Pharmacobehavioral space of MoSeq syllables significantly overlaps with scalar locomotion features

당신이 복잡한 언어, 예를 들어 북적이는 도시의 비밀스러운 대화를 이해하려고 노력하고 있다고 상상해 보세요. 신경과학의 세계에서 과학자들은 동물의 행동이라는 "언어"를 해독하기 위해 끊임없이 노력하고 있습니다. 오랫동안 연구자들은 단순히 동물이 얼마나 빨리 달리는지, 얼마나 멀리 가는지, 또는 얼마나 높이 뛰는지와 같은 기본적인 것들을 측정하는 단순한 도구들을 사용하여 곁에서 귀를 기울여 왔습니다. 이것들을 "스칼라 특징(scalar features)"이라고 부를 수 있습니다. 이는 말의 단어 수를 세거나 목소리의 크기를 측정하는 것처럼, 무슨 일이 일어나고 있는지에 대한 일반적인 아이디어를 주는 단순하고 이해하기 쉬운 숫자들입니다.

하지만 최근에 "MoSeq"(모션 시퀀싱, Motion Sequencing)라고 불리는 고성능 하이테크 마이크가 도입되었습니다. MoSeq은 단순히 단어의 수를 세는 대신, 행동을 마치 대화 속의 특정 구절이나 문장을 식별하듯 작고 뚜렷한 "음절"이나 구성 요소로 나누려고 시도합니다. 과학자들이 던진 큰 질문은 이것입니다. 이 화려하고 새로운 마이크가 이야기를 이해하는 데 훨씬 더 뛰어나기 때문에, 우리가 기존의 단순한 단어 세기 방식을 버려야 할 정도인가? 한 유명한 2024년 연구는 MoSeq이 약물이 쥐에게 미치는 영향을 놀라운 정확도로 구분해 낼 수 있으며, 기존의 단순한 방식보다 훨씬 뛰어난 성능을 보인다고 주장하며 MoSeq이 엄청난 업그레이드라고 말했습니다. 이 논문은 두 명의 연구자가 그 주장을 재검토하여, 새로운 마이크가 정말로 마법 같았는지, 아니면 그 마법이 단지 녹음 설정 덕분이었는지를 확인하기로 결정한 탐정 이야기입니다.

탐정 작업: 녹음본 다시 듣기

이 논문의 저자인 마티 리터(Marti Ritter)와 아마렌더 R. 보가디(Amarender R. Bogadhi)는 그 유명한 2020년 연구의 원래 데이터를 가져와 자신들의 실험실에서 직접 실행해 보기로 했습니다. 그들은 "MoSeq 음절"이 실제로 행동을 이해하는 비법인지, 아니면 결과가 그저 설정의 트릭이었는지를 확인하고 싶었습니다.

이렇게 생각해 보세요. 두 사람이 뒤섞인 레고 브릭 더미를 분류하려고 한다고 가정해 봅시다. 한 사람(원래의 연구)은 특정하고 복잡한 모양을 골라내기 위해 화려하고 비싼 로봇 팔(MoSeq)을 사용합니다. 다른 한 사람(단순한 방법)은 단순히 색상과 크기에 따라 분류합니다(스칼라 특징). 원래의 연구는 로봇 팔이 브릭을 분류하는 데 50% 더 뛰어나다고 말했습니다. 하지만 우리의 탐정들이 지침을 살펴보았을 때, 로봇 팔이 작업을 수행하는 데 있어 엄청난 이점을 얻고 있었다는 것을 깨달았습니다. 즉, 로봇 팔은 작업에 완벽하게 맞춰져 있었던 반면, 색상별로 분류하던 사람은 무디고 날이 서 있지 않은 도구를 강요받았으며 브릭을 먼저 청소할 기회조차 얻지 못했던 것입니다.

첫 번째 단서: 지도의 척도
연구자들은 서로 다른 그룹의 쥐들 사이의 "거리"가 MoSeq 데이터에서는 매우 크게 나타나고, 단순한 데이터에서는 매우 작게 나타나는 것을 발견했습니다. 그들은 이것이 Moчески가 비밀스럽고 숨겨진 패턴을 찾아냈기 때문이 아니라는 것을 깨달았습니다. 그것은 마치 어떤 버전은 100배 확대되어 있고 다른 버전은 축소되어 있는 지도를 보는 것과 같았습니다. 섬(쥐 그룹)의 모양은 사실 동일했지만, MoSeq 지도는 훨씬 더 큰 척도로 그려졌을 뿐이었습니다. 그들이 줌 레벨을 맞춰서 일치시키자, 두 방법 사이의 "간격"은 줄어들기 시작했습니다.

두 번째 단서: 용도에 맞지 않는 도구
원래의 연구는 쥐를 분류하기 위해 특정 유형의 컴퓨터 두뇌(로지스틱 회귀라는 분류기)를 사용했습니다. 이 새 논문의 저자들은 이 특정 두뇌가 단순한 색상 및 크기 데이터를 분류하는 데 형편없다는 것을 발견했습니다. 그것은 마치 견과류를 깨기 위해 대형 망치를 사용하는 것과 같았습니다. 그들이 망치를 단순하고 신뢰할 수 있는 도구(최근접 중심 분류기, Nearest Centroid classifier)로 교체하자, 단순한 방법이 갑자기 훨씬 좋아졌습니다. MoSeq의 "마법"은 그것이 비밀스러운 정보를 가지고 있었던 것이 아니라, 원래의 연구가 단순한 데이터에 어려움을 겪는 도구를 실수로 선택했기 때문이었습니다.

세 번째 단서: 데이터 정제
연구자들은 또한 단순한 데이터가 잘 작동하기 위해서는 약간의 "정제(전처리)" 과정이 필요하다는 것을 발견했습니다. 그들이 데이터를 정규화하여(모든 숫자가 공정한 경기장에서 경쟁할 수 있도록 하여) 모든 숫자를 맞추자, 단순한 방법이 더욱 따라잡았습니다. 원래 50%의 엄청난 개선율로 주장되었던 MoSeq과 단순한 방법 사이의 격차는 훨씬 더 완만한 11%로 줄어들었습니다.

마지막 반전: 군중의 크기에 달려 있다
이 부분이 가장 흥고한 부분입니다. 저자들은 MoSeq이 분류해야 할 약물 그룹의 "군중"이 매우 클 때(6개에서 10개 이상의 서로 다른 그룹)만 실제로 큰 이점을 보인다는 것을 발견했습니다. 만약 실험에 몇 개의 그룹만 있다면, 단순한 방법이 화려한 방법만큼이나 잘 작동했습니다. 이것은 마치 초정밀 GPS가 수천 개의 거리와 도로가 있는 거대하고 혼란스러운 도시를 운전할 때만 필요하다고 말하는 것과 같습니다. 만약 당신이 집 앞 슈퍼마켓에 가는 길이라면, 단순한 종이 지도로도 충분히 잘 갈 수 있습니다.

판결

그래서 그들은 무엇을 발견했을까요? 이 논문은 MoSeq이 단순한 측정보다 압도적으로 우월하다는 원래의 주장이 데이터 준비 방식과 선택된 컴퓨터 도구에 의해 과장되었을 수 있음을 시사합니다.

저자들은 MoSeq이 쓸모없다고 말하는 것이 아닙니다. 그들은 특히 컴퓨터 성능이 제한적이거나 몇 가지 처치만을 연구하는 많은 실험실의 경우, 속도와 거리를 측정하는 단순하고 전통적인 방식이 충분히 경쟁력 있고, 더 저렴하며, 이해하기 쉬운 대안이 될 수 있다고 말합니다. MoSeq의 "마법"은 보편적인 진리가 아닙니다. 그것은 실험의 규모와 데이터를 분석하기 위해 선택된 특정 도구에 크게 좌우됩니다.

요컨대, 화려한 로봇 팔은 훌륭하지만, 아직 여러분의 단순한 분류 도구를 버리지 마십시오. 때로는 적절한 설정이나 올바른 손에 쥐어진 무딘 도구가 값비싼 도구만큼이나 일을 잘 해낼 수도 있습니다.