🧬 biology

Linking genetic connectivity and habitat occupancy through environmental resistance in fragmented landscapes

이 연구는 마이크로새틀라이트 기반의 유전 데이터와 원격 탐사 환경 예측 요인을 결합하여 경관 저항성을 모델링하는 것이 파편화된 경관 내 서식지 패치 점유를 효과적으로 예측함을 입증하며, 이를 통해 *Ctenomys mendocinus*를 위한 우선순위 보전 지역을 식별하기 위한 실용적인 틀을 제공한다.

원저자: Marcelo J. Kittlein, Fernando J. Mapelli

게시일 2026-08-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Marcelo J. Kittlein, Fernando J. Mapelli

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

빛이 결코 닿지 않고 이산화탄소가 가득한 공기로 뒤덮인, 토양 아래의 조용한 세계에는 투코투코가 살고 있습니다. 이 작은 지하 설치류들은 자신들의 어두운 영역을 지배하는 거장이지만, 그들의 삶은 지표면 위의 풍경에 의해 결정됩니다. 이들은 멀리 날거나 헤엄칠 수 없기 때문에, 적합한 땅의 한 구역에서 다른 구역으로 이동하는 능력은 전적으로 그들 사이에 무엇이 놓여 있는지에 달려 있습니다. 만약 토양이 너무 단단하거나, 식생이 너무 빽빽하거나, 혹은 강이 경로를 가로지르고 있다면, 이들은 갇히게 됩니다. 이러한 물리적 분리는 유전적 현실을 만들어냅니다. 즉, 서로 만날 수 없는 개체군들은 번식할 수 없으며, 시간이 흐름에 따라 유전적으로 뚜렷하게 구분됩니다. 과학자들은 이를 지형과 유전자 흐름 사이의 관계라고 부릅니다. 이를 이해하는 것은 보존에 있어 매우 중요한데, 왜냐하면 종이 이동할 수 없다면 환경의 변화에서 살아남을 수 없기 때문입니다. 연구자들이 오랫동안 던져온 질문은, 우리가 단순히 땅을 보는 것만으로 이 동물들이 어디에 살 것인지 예측할 수 있는지, 아니면 진실을 알기 위해 그들의 DNA를 들여다봐야 하는지에 관한 것입니다.

연구팀은 아르헨티나 중부의 파편화된 지형에 서식하는 멘도신 투코투코를 연구함으로써 이 질문에 답하기 위해 나섰습니다. 그들은 농업과 도시 개발로 인해 자연 서식지가 모래 토양의 작고 고립된 섬들로 분절된 지역에 집중했습니다. 연구팀은 두 가지 매우 다른 유형의 정보, 즉 동물의 유전적 역사와 지형의 물리적 특징을 결합했습니다. 그들은 연결성을 측정하기 위해 8곳의 서로 다른 장소에서 포획한 143마리의 DNA를 분석했습니다. 동시에, 그들은 토양의 종류부터 지표면의 높이, 지표면에 자라는 식물의 밀도, 그리고 그 식물들이 매년 얼마나 변하는지에 이르기까지 지역에 대한 상세한 지도를 수집했습니다.

연구진은 과거의 데이터로부터 학습하는 기상 예보 모델과 유사한 강력한 컴퓨터 기법을 사용하여, 동물의 이동을 지배하는 숨겨진 규칙을 찾아냈습니다. 어떤 지형적 특징이 장벽이 될지 추측하는 대신, 그들은 유전 데이터를 통해 컴퓨터가 스스로 학습하게 했습니다. 모델은 가장 중요한 요인이 강이나 고도가 아니라 식생이라는 것을 학습했습니다. 구체적으로, 동물들은 식물이 드문드래하고 식물량의 변화가 안정적인 지역에서 가장 쉽게 이동했습니다. 식생이 울창하거나 계절마다 급격하게 변할 때, 개체군 간의 유전적 연결성은 급격히 떨어졌습니다. 이 모델은 개체군 간의 연결성 차이를 거의 90% 설명해 냈으며, 이동이 쉬운 곳과 어려운 곳을 보여주는 상세한 지도를 만들어 냈습니다.

그들의 작업에 대한 진정한 시험은 이 컴퓨터 생성 지도를 실제 관찰 결과와 비교했을 때 찾아왔습니다. 연구진은 63개의 서로 다른 서식지 패치들이 실제로 투코투코에 의해 점유되었는지, 아니면 비어 있는지를 기록한 이전 조사 데이터를 가지고 있었습니다. 그들은 명확하고 유의미한 일치를 발견했습니다. 컴퓨터가 잘 연결되어 있다고 예측한 패치들이 실제로 점유된 곳들이었습니다. 비어 있는 패치들은 대부분 모델이 이동하기 어렵다고 식별한 구역에 있었습니다. 이는 그들이 DNA에서 발견한 유전적 패턴이 단순한 과거의 기록이 아니라, 현재 생존의 반영임을 확인시켜 주었습니다. 동물들은 지형이 이동을 허용하는 곳에서 살고 있었으며, 유전적 지도는 그들이 어디에서 발견될지를 성공적으로 예측했습니다.

이 연구는 이 취약한 생물들을 보호하기 위한 실질적인 도구를 제공합니다. 유전적 연결성과 실제 서식지 점유가 서로 연결되어 있음을 보여줌으로써, 연구진은 우리가 환경 데이터를 사용하여 어떤 토지 패치가 이 종의 생존에 가장 중요한지를 식별할 수 있다는 것을 입증했습니다. 여러 특정 위치를 연결하는 중심 띠를 포함하여 연결성이 가장 높은 구역들은, 개체군을 생존하게 만드는 핵심적인 통로 역할을 합니다. 이 연구 결과는 이동성이 제한적인 동물들에게는 인간 관찰자에게는 당연해 보이는 강이나 언덕보다 식생의 구조와 서식지의 안정성이 더 중요한 장벽이라는 점을 시사합니다. 이러한 접근 방식은 보존 노력의 우선순위를 정하는 방법을 제시하며, 개체군이 회복 불가능할 정도로 고립되기 전에 가장 중요한 통로들을 보호할 수 있도록 해줍니다.

기술 요약: 환경 저항을 통한 유전적 연결성과 서식지 점유의 연계

문제 제기
파편화된 경관에서 종의 지속 가능성을 예측하려면 유전자 흐름(gene flow)과 실제 서식지 패치의 점유(occupancy)를 연결해야 한다. 저항 표면(마찰 지도)은 연결성을 모델링하는 데 흔히 사용되지만, 이는 예측 변수와 가중치에 관한 전문가 기반의 가설에 의존하는 경우가 많다. 이러한 접근 방식은 경관 반응이 비선형적이거나 복잡한 상호작용을 포함할 때 서로 다른 추론을 낳을 수 있다. 더욱이, 유전 데이터나 환경 저항 모델로부터 추론된 연결성이 독립적인 현장 기반의 패치 점유 척도를 예측하는지 명시적으로 테스트한 연구는 거의 없다. 이러한 공백은 보전 실무자들이 직접적인 이동 데이터 없이도 어떤 서식지 패치가 점유 상태를 유지할 가능성이 높은지 식별하고 우선순위 회랑(corridor)을 파라하는 능력을 제한한다.

연구 방법론
본 연구는 아르헨티나 부에노스아이레스 동부 지역(~6,300 km²)에 서식하는 Ctenomys mendocinus(지하성 설치류)에 초점을 맞추었다. 연구진은 세 가지 별도의 데이터 스트림을 통합하였다:

유전 데이터: 8개 샘플링 지점에서 채취한 143개 개체의 마이크로세틀라이트(microsatellite) 유전자형. 방향성 유전적 연결성과 상대적 이주(migration)는 $G_{ST}$ 및 $D$ 통계량을 기반으로 한 divMigrate 함수를 사용하여 유전자 흐름의 비대칭성을 탐지하였다.
환경 예측 변수: 원격 탐사 및 지리 공간 데이터베이스에서 추출한 일련의 공간 변수들을 포함한다:
- 토지 피복 안정성 (MODIS MOD12Q1).
- 식생 생산성 및 시간적 변동성 (MODIS MOD13Q1의 평균 및 표준편차 NDVI).
- 지형 (SRTM DEM).
- 토양 특성 (ISRIC의 모래 및 점토 함량).
- 수계 (IGN Argentina의 벡터 데이터).
점유 데이터: 63개 서식지 패치를 점유 또는 미점유로 분류한 독립적인 현장 조사 데이터.

연결성을 모델링하기 위해 저자들은 반복적 랜덤 포레스트(Random Forest, RF) 프레임워크(Pless 등, 2021에서 변형)를 채택하였다. 고정된 전문가 정의 저항 지도로 시작하는 전통적인 방식과 달리, 이 방법은 다음과 같이 작동한다:

관측된 평균 연결성을 기반으로 중립적 연결 표면을 초기화한다.
gdistance 패키지를 사용하여 최저 비용 경로(least-cost routes)를 계산한다.
이러한 경로를 따라 환경 조건을 추출한다.
환경 조건을 기반으로 연결성을 예측하도록 랜덤 포레스트 모델을 훈련시킨다.
모델 성능이 안정될 때까지 연결 표면을 업데이트하고 최저 비용 경로를 재계산하는 과정을 반복한다.

모델 성능은 Out-of-bag(OOB) 오차 추정치를 통해 평가되었으며, 변수 중요도는 연결성의 동인을 결정하기 위해 정량화되었다. 마지막으로, 예측된 연결성 표면과 독립적인 패치 점유 데이터 사이의 연관성을 테스트하기 위해 이항 오차 분포를 가진 일반화 선형 모델(GLM)이 사용되었다.

주요 결과

유전 구조: 유전적 연결성은 유클리드 지리적 거리와 함께 유의하게 감소하였으며( $r = -0.485, p < 0.01$ ), 이는 명확한 격리에 의한 거리(isolation-by-distance, ID) 패턴을 확인시켜 준다.
모델 성능: 반복적 랜덤 포레스트 모델은 추정된 연결성의 변동을 89.1% 설명하였으며, 이 중 **40.1%**는 OOB 검증에 의해 설명되었다.
예측 변수 중요도:
- 주요 동인: 평균 NDVI와 NDVI 변동성이 가장 강력한 예측 변수였다. 연결성은 낮은 평균 NDVI 값에서 가장 높았으며, 식생 피복이 증가하거나 시간적으로 불안정해짐에 따라 급격히 감소하였다.
- 이차 동인: 고도, 점토 함량, 모래 함량은 비선형적 효과를 보였다. 연결성은 중간 고도에서 감소하였고 토양 질감과 복잡한 관계를 보였다.
- 미미한 요인: 수계 변수와 최근의 토지 피복 변화는 초점 경관 내에서 영향력이 미미했다.
점유 상관관계: 예측된 연결성과 독립적인 패치 점유 사이에는 유의미한 양의 상관관계가 존재하였다 ( $p = 0.005$ ). 점유된 패치는 미점유 패치(0.427)에 비해 유의하게 높은 평균 연결성(0.505)을 보였다. 점유된 패치들은 특정 지역들(La Calma, Bonifacio, La Copeta, La Manuela, La Larga)을 연결하는 중앙 띠 구역에 집중되어 있었다.

의의 및 주장
본 논문은 패치 점유가 유전 및 환경 데이터로부터 도출된 공간적 경관 연결성의 변화와 일치함을 보여준 첫 번째 포유류 사례라고 주장한다.

저항 모델의 검증: 본 연구는 유전적으로 정보가 제공된 저항 모델이 패치 점유라는 측정 가능한 인구통계학적 결과로 이어지는 분산 과정을 포착함을 검증한다. 이는 연결성이 단순히 분자 데이터에서 파생된 이론적 구성물이 아니라, 실질적인 서식지 이용의 결정 요인임을 확인시켜 준다.
방법론적 기여: 인구 유전학, 머신 러닝, 현장 기반 점유 데이터를 통합함으로써, 본 연구는 샘플링되지 않은 지역으로 연결성을 외삽할 때 발생하는 불확실성을 줄이는 프레임워크를 제공한다. 또한 머신 러닝이 전문가 정의 선형 모델에서는 놓칠 수 있는 복잡하고 비선형적인 환경적 제약(특히 식생 구조 및 안정성)을 탐지할 수 있음을 입증한다.
보전 적용: 결과는 파편화된 시스템에서 우선순위 패치와 회랑 유사 영역을 식별하기 위한 실질적인 근거를 제공한다. 저자들은 이 접근 방식이 지하성 설치류와 같이 분산 능력이 낮고 서식지 특화가 강한 종의 경우, 토지 이용 변화에 따른 지속 가능성을 예측하는 데 특히 가치 있다고 제안한다.

한계 및 주의사항
저자들은 연결성 표면이 여러 세대에 걸쳐 통합된 과정을 반영하며, 매우 최근의 경관 변화에는 덜 민감할 수 있다고 언급하였다. 또한 대립유전자 빈도로부터 추론된 방향성 연결성은 샘플링 설계, 유전적 부동(genetic drift), 그리고 불균등한 개체군 크기에 의해 영향을 받을 수 있음을 주의시킨다. 따라서 결과로 도출된 지도는 개별 이동의 직접적인 재구성이라기보다 분산 기회에 대한 확률적 표현으로 간주되어야 한다. 저자들은 향후 연구에서 회로 기반 연결성(circuit-based connectivity), 더 조밀한 샘플링, 또는 게놈 데이터를 사용하여 이 회랑들을 정교화할 수 있을 것이라고 제안한다.

유사한 논문