Integrating supervised and unsupervised machine learning for behavior segmentation reveals latent frailty signatures and improves aging clocks in isogenic and outbred mice

이 연구는 유전적으로 동일한 마우스와 다양한 유전적 배경을 가진 마우스를 대상으로 감시학습과 비지도학습 기반 행동 분석을 통합함으로써 노화 관련 징후를 더 정밀하게 포착하고 노화 시계 예측 정확도를 향상시키는 동시에, 행동적 노화 표현형이 집단 특이적임을 규명했습니다.

핵심

🐭 1. 문제: "수제 시계"는 너무 귀찮고 실수가 많아요

기존에 쥐의 노화 (나이가 들면서 약해지는 정도) 를 측정할 때는 훈련된 전문가가 직접 쥐를 관찰하고 점수를 매기는 방식 (수동 평가) 을 썼습니다.

• 비유: 마치 수제 시계를 만드는 장인이 하나하나 손으로 톱니바퀴를 맞추는 것과 같습니다.
• 문제점:
  1. 시간이 너무 많이 걸려요: 전문가가 직접 봐야 하므로 대량 생산이 불가능합니다.
  2. 사람마다 다릅니다: A 전문가와 B 전문가가 같은 쥐를 봐도 점수가 다를 수 있습니다 (편차).
  3. 보이지 않는 것을 놓칩니다: 인간이 '노화와 관련 있다'고 알고 있는 행동 (예: 걷는 속도, 등이 구부정한 정도) 만 보지, 그 외의 미세한 변화는 놓칠 수 있습니다.

🔍 2. 해결책: 두 가지 '눈'을 합치다

연구진은 이 문제를 해결하기 위해 두 가지 다른 기술을 결합했습니다.

👁️ 눈 1: "전문가가 가르친 AI" (지도 학습)

• 방식: 인간 전문가가 "노화되면 이렇게 걷고, 이렇게 구부린다"라고 미리 정의해 준 행동 데이터를 AI 에게 가르쳤습니다.
• 비유: 지도된 등산로를 따라가는 것과 같습니다. "이 길이 노화 징후야"라고 표시된 길만 따라갑니다.
• 장점: 해석이 쉽고, 우리가 알고 있는 중요한 지표들을 잘 잡아냅니다.
• 단점: 우리가 모르는 새로운 징후는 찾아내지 못합니다.

👁️ 눈 2: "스스로 배우는 AI" (비지도 학습 - KPMS)

• 방식: 인간이 아무것도 가르치지 않고, 쥐의 모든 움직임을 AI 가 스스로 분석하게 했습니다. AI 는 쥐가 움직이는 모든 순간을 '단어 (음절)'로 쪼개서 패턴을 찾습니다.
• 비유: 미지의 숲을 탐험하는 것입니다. 지도 없이 숲 전체를 훑어보며 "어? 저기 이상한 나뭇잎 패턴이 있네?"라고 스스로 발견합니다.
• 장점: 인간이 미처 생각하지 못한 숨겨진 노화 신호를 찾아냅니다.
• 단점: 발견한 것이 정확히 무슨 뜻인지 해석하기 어렵고, 데이터가 너무 많아서 혼란스러울 수 있습니다.

🚀 3. 실험 결과: "혼합 시계"가 가장 정확해요!

연구진은 이 두 가지 눈을 가진 AI 를 C57BL/6J(유전적으로 똑같은 쥐) 와 Diversity Outbred(유전적으로 다양한 쥐) 두 종류에 적용했습니다.

• 결과 1: 혼자서만 봤을 때는 '전문가 AI'가 나이를 재는 데 더 잘했지만, '스스로 배우는 AI'도 놀라울 정도로 잘했습니다.
• 결과 2 (핵심): 두 눈을 모두 합친 AI가 가장 정확했습니다!
  • 전문가가 알려준 지표 + AI 가 새로 발견한 숨겨진 신호를 합치니, 쥐의 실제 나이와 건강 상태를 훨씬 더 정밀하게 예측할 수 있었습니다.
  • 마치 수제 시계의 정밀함에 AI 카메라의 넓은 시야를 더해서, 시계 바늘이 멈추기 전의 미세한 진동까지 다 잡아낸 것과 같습니다.

⚠️ 4. 중요한 발견: "쥐마다 노화하는 방식이 달라요"

가장 흥미롭고 중요한 점은 유전적으로 다른 쥐들 사이에서는 AI 가 잘 통하지 않았다는 것입니다.

• 비유: 한국 사람과 미국 사람의 얼굴 특징이 다르듯, 유전자가 다른 쥐들은 노화할 때 보이는 행동 패턴도 완전히 다릅니다.
• 한 종 (B6J) 에게 훈련된 AI 를 다른 종 (DO) 에게 적용하면 엉뚱한 나이를 예측했습니다.
• 교훈: 모든 쥐에게 통용되는 '만능 시계'는 없습니다. 각 쥐의 유전적 배경에 맞춰 AI 를 따로 훈련시켜야 합니다.

💡 5. 결론: 왜 이 연구가 중요할까요?

이 연구는 "인간의 지식 (지도 학습)"과 "데이터의 발견 (비지도 학습)"이 서로 보완할 때 가장 강력한 도구가 된다는 것을 증명했습니다.

• 미래의 비전: 이제부터는 쥐를 직접 만져가며 점수를 매기는 대신, 카메라로 찍은 영상만으로도 쥐의 건강 상태와 남은 수명을 매우 정확하게, 그리고 객관적으로 알 수 있게 되었습니다.
• 인간에게의 의미: 쥐에서 이 기술을 성공적으로 적용했으니, 언젠가 이 방식이 인간의 건강 관리나 노화 연구에도 적용되어, 우리가 나이가 들면서 어떤 미세한 변화를 겪는지 더 일찍, 더 정확하게 알아내는 데 도움을 줄 것입니다.

한 줄 요약:

"사람이 가르친 지식"과 "AI 가 스스로 찾아낸 비밀"을 섞으니, 쥐의 노화를 훨씬 더 정확하게, 그리고 자동으로 예측할 수 있게 되었습니다!

기술 요약

논문 개요

이 연구는 노화 연구 (geroscience) 에서 마우스의 건강 상태와 수명을 예측하는 데 사용되는 '취약성 지수 (Frailty Index, FI)'의 자동화 및 정확도 향상을 목표로 합니다. 기존에 개발된 지도 학습 (Supervised Learning) 기반의 시각적 취약성 지수 (vFI) 의 한계를 극복하기 위해, 비지도 학습 (Unsupervised Learning) 기법인 **Keypoint-MoSeq **(KPMS)을 도입하여 두 가지 접근법을 통합함으로써 노화 관련 행동의 잠재적 신호를 발견하고 예측 모델의 성능을 극대화했습니다.

**1. 문제 정의 **(Problem)

• 수동 평가의 한계: 기존 마우스 취약성 지수 (FI) 평가는 훈련된 전문가가 수행해야 하며, 시간 소모가 크고 평가자 간/내부 편차 (scorer variability) 가 큽니다. 특히 C57BL/6J (B6J) 마우스의 경우 평가자 편차가 전체 분산의 42% 를 차지할 정도로 큽니다.
• **지도 학습 **(Supervised) 기존 자동화 모델 (vFI) 은 전문가가 정의한 특정 행동 특징 (보행, 자세, 활동량 등) 에만 의존합니다. 이는 인간이 이미 알고 있는 행동 패턴만 포착할 뿐, 노화와 관련된 미세하거나 비정형적인 (latent) 행동 신호를 놓칠 수 있습니다. 또한, 비디오 데이터의 대부분이 분석되지 않고 폐기됩니다.
• **비지도 학습 **(Unsupervised) 비지도 학습은 모든 비디오 프레임을 분석하여 새로운 행동 패턴을 발견할 수 있지만, 추출된 특징 (임베딩, 시릴블) 이 생물학적으로 해석하기 어렵고 노이즈가 많을 수 있습니다.
• 유전적 배경에 따른 일반화 문제: 특정 계통 (Strain) 에서 훈련된 모델이 다른 유전적 배경을 가진 마우스 (예: B6J 에서 Diversity Outbred, DO 로) 에 적용될 때 성능이 급격히 저하되는 문제가 존재합니다.

**2. 방법론 **(Methodology)

연구는 두 가지 주요 행동 특징 집합을 결합하여 예측 모델을 구축했습니다.

• 데이터셋:

  • 계통: 동형접합 C57BL/6J (B6J) 마우스와 유전적으로 다양한 Diversity Outbred (DO) 마우스.
  • 조건: 다양한 식이 요법 (자유 섭식, 단식, 칼로리 제한 등) 을 적용한 총 1,138 개의 비디오 데이터.
  • 레이블: 전문가가 수동으로 산출한 누적 취약성 지수 (CFI), 실제 나이, 수명 비율 (PLL).

• **특징 추출 **(Feature Extraction)

  1. **지도 학습 특징 **(Supervised, S) 연구진이 이전에 개발한 JAX Animal Behavior System (JABS) 을 사용하여 추출한 59 개의 특징 (보행 매개변수, 자세 변화, 형태학적 측정, 개방된 장 (Open-field) 활동 등).
  2. **비지도 학습 특징 **(Unsupervised, U) **Keypoint-MoSeq **(KPMS) 알고리즘을 사용하여 추출.
     • KPMS 는 마우스의 포즈 (Pose) 궤적을 학습하여 이산적인 행동 '시릴블 (Syllables)'과 연속적인 잠재 임베딩 (Latent Embeddings) 을 생성합니다.
     • 추출된 341 개의 특징: 시릴블 사용 빈도 (Syllable Usage), 시릴블 간 전이 확률 (Syllable Transitions, 5 개의 메타 - 시릴블로 군집화), 잠재 임베딩 통계량.

• 모델링 및 평가:

  • 목표 변수: 실제 나이 (Chronological Age), 생물학적 나이/취약성 (Frailty Index), 수명 비율 (Proportion of Life Lived, PLL).
  • 알고리즘: Elastic Net (선형), Random Forest, Gradient Boosting (XGBoost) 등 3 가지 알고리즘 사용.
  • 검증: 중첩 교차 검증 (Nested Cross-Validation) 을 통해 성능을 평가.
  • 모델 구성:
    • vFI/vFRIGHT: 지도 학습 특징만 사용.
    • uvFI/uvFRIGHT: 비지도 학습 특징만 사용.
    • bvFI/bvFRIGHT: 지도 + 비지도 특징 통합.

**3. 주요 결과 **(Key Results)

• 통합 모델의 성능 우위:

  • **노화 예측 **(Chronological Age) 지도 학습 모델이 비지도 학습 모델보다 성능이 좋았으나, **통합 모델 **(S+U)이 가장 높은 정확도를 보였습니다 (B6J 기준 MAE 10.6 주).
  • **취약성 예측 **(Frailty) 비지도 학습 모델이 지도 학습 모델보다 약간 더 좋았으며, 통합 모델이 모든 데이터셋에서 가장 우수한 성능을 기록했습니다 (B6J 기준 MAE 1.11). 이는 수동 평가의 평가자 간 오차 범위보다 작은 오차 수준입니다.
  • **수명 비율 **(PLL) 통합 모델이 사망률 예측 성능을 가장 크게 향상시켰습니다.

• **교차 계통 일반화 **(Cross-strain Generalization)

  • 실패: B6J 에서 훈련된 모델은 DO 마우스에 적용 시, DO 에서 훈련된 모델은 B6J 에 적용 시 성능이 현저히 떨어졌습니다 (MAE 가 30~70 주 이상 증가).
  • 의미: 이는 노화의 행동적 표현이 유전적 배경에 따라 강력하게 특이적 (Population-specific) 이며, 비지도 학습을 도입하더라도 이 장벽을 완전히 해결하지는 못했음을 시사합니다.

• 특징 중요도 및 해석:

  • **시릴블 사용 **(Syllable Usage) 비지도 학습 특징 중 '시릴블 사용 빈도'가 노화 및 취약성 예측에 가장 중요한 역할을 했습니다.
  • 생물학적 해석: 상위 시릴블들은 회전 (Turning), 정지 (Stationary), 급격한 이동 (Darting) 등 잘 알려진 행동 패턴과 일치했습니다. 이는 비지도 학습이 완전히 새로운 행동을 발견한 것이 아니라, 기존 행동의 미세한 운동학적 변화 (Kinematic variation) 를 더 정밀하게 포착했음을 의미합니다.
  • 상호 보완성: 지도 학습 특징이 모델의 주된 예측 기둥을 형성하고, 비지도 학습 특징 (특히 시릴블 전이 및 사용) 이 잔여 변이 (Residual variance) 를 설명하며 성능을 보강했습니다.

**4. 주요 기여 **(Key Contributions)

1. 하이브리드 프레임워크 제안: 전문가가 정의한 행동 특징 (지도 학습) 과 데이터 기반의 잠재 행동 시퀀스 (비지도 학습) 를 통합하여, 기존 자동화 노화 시계 (Aging Clocks) 의 정확도를 획기적으로 향상시켰습니다.
2. 잠재적 취약성 신호 발견: KPMS 를 통해 인간이 간과할 수 있는 미세한 행동 패턴 (예: 특정 시릴블의 사용 시간 변화) 이 노화와 취약성 예측에 중요한 역할을 함을 입증했습니다.
3. 공유 자원 제공: B6J 와 DO 마우스 모두에 대해 훈련된 KPMS 모델, 통합 예측 모델, 그리고 1,138 개의 비디오 및 수동 FI 데이터셋을 커뮤니티에 공개하여 고처리량 표현형 분석 (High-throughput phenotyping) 의 장벽을 낮췄습니다.
4. 유전적 다양성 한계 규명: 노화 행동 시계가 유전적 배경에 따라 다르게 작동함을 재확인하여, 향후 연구에서 표적 계통에 맞는 모델 보정 (Calibration) 의 필요성을 강조했습니다.

**5. 의의 및 결론 **(Significance)

이 연구는 노화 연구 분야에서 자동화된 비침습적 평가 도구의 새로운 표준을 제시합니다. 단순히 인간의 지식을 대체하는 것을 넘어, 인간의 지식 (지도 학습) 과 데이터의 숨겨진 패턴 (비지도 학습) 을 결합함으로써 더 민감하고 포괄적인 노화 지표 (Aging Clock) 를 개발할 수 있음을 증명했습니다.

비록 유전적 다양성에 따른 일반화 문제는 여전히 해결 과제로 남아있지만, 이 연구는 **지식 기반 **(Knowledge-driven)과 **데이터 기반 **(Data-driven) 접근법의 시너지 효과를 보여주며, 향후 다양한 유전적 배경을 가진 동물 모델 및 인간 임상 연구에 적용 가능한 확장 가능한 프레임워크의 기초를 마련했습니다. 이는 노화 메커니즘 이해와 수명 연장 개입 효과 평가의 정확도와 재현성을 크게 높일 것으로 기대됩니다.