Using machine learning to automate the analysis of an olfactory habituation-dishabituation task in mice

이 논문은 DeepLabCut 과 SimBA 를 결합한 머신러닝 파이프라인을 개발하여 마우스의 후각 습관화 - 이질화 과제를 자동화하고, 수동 분석과 동등한 정확도로 행동 데이터를 추출할 수 있음을 검증했습니다.

핵심

이 논문은 **"쥐가 냄새를 맡는 행동을 컴퓨터가 자동으로 분석하는 새로운 방법"**을 개발하고 검증한 연구입니다.

기존에는 사람이 일일이 비디오를 보며 "쥐가 코를 움직여 냄새를 맡았네, 3 초야"라고 손으로 기록해야 했지만, 이 연구는 인공지능 (AI) 을 이용해 그 과정을 자동화했습니다.

이 내용을 일반인도 쉽게 이해할 수 있도록 몇 가지 비유로 설명해 드릴게요.

---

1. 문제 상황: "눈이 안 보이는 카메라"와 "수작업의 한계"

쥐의 냄새 기억력을 테스트하는 실험 (후각 습관화 - 비습관화 과제) 이 있습니다. 쥐에게 익숙한 냄새와 새로운 냄새를 맡게 하고, 얼마나 오랫동안 코를 대고 있는지 (후각 반응) 를 측정합니다.

• 기존 방식: 연구자가 비디오를 보며 수동으로 시간을 재는 것은 마치 한 편의 영화를 보고 "주인공이 몇 번 숨을 들이마셨는지"를 일일이 손으로 세는 것처럼 매우 지루하고 시간이 많이 걸립니다.
• 기술적 난제: 이 실험은 쥐가 옆으로 서 있는 모습 (사이드 뷰) 을 찍습니다. 문제는 쥐가 냄새를 맡을 때 코가 음식 통이나 다른 물건에 가려져 눈으로 직접 보이지 않는 (가려진) 부분이 생긴다는 점입니다. 마치 사람이 책상 뒤에 숨어서 코만 살짝 내밀고 있는 상황을 상상해 보세요. 기존 카메라나 단순한 프로그램으로는 이 가려진 부분을 추적하기 어렵습니다.

2. 해결책: "명탐정 AI" 두 명이 팀을 이루다

연구진은 두 가지 강력한 AI 도구 (DeepLabCut 과 SimBA) 를 조합하여 이 문제를 해결했습니다.

• 1 단계: 몸짓을 읽는 명탐정 (DeepLabCut)
  • 이 AI 는 마치 마임 (몸짓 연기) 을 해석하는 전문가처럼 작동합니다. 쥐의 코, 귀, 꼬리 등 10 개의 몸 부위를 카메라 화면에서 찾아냅니다.
  • 비록 쥐의 코가 가려져 있어도, AI 는 "아, 귀가 이렇게 움직였으니 코는 저기 있을 거야"라고 추론해냅니다. 마치 실루엣만 보고도 누가 누구인지 알아맞히는 능력과 비슷합니다.
• 2 단계: 행동을 분류하는 판사 (SimBA)
  • 몸의 위치를 파악한 데이터를 받아, 이 AI 는 **"이 행동이 '냄새 맡기'인가, 아니면 그냥 '산책'인가?"**를 판단합니다.
  • 연구진은 이 AI 에게 "냄새 맡는 모습"과 "그렇지 않은 모습"을 수천 번 가르쳐서, 정답을 맞추는 확률을 90% 이상으로 높였습니다.

3. 검증 과정: "인간 vs 로봇" 대결

이제 이 AI 가 정말 잘하는지 확인해 봐야 합니다. 연구진은 이전에 사람이 수동으로 기록한 데이터 (정답지) 와 AI 가 분석한 데이터를 비교했습니다.

• 결과: AI 가 측정한 시간과 사람이 측정한 시간은 쌍둥이처럼 거의 일치했습니다. (상관관계 0.9 이상)
• 의미: 이는 AI 가 사람의 눈보다 더 정확하거나 적어도 동일한 수준의 신뢰도를 가진다는 뜻입니다. 마치 숙련된 요리사와 AI 로봇이 만든 요리의 맛을 비교했을 때, 구별하기 힘들 정도로 비슷했다는 것과 같습니다.

4. 왜 이것이 중요한가요? (실생활 비유)

이 연구의 핵심 가치는 **"효율성"**과 **"접근성"**에 있습니다.

1. 시간 단축: 사람이 몇 달 걸려 분석할 데이터를 AI 는 몇 시간 만에 처리합니다. 이는 수작업으로 편지를 쓰던 시대에 우편 배달이 트럭으로 바뀌는 것과 같은 혁신입니다.
2. 저렴한 장비: 고가의 특수 카메라나 복잡한 3D 장비가 필요 없습니다. 일반적인 데스크톱 컴퓨터 (게임용 그래픽카드 정도) 하나면 이 분석이 가능합니다.
3. 동물 복지: 쥐를 실험실 밖으로 꺼내지 않고, 집 (사육장) 에서 자연스럽게 생활하는 모습을 옆에서 찍기만 하면 됩니다. 쥐가 스트레스를 덜 받고, 연구자는 더 많은 데이터를 얻을 수 있습니다.

5. 결론: "미래의 연구는 자동화된다"

이 논문은 **"비록 카메라가 쥐의 코를 완전히 비추지 못하더라도, AI 는 그 가려진 부분을 추론해내고 정확한 데이터를 뽑아낼 수 있다"**는 것을 증명했습니다.

앞으로 알츠하이머나 파킨슨병 같은 뇌 질환을 연구할 때, 이 기술을 쓰면 쥐의 후각 능력 변화를 훨씬 빠르고 정확하게 파악할 수 있게 되어, 새로운 치료제 개발 속도가 빨라질 것으로 기대됩니다.

한 줄 요약:

"쥐가 냄새를 맡는 모습을 옆에서 찍은 영상만 있으면, AI 가 사람의 눈보다 똑똑하게 (혹은 똑같이) 그 시간을 재서, 뇌 질환 연구를 훨씬 빠르게 만들어주는 기술입니다."

기술 요약

제공된 논문 "Using machine learning to automate the analysis of an olfactory habituation-dishabituation task in mice (쥐의 후각 습관화 - 비습관화 과제 분석 자동화를 위한 머신러닝 활용)"에 대한 상세 기술 요약은 다음과 같습니다.

1. 문제 정의 (Problem)

• 기존 방법의 한계: 전임상 쥐 모델의 행동 분석은 수동으로 수행되는 경우가 많아 처리량이 낮고, 주관적 편향이 발생할 수 있으며, 시간이 많이 소요됩니다.
• 기술적 난제: 기존 머신러닝 (ML) 기반 행동 분석 도구들은 주로 상단 뷰 (top-view) 카메라를 사용하는 전통적인 과제에 최적화되어 있습니다. 그러나 후각 습관화 - 비습관화 (olfactory habituation-dishabituation) 과제는 쥐가 냄새 자극 (면봉) 과 상호작용하는 모습을 포착하기 위해 측면 뷰 (side-view) 카메라가 필요합니다.
• 측면 뷰의 어려움: 단일 측면 뷰 카메라를 사용할 경우, 쥐의 신체 일부가 가려지는 (occlusion) 문제가 발생하고 깊이 추정 (depth estimation) 이 어렵습니다. 또한, 대부분의 쥐 행동 데이터는 적외선 (IR) 을 사용하여 흑백으로 기록되므로, 기존 모델의 학습에 추가적인 어려움이 존재했습니다.

2. 방법론 (Methodology)

저자들은 DeepLabCut 과 SimBA 를 결합한 자동화 분석 파이프라인을 개발하여 후각 습관화 - 비습관화 과제의 '코를 대고 냄새 맡는 시간 (sniffing time)'을 정량화했습니다.

• 데이터 수집 및 전처리:
  • ALS/FTD 모델 (C9orf72GR400/+ 및 TardbpQ331K/Q331K) 과 대조군 (WT) 쥐를 대상으로 한 기존 연구 (Boyanova et al., 2025) 의 수동 주석 (ground-truth) 데이터 183 개 영상을 사용했습니다.
  • 학습을 위해 60 개의 영상을 무작위 추출하여 면봉이 제시되는 영역 (호퍼 근처) 으로 자르고 전처리했습니다.
• 포즈 추정 (Pose Estimation) - DeepLabCut (DLC):
  • DLC v2.3.9 를 사용하여 쥐의 10 개의 신체 부위 (코, 눈, 귀, 목, 등, 꼬리, 배 등) 와 냄새 자극 (면봉 끝, 호퍼 모서리 등) 의 위치를 추적했습니다.
  • ResNet-101 아키텍처를 기반으로 16 번의 재학습 (retraining) 사이클을 거쳤으며, 최종 테스트 오차는 약 2.42 픽셀 (약 1.1mm) 수준으로 낮췄습니다.
• 행동 분류 (Behavioral Classification) - SimBA:
  • DLC 에서 추출된 포즈 데이터를 SimBA v2.0.7 에 입력하여 '냄새 맡기 (sniff)'와 '냄새 맡지 않기 (not sniff)'를 분류하는 모델을 훈련시켰습니다.
  • 수동으로 주석된 데이터를 Solomon 형식으로 변환하여 SimBA 에 로드했습니다.
  • 랜덤 포레스트 (Random Forest) 알고리즘을 사용하며, 2000 개의 추정기 (estimators) 로 훈련하여 정밀도 (Precision) 0.92, 재현율 (Recall) 0.86 의 성능을 달성했습니다.
• 검증:
  • 훈련에 사용되지 않은 미시각 (unseen) 영상에 대해 파이프라인을 적용하고, 수동 점수와의 상관관계를 분석했습니다.
  • 통계 분석 (선형 혼합 모델, lmer) 을 통해 수동 점수와 ML 점수가 생물학적 결론 (유전자형, 성별, 냄새 유형 효과) 을 동일하게 도출하는지 확인했습니다.

3. 주요 기여 (Key Contributions)

• 측면 뷰 기반 자동화 파이프라인 개발: 신체 일부가 가려지는 단일 측면 뷰 (Side-view) 환경에서도 정확한 후각 상호작용 (코 냄새 맡기) 을 자동화할 수 있는 최초의 통합 파이프라인을 제시했습니다.
• 오픈 소스 도구 활용: DeepLabCut 과 SimBA 라는 널리 사용되고 검증된 오픈 소스 도구를 결합하여, 고성능 컴퓨팅 클러스터 없이도 데스크탑 GPU (Nvidia RTX4090) 로 실행 가능한 접근성 높은 솔루션을 제공했습니다.
• 데이터 재사용성 및 확장성: 기존에 수동으로 주석된 대규모 데이터를 학습 및 검증에 활용하여, 새로운 질병 모델 연구에서도 이 파이프라인을 적용하거나 적응시킬 수 있음을 입증했습니다.

4. 결과 (Results)

• 높은 상관관계: ML 파이프라인이 산출한 냄새 맡기 시간과 수동 점수 간의 상관관계가 매우 높았습니다 (Pearson r = 0.87~0.93, p < 0.001). 이는 두 명의 수동 점수자 간의 상관관계와 유사한 수준입니다.
• 기술적 및 생물학적 결과 일치:
  • 기술적 유효성: 냄새 습관화 (반복 노출 시 반응 감소) 와 비습관화 (새로운 냄새 노출 시 반응 증가) 패턴을 ML 데이터가 수동 데이터와 동일하게 포착했습니다.
  • 생물학적 결론: 유전자형 (WT vs 변이체), 성별, 연령에 따른 통계적 유의성 및 상호작용 효과가 ML 데이터와 수동 데이터 모두에서 동일하게 나타났습니다.
  • 필터링 편향: 일부 조건 (Tardbp 모델의 67 주 시점) 에서 데이터 필터링 (10 초 미만 반응 제외) 비율에 약간의 차이가 있었으나, 이는 최종 생물학적 결론에는 영향을 미치지 않았습니다.
• 성능 지표: SimBA 분류기는 '냄새 맡기' 클래스에서 F1 점수 0.89, '냄새 맡지 않기' 클래스에서 F1 점수 0.98 을 기록하여 높은 정확도를 보였습니다.

5. 의의 및 중요성 (Significance)

• 연구 효율성 증대: 수동 분석에 소요되는 시간을 획기적으로 단축하여 전임상 연구의 처리량 (throughput) 을 높이고 과학적 가치를 증대시킵니다.
• 고 welfare 환경 적용 가능: 단일 카메라 측면 뷰는 쥐가 사육되는 홈 케이지 (Home cage) 환경에 적합하며, 그룹 사육 및 장기간의 종단적 (longitudinal) 행동 데이터 수집을 가능하게 합니다.
• 접근성: 고가의 장비나 복잡한 다중 카메라 시스템 없이도, 일반적인 데스크탑 환경에서 고품질의 자동화된 행동 데이터를 얻을 수 있어 연구의 민주화를 촉진합니다.
• 미래 전망: 이 파이프라인은 후각 과제뿐만 아니라, 단일 측면 뷰로 관찰 가능한 다른 복잡한 쥐 행동 (예: 핥기, 물기 등 다른 상호작용 구분) 분석으로 확장될 수 있는 기반을 마련했습니다.

요약하자면, 이 연구는 측면 뷰 카메라의 기술적 한계를 머신러닝 (DeepLabCut + SimBA) 으로 극복하여, 쥐의 후각 행동 분석을 자동화하고 수동 분석과 동등한 신뢰성을 확보한 획기적인 방법론을 제시했습니다.