나"라고 생각하며 행동이 더 예측 가능하고 단순해졌습니다 (엔트로피 낮아짐, 고착도 증가). 이는 쥐가 환경을 익히는 자연스러운 과정입니다.

2. 케타민 (약물) 을 주사하면 행동이 '뒤틀린다'
정신분열증 연구에 쓰이는 약물인 '케타민'을 쥐에게 주사했을 때 흥미로운 일이 일어났습니다.

• 전체적인 변화: 쥐의 행동이 평소보다 훨씬 다양해지고 흩어졌습니다 (엔트로피 증가). 마치 평소에는 정해진 길로 다니던 사람이 갑자기 여기저기 헤매는 것처럼요.
• 하지만, 세부적인 변화는 반대였습니다!
  • 케타민을 맞은 쥐: 특정 행동 (예: 빙글빙글 돌기, 급하게 방향 전환하기) 을 할 때는 그 행동이 매우 예측 가능하고 고착되었습니다. (로코모터 행동의 경직화)
  • 대조군 (생리식염수) 쥐: 평소 탐색 행동 (기어오르기, 멈춰서 주변 살피기) 을 할 때 행동이 더 유연했습니다.

🌟 핵심 발견 (역설):
케타민을 맞은 쥐는 전체적으로는 매우 혼란스럽고 다양해 보이지만, 정작 특정 행동 패턴 안에서는 매우 경직되고 반복적이었습니다. 마치 "머리는 여기저기 헤매는데, 몸은 같은 동작만 반복하는" 상태가 된 것입니다.

💡 결론: 왜 이 연구가 중요한가요?

이 연구는 단순히 "쥐가 많이 움직였나?"를 세는 것을 넘어, 행동의 '구조'와 '리듬'을 분석할 수 있게 했습니다.

• 창의적인 비유: 기존의 방법은 "사람이 하루 종일 춤을 추었다"라고만 기록했지만, 이 새로운 방법은 **"그 춤이 즉흥적인 재즈인지, 아니면 기계적인 로봇 춤인지, 그리고 그 리듬이 얼마나 유연한지"**까지 분석할 수 있게 해줍니다.

이 기술은 정신 질환 (우울증, 조현병 등) 이나 약물 중독으로 인해 뇌의 행동 조절 시스템이 어떻게 망가지는지를 훨씬 더 정밀하게 진단하고 이해하는 데 큰 도움을 줄 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존 방법의 한계: 전통적인 오픈필드 (Open-field) 실험은 평균 속도, 이동 총 거리, 중앙 영역 체류 시간 등 저차원의 스칼라 지표 (Low-dimensional scalar metrics) 에 의존합니다.
• 문제점: 이러한 지표들은 동물의 운동 패턴과 선호도에 대한 통찰을 제공하지만, 자발적 행동의 역동적 (dynamical) 이고 시간 의존적인 복잡성을 간과합니다. 즉, 개별 행동 단위의 연속성, 구조, 그리고 시간에 따른 변화를 포착하지 못합니다.
• 목표: 행동 데이터를 단순한 행동의 집합이 아닌, 확률적 동적 시스템 (Stochastic Dynamical System) 으로 간주하여, 행동의 조직화와 시간적 지속성을 정량화할 수 있는 새로운 프레임워크를 구축하는 것입니다.

2. 방법론 (Methodology)

이 연구는 AVATAR-3D 와 Keypoint-MoSeq(KPMS) 기술을 결합한 고처리량 (High-throughput) 파이프라인을 개발하고, 여기에 정보 이론 및 스펙트럼 분석을 적용했습니다.

A. 데이터 수집 및 전처리

• AVATAR-3D: 마커리스 (Markerless) 3D 포즈 추정을 위해 5 개의 카메라를 사용하여 20cm x 20cm 의 큐브형 아레나에서 자유롭게 움직이는 쥐를 촬영합니다. (기존 DLC 등 단일 깊이 카메라 대비 가려짐 문제 해결 및 정확도 향상).
• 포즈 추정: 9 개의 해부학적 랜드마크 (코, 목, 몸통 중심, 네 개의 사지, 항문, 꼬리 끝) 를 추적하나, 꼬리 끝은 노이즈가 많아 모델링에서 제외하고 8 개 랜드마크를 사용합니다.
• 차원 축소: 3D 좌표 데이터를 PCA(주성분 분석) 를 통해 차원을 축소합니다 (최대 10 개 성분 또는 분산 90% 이상 설명). 이는 계산 효율성을 높이고 노이즈를 제거합니다.

B. 행동 분할 및 시퀀싱 (Keypoint-MoSeq)

• AR-HMM 모델: 축소된 포즈 궤적을 입력받아 자가회귀 은닉 마르코프 모델 (Autoregressive Hidden Markov Model, AR-HMM) 을 사용하여 연속적인 데이터를 이산적이고 반복되는 행동 단위인 '음절 (Syllables)' 로 분할합니다.
• 특징: 사전 정의된 행동이 아닌, 데이터에서 하향식 (Bottom-up) 으로 패턴을 추출합니다.

C. 정량화 지표 (핵심 기여)

행동 시퀀스를 마르코프 전이 행렬 $P$로 변환하고, 다음 두 가지 지표를 계산합니다:

1. 섀넌 엔트로피 (Shannon Entropy, $H$):
   • 글로벌 엔트로피: 행동 상태의 전체 분포가 얼마나 퍼져 있는지를 측정합니다. (높을수록 행동 repertoire 가 다양하고 분산됨).
   • 로컬 엔트로피 ($H_i$): 특정 음절에서 다음 상태로 전이할 때의 불확실성 (분산) 을 측정합니다. (낮을수록 행동 전이가 예측 가능하고 고정됨).
2. 스펙트럼 지표 (Second-largest Eigenvalue, $\lambda_2$):
   • 전이 행렬의 두 번째로 큰 고유값을 추출합니다.
   • 의미: 행동 시퀀스의 혼합 속도 (Mixing rate) 와 시간적 지속성 (Persistence) 을 나타냅니다. 값이 1 에 가까울수록 행동 전이가 느리고 특정 상태에 머무는 시간이 길어짐 (강한 지속성) 을 의미합니다.

3. 주요 결과 (Results)

A. 야생형 (Wild-type) 쥐의 행동 구조 분석

• 구조화된 행동: 쥐의 자발적 행동은 무작위가 아닌, 특정 음절들이 빈번하게 사용되고 일관된 전이 패턴을 보이는 안정된 행동 레퍼토리로 구성됨을 확인했습니다.
• 습관화 (Habituation) 현상: 30 분 실험을 10 개 구간으로 나누어 분석한 결과, 시간이 지남에 따라 글로벌 엔트로피는 감소하고 $\lambda_2$는 증가하는 경향을 보였습니다. 이는 초기의 탐색적이고 다양한 행동이 시간이 지나면서 환경에 익숙해지며 더 제한적이고 예측 가능한 행동으로 수렴하는 습관화 과정을 정량적으로 증명했습니다.

B. 케타민 (Ketamine) 투여에 따른 행동 변화

• 실험 설계: 케타민 (30 mg/kg) 과 생리식염수 대조군을 비교했습니다.
• 글로벌 엔트로피 증가: 케타민 투여군은 대조군에 비해 글로벌 엔트로피가 유의하게 높았습니다. 이는 행동이 특정 상태에 집중되지 않고 전체적으로 더 넓게 분산됨을 의미합니다.
• 국소 엔트로피의 역전 (Inversion):
  • 케타민 선호 음절: 빈도는 높았으나 로컬 엔트로피는 낮았습니다. (특정 행동 패턴이 반복되고 전이가 고정됨).
  • 생리식염수 선호 음절: 빈도는 낮았으나 로컬 엔트로피는 상대적으로 높았습니다.
  • 해석: 케타민은 전체적인 행동의 다양성 (글로벌 엔트로피) 을 증가시키지만, 동시에 특정 행동 패턴 (회전, 돌기 등) 내부에서는 전이의 경직성 (고정성) 을 증가시킵니다. 이는 스케일에 따른 행동 구조의 재구성을 보여줍니다.
• 행동 양상: 케타민군은 회전 (pivoting), 돌기 (turning) 등 반복적인 운동 패턴이 증가했고, 대조군은 탐색 및 자세 유지 행동이 우세했습니다.

4. 주요 기여 및 의의 (Significance)

1. 새로운 행동 분석 패러다임: 기존의 단순한 운동량 측정을 넘어, 행동을 확률적 동적 시스템으로 모델링하여 그 구조 (Structure) 와 시간적 지속성 (Persistence) 을 정량화하는 새로운 프레임워크를 제시했습니다.
2. 다중 스케일 지표의 통합:
   • 엔트로피: 행동의 분산 정도 (다양성) 를 측정.
   • 고유값 ($\lambda_2$): 행동의 시간적 안정성과 혼합 속도를 측정.
   • 이 두 지표의 결합은 행동의 전체적 조직화 (Global organization) 와 국소적 전이 규칙 (Local transition rules) 을 동시에 파악할 수 있게 합니다.
3. 약리학적 및 신경정신과적 연구 적용 가능성: 케타민 실험을 통해 이 방법론이 약물로 인한 미세한 행동 변화 (예: 조현병 모델에서의 행동 재구성) 를 민감하게 포착할 수 있음을 입증했습니다. 특히, '전체적 다양성 증가'와 '국소적 고정성 증가'라는 상반된 현상을 동시에 발견함으로써, 기존 방법론으로는 볼 수 없었던 행동 병리 현상을 해석할 수 있는 통찰을 제공했습니다.
4. 기술적 우수성: AVATAR-3D 와 Keypoint-MoSeq 의 결합을 통해 3D 공간에서의 고해상도 포즈 데이터를 효율적으로 처리하고, 이를 정보 이론적 지표로 변환하는 자동화된 파이프라인을 구축했습니다.

결론

이 논문은 행동 분석을 단순한 '무엇 (What)'에서 '어떻게 (How) 그리고 언제 (When)'로 확장시켰습니다. 엔트로피와 스펙트럼 분석을 통해 자발적 행동의 숨겨진 구조와 역동성을 정량화함으로써, 신경과학 및 약리학 연구에서 행동 변화를 더 깊이 있고 정밀하게 이해할 수 있는 강력한 도구를 제시했습니다.