BEEhaviourLab: A high-throughput platform for sublethal stressor screening in insects

이 논문은 저비용 자동화 플랫폼인 BEEhaviourLab 을 통해 다양한 곤충의 행동과 소리를 고처리량으로 분석함으로써, 기존 치사량 중심의 위험 평가 한계를 극복하고 아치사 농도에서의 신경독성 영향을 민감하게 탐지할 수 있음을 입증했습니다.

핵심

이 논문은 **"BEEhaviourLab(비행실험실)"**이라는 새로운 시스템을 소개하고, 이를 통해 벌과 같은 곤충들이 독성 물질에 노출되었을 때 어떻게 반응하는지 아주 정밀하게 관찰하는 방법을 보여줍니다.

기존의 화학 물질 안전성 평가는 "벌이 죽었는지, 안 죽었는지"만 확인하는 경우가 많았습니다. 하지만 이 연구는 **"벌이 죽지는 않았더라도, 너무 지쳐서 날아다니거나 소리를 내지 못한다면 그 역시 큰 문제"**라는 점을 강조합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제 상황: "죽지 않았지만, 망가진 벌들"

과거에는 농약이나 약품이 벌에게 안전한지 확인하기 위해, 벌을 약에 노출시켜 몇 마리가 죽는지만 세었습니다. 이는 마치 "사람이 감기에 걸려서 죽었는지"만 확인하는 것과 같습니다.

하지만 실제로는 죽지 않았더라도, 약 때문에 기분이 안 좋아서 밥도 못 먹고, 길을 잃고, 노래도 못 부는 벌들이 많습니다. 이런 '아픈 상태'를 발견하기는 매우 어려웠습니다. 왜냐하면 수천 마리의 벌을 일일이 지켜보며 "저 벌이 이상하네?"라고 눈으로 확인하는 것은 불가능에 가깝기 때문입니다.

2. 해결책: "BEEhaviourLab(비행실험실)"이라는 자동화 카메라

연구팀은 이 문제를 해결하기 위해 **'BEEhaviourLab'**이라는 시스템을 만들었습니다. 이 시스템은 다음과 같은 특징이 있습니다.

• 스마트 감시 카메라: 벌들이 들어있는 상자에 카메라와 마이크를 설치해 두었습니다.
• AI 심판: 이 카메라는 'YOLO'라는 인공지능을 탑재하고 있어, 벌이 움직일 때나 날개를 퍼덕일 때 소리를 내는 것을 자동으로 감지합니다.
• 태그 없는 추적: 벌 등에 번호표를 붙일 필요 없이, AI 가 벌의 모양을 보고 자동으로 따라다닙니다. 마치 스포츠 경기에서 심판이 선수들의 번호를 보지 않고도 누구를 쫓아다니는지 아는 것과 같습니다.
• 저렴하고 확장 가능: 값비싼 장비 대신 라즈베리 파이 (작은 컴퓨터) 와 일반 카메라를 써서, 한 번에 수백 개의 실험을 동시에 할 수 있습니다.

3. 실험 내용: "모넥세틴 (가축용 구충제) 이 벌에게 미치는 영향"

연구팀은 가축의 기생충을 잡는 데 쓰이는 **'모넥세틴'**이라는 약이 벌에게 어떤 영향을 미치는지 실험했습니다.

• 실험 결과 1 (움직임): 약을 조금만 먹인 벌들도 평소보다 훨씬 덜 움직였습니다. 마치 술에 취한 사람처럼 비틀거리거나, 아예 꼼짝도 하지 않는 것입니다.
• 실험 결과 2 (소리): 벌은 날개 짓을 할 때 '윙윙' 소리를 냅니다. 하지만 약을 먹은 벌들은 이 소리를 내는 횟수가 급격히 줄었습니다. 소리 분석이 움직임 분석보다 더 민감하게 약의 영향을 감지했습니다.
• 결론: 벌이 죽기 훨씬 전 (사망 농도의 30 배 이상 낮은 농도) 에도 벌들의 행동이 크게 망가졌습니다. 즉, **"벌이 죽지 않았다고 해서 안전한 것은 아니다"**라는 것을 증명했습니다.

4. 핵심 메시지: "새로운 안전 기준의 필요성"

이 연구는 다음과 같은 중요한 메시지를 전달합니다.

"우리는 이제 벌이 죽기 전에, 벌이 '행동'하는 방식이 어떻게 변하는지 정밀하게 측정할 수 있습니다."

기존의 '죽음'을 기준으로 삼는 방식은 너무 늦은 감이 있습니다. BEEhaviourLab 같은 시스템을 통해 벌이 약간의 약만 먹어도 얼마나 지쳐서 일상생활 (수분, 이동, 소리 내기) 을 못 하는지를 미리 발견하면, 더 안전한 농약과 약품을 개발하고 환경 보호에 기여할 수 있습니다.

요약

이 논문은 **"AI 카메라와 마이크를 이용해 벌들의 '일상생활'을 감시함으로써, 벌이 죽기 전에 약의 위험성을 미리 찾아내는 새로운 방법"**을 제시한 것입니다. 이는 마치 "사람이 쓰러지기 전에 어지러움이나 피로도를 체크하여 건강을 관리하는 것"과 같은 원리입니다.

기술 요약

논문 개요: BEEhaviourLab

이 연구는 곤충, 특히 수분 매개자 (벌 등) 에 대한 화학 물질의 아사성 (sublethal, 치사량이 아닌) 스트레스 영향을 평가하기 위한 저비용, 자동화, 고처리량 (high-throughput) 행동 분석 플랫폼인 BEEhaviourLab을 소개합니다. 기존 화학 위험 평가가 주로 치사량 (mortality) 에 의존하여 생태학적으로 중요한 아사성 효과를 놓치고 있다는 문제를 해결하기 위해 개발되었습니다.

---

1. 연구 배경 및 문제 제기 (Problem)

• 기존 평가의 한계: 현재 곤충에 대한 화학 물질 위험 평가는 주로 꿀벌 (Apis mellifera) 등 소수의 모델 종을 대상으로 한 급성 치사량 (LD50) 테스트에 의존합니다.
• 아사성 효과의 중요성: 화학 물질 노출은 사망을 유발하지 않더라도 행동, 발달, 면역, 의사소통 등에 치명적인 영향을 미쳐 개체군 및 생태계 수준으로 파급될 수 있습니다. 특히 신경독성 물질은 미세한 행동 변화를 유발할 수 있으나, 이를 표준화되고 확장 가능한 방식으로 정량화하는 것은 어렵습니다.
• 수단 부족: 수분 매개자 (벌, 파리 등) 를 대상으로 다양한 종을 아우르는 표준화된 고처리량 행동 독성학 플랫폼이 부재했습니다.

2. 방법론 (Methodology)

A. 하드웨어 및 시스템 아키텍처 (BEEhaviourLab)

• 모듈형 분산 시스템: Raspberry Pi 4B, NoIR 카메라 (적외선), RØDE 스마트 마이크, DHT22 센서 (온도/습도) 를 탑재한 독립적인 녹화 유닛 (노드) 을 다수 병렬로 운영합니다.
• 자동화 제어: 중앙 컴퓨터에서 Wi-Fi 를 통해 모든 노드를 원격 제어하며, 실험 조건 (조명, 녹화 간격, 기간 등) 을 설정합니다.
• 다중 모달 데이터 수집: 비디오 (시각) 와 오디오 (청각) 를 동기화하여 장기간 (최대 48 시간 이상) 녹화합니다.

B. 소프트웨어 및 분석 파이프라인

• 컴퓨터 비전 (Computer Vision):
  • YOLOv8n (Nano): 태그 (표지) 없이 여러 마리의 곤충을 동시에 추적하는 경량 객체 감지 모델 사용.
  • 다종 학습 (Multi-species Training): 단일 종 (왕벌) 으로만 학습된 모델은 다른 종에 적용 시 성능이 저하되었으나, 4 종 (왕벌, 꿀벌, 담쟁이벌, 말벌) 의 데이터를 혼합하여 학습한 모델은 모든 종에서 높은 정밀도 (Precision > 0.98) 를 보였습니다.
  • 추적 알고리즘: BoT-SORT 를 기반으로 하되, 고정된 개체 수를 유지하기 위해 할로겐 알고리즘 (Hungarian algorithm) 을 적용하여 ID 스와프를 방지하고 결측 데이터를 보정했습니다.
• 오디오 분석:
  • 0.1 초 단위의 오디오 프레임을 에너지 임계값을 기반으로 '윙윙거리는 소리 (buzzing)'와 '무음'으로 분류하여 벌의 활동 상태를 판별합니다.
• 통계 분석:
  • 이분산 혼합 효과 모델 (Two-part mixed-effects model): 행동 상태를 '이동 여부 (확률)'와 '이동 시 속도 (조건부)'로 분리하여 분석.
  • 영구분포 모델 (Zero-inflated models): 아음 (buzzing) 이 전혀 없는 경우와 있는 경우를 분리하여 분석.
  • 생체리듬 분석: 24 시간 주기의 사인/코사인 항을 포함한 조화 모델 (Harmonic model) 로 일주기 리듬 (circadian rhythm) 분석.

3. 주요 연구 결과 (Key Results)

A. 교차 종 행동 특성 규명

• 종별 차이: 4 종 (왕벌, 꿀벌, 담쟁이벌, 말벌) 의 48 시간 행동 데이터를 분석한 결과, 종마다 활동 패턴, 이동 확률, 이동 속도, 윙윙거리는 소리의 빈도가 뚜렷하게 달랐습니다.
• 일주기 리듬: 꿀벌과 담쟁이벌은 강한 주간 활동 리듬을 보인 반면, 왕벌은 일주기 내내 활동이 유지되어 리듬이 약화되었고, 말벌은 불규칙한 패턴을 보였습니다.
• 모델 성능: 단일 다종 모델은 다양한 크기와 형태를 가진 곤충을 태그 없이 정확하게 추적하여 종 간 비교 분석을 가능하게 했습니다.

B. 모キシ데크틴 (Moxidectin) 의 아사성 독성 평가

• 실험 설계: 왕벌 (Bombus terrestris) 에게 모キシ데크틴 (가축용 구충제) 을 접촉 노출시킨 후 행동 변화를 관찰.
• 행동 저하:
  • 이동성: 용량 의존적으로 이동 확률이 급격히 감소했습니다 (가장 민감한 지표). 이동하는 개체 내에서도 속도도 감소했으나 그 영향은 작았습니다.
  • 소리 (Buzzing): 윙윙거리는 소리가 아예 발생하지 않을 확률이 용량에 따라 선형적으로 증가했습니다.
  • 리듬 파괴: 고농도에서 일주기 리듬의 진폭과 위상이 왜곡되었습니다.
• 사회적 거리: 벌 간의 거리는 용량에 따라 유의미한 변화가 없었습니다.

C. 아사성 독성 지수 (Sublethal Toxicity Index) 및 민감도 비교

• 통합 지수: 이동 확률, 이동 속도, 윙윙거리는 소리의 확률을 종합하여 '아사성 독성 지수'를 산출했습니다.
• 민감도: 행동 변화가 관찰된 최소 유효 농도 (LOEC) 는 약 2.73 ng/벌이었으며, 이는 48 시간 치사량 (LD50, 81.2 ng/벌) 보다 약 30 배 낮습니다.
• 결론: 행동 분석 (특히 이동 확률과 소리) 은 치사량 테스트보다 훨씬 낮은 농도에서 신경독성 영향을 감지할 수 있음을 입증했습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 표준화된 고처리량 플랫폼: 저비용 하드웨어와 오픈소스 소프트웨어를 결합하여, 수분 매개자 종을 아우르는 표준화된 행동 독성학 스크리닝을 가능하게 했습니다.
2. 태그 없는 다종 추적: 물리적 태그 없이도 YOLO 기반의 단일 모델로 다양한 종의 곤충을 동시에 추적할 수 있어, 실험 비용과 편향을 줄였습니다.
3. 아사성 효과의 정량화: 치사량 중심의 기존 평가 방식을 넘어, 행동 변화 (이동, 소리, 리듬) 를 정량화하여 화학 물질의 생태학적 위험을 더 일찍, 더 정확하게 감지할 수 있는 방법론을 제시했습니다.
4. 규제적 적용 가능성: 행동 데이터를 치사량 기준과 비교 가능한 표준화된 지수 (Effect-size threshold) 로 변환함으로써, 향후 화학 물질 규제 및 위험 평가에 행동 종말점 (behavioral endpoints) 을 통합하는 실질적인 길을 열었습니다.

5. 결론

BEEhaviourLab 은 신경독성 물질이 곤충의 행동에 미치는 미세한 영향을 대규모로 감지할 수 있는 강력한 도구입니다. 이 연구는 모キシ데크틴이 치사 농도보다 훨씬 낮은 수준에서 벌의 이동과 소음 활동을 억제함을 보여주었으며, 이는 수분 매개자 보호를 위한 화학 물질 관리 정책 수립에 중요한 과학적 근거를 제공합니다.