Generating behaviour-equivalent parameters for whole-organism simulators from tracking video

기술 요약: 트래킹 영상을 이용한 전체 유기체 시뮬레이터용 행동 유사 파라미터 생성

문제 정의
커넥톰(connectome)과 생물물리학을 통합하여 행동을 모델링하는 전체 유기체 시뮬레이터는 현재 수천 개의 내부 파라미터를 고정하기 위해 침습적인 생리학적 데이터(예: 세포 내 전기생리학, 이광자 현미학)를 요구한다는 점에서 병목 현상을 겪고 있다. 이러한 "역문제(inverse problem)"로서의 시스템 식별은 대부분의 실험실에서 접근하기 어렵고, 많은 종(예: 멸종 위기 동물 또는 역사적 생리학 데이터가 없는 종)에게는 불가능하다. 결과적으로, 시뮬레이터는 대개 단일 소스 연구에 기반해 교정되며, 새로운 생물학적 데이터에 대해 전향적으로 테스트되는 경우가 드물다. 본 분야에는 오직 관찰 가능한 행동만을 사용하여 이러한 시뮬레이터의 작동 가능한 파라미터 세트를 생성할 수 있는 일반적이고 비침습적인 방법론이 결여되어 있다.

방법론: PGOB
저자들은 시뮬레이터 교정을 행동 기반의 역문제로 재구성하는 프레임워크인 **PGOB (Parameter Generation by Observed-Behaviour)**를 제시한다.

• 정식화: PGOB는 시뮬레이션된 행동 지표 $M(f_\theta)$와 참조용 실제 행동 코퍼스 $D_{ref}$ 사이의 거리를 최소화하는 파라미터 $\hat{\theta}$를 찾는다. 손실 함수는 여러 행동 기술자(예: 속도, 회전 통계, 체벽 파동 진폭)에 걸쳐 견고하고 표준화된 메트릭(Wasserstein-1 거리에 기반한 수정된 z-score)을 활용한다.
• 교체 가능한 추론 엔진: 핵심 기여는 특정 최적화 도구가 아닌 정식화 자체에 있다. 이 프레임워크는 블랙박스 최적화 도구(SPSA, CMA-ES)와 아모티제이션된 시뮬레이션 기반 추론(Masked Autoregressive Flow를 사용한 Neural Posterior Estimation)을 포함한 교체 가능한 백엔드를 지원한다.
• 초기화 전략: 이 과정이 단순한 국소적 미세 조정이 아닌 진정한 '생성'이 되도록 하기 위해, PGOB는 미지의 최적점으로부터 독립적인 지점에서 최적화를 시작한다.
  • 저차원 또는 견고한 시뮬레이터(예: C. elegans BAAIWorm, modWorm)의 경우, 완전 무작위 시작(fully randomized start)을 사용한다.
  • 고차원 컨트롤러로서 무작위화가 모델 붕괴를 일으키는 경우(예: Drosophila FlyGym, flybody), 타겟 솔루션을 제공하지 않으면서 탐색을 유도하기 위해 제약된 "워크-밴드(walk-band)" 사전 확률이나 동일 종 소프트 사전 확률을 사용한다.
• 교차 시뮬레이터 평가기: 단일하고 종 일반적인 행동 평가기는 궤적을 통일된 지표 세트로 매핑하며, 이를 통해 동일한 정식화가 수정 없이 서로 다른 시뮬레이터와 종에 걸쳐 실행될 수 있도록 한다.

주요 기여

1. 비침습적 파라미터 생성: PGOB는 전기생리학이나 내부 상태 측정 없이 오직 트래킹 영상만으로 전체 유기체 시뮬레이터의 파라미터를 복구하는 최초의 정식화이다.
2. 교차 시뮬레이터 일반화: 변경되지 않은 동일한 절차가 두 종(C. elegans 및 Drosophila)에 대한 네 가지 발표된 시뮬레이터(BAAIWorm, modWorm, FlyGym, flybody)의 파라미터를 성공적으로 생성함을 입증하였다.
3. 전체 커넥톰 재구성: "제로 베이스(from-scratch)" 시연에서, PGOB는 스크램블된 노이즈로부터 전체 C. elegans 커넥톰 파라미터 세트(시냅스, 갭 결합 및 이온 채널에 대한 약 5,000개의 개별 요소 가중치)를 재생성하여 시뮬레이터의 기존 파라미터 성능 대역에 도달하였다.
4. 잔차 귀속(Residual Attribution): 이 프레임키는 자코비안 민감도 맵($|\partial M/\partial \theta|$)을 생성하여 특정 행동 불일치를 명명된 시뮬레이터 메커니즘(예: 시냅스 가중치)에 귀속시킴으로써, 교정 실패를 진단 도구로 전환한다.

결과

• 성능 동등성: 실제 영상만을 대상으로 최적화했을 때, 생성된 파라미터는 침습적으로 교정된 기본값과 유사한 실제 생물과의 거리를 달성한다. BAAIWorm의 경우, 생성된 파라미터와 기본 파라미터 모두 실제 생물과의 표준화된 거리가 $\approx 21.8$로 나타났다.
• 복구 조밀도: 복구 대 타겟 거리 비율 $G = D_1/D_2$ (복구된 거리와 실제 동물 간 변이의 비율)가 C. elegans(0.36)와 Drosophila(0.48) 모두에서 1 미만으로 나타났으며, 이는 생성된 파라미터가 실제 동물에서 발견되는 자연적 변이보다 시뮬레이터의 타겟에 더 밀접하게 결합되어 있음을 나타낸다.
• 생물학적 제약: 이 방법은 반증 가능하다. 생성은 동일 문(phylum) 내에서는 성공하지만(벌레-대-벌레, 파리-대-파리), 교차 문 타겟을 시도할 때는 실패한다(예: 파리의 보행을 수행하도록 유도된 벌레 시뮬레이터). 이는 복구된 파라미터가 탐색의 유연성이 아니라 시뮬레이터의 기저 생물학에 의해 제약됨을 확인시켜 준다.
• 엔진 불가지론(Engine Agnosticism): 추론 엔진을 교체하더라도(예: SPSA에서 아모티제이션된 신경 후방 추론으로) 동일한 행동 생성이 이루어지며, 이는 발전의 핵심이 행동 기반의 정식화에 있음을 검증한다.
• 보상 범위: PGOB는 파라미터 공간의 오염(가중치의 노이즈)은 성공적으로 보상하지만, 다이내믹스 공간의 오염(포워드 모델 자체의 변화)은 수정하지 못하며, 이를 통해 방법론의 정확한 범위를 정의한다.

의의 및 주장
본 논문은 PGOB가 침습적인 생리학적 교정의 필요성을 효과적으로 대체하여, 작동 가능한 파라미터 세트를 얻기 위한 확장 가능하고 비침습적인 경로를 제공한다고 주장한다. 행동이 일련의 행동 유사 파라미터로 매핑됨을 입증함으로써, 이 방법은 단일 적합(single fit)이 아닌 종 내 코호트를 샘플링할 수 있게 하여 생물학적 퇴행성(degeneracy)을 반영할 수 있게 한다.

저자들은 이 방법이 침습적 측정이 불가능한 "차단(lockout)" 시나리오, 즉 생리학적 기록이 없는 종, 멸종 위기 동물, 그리고 패치(patch)를 연결할 수 없는 준비 상태에서 가장 큰 의미를 갖는다고 강조한다. 본 연구는 시뮬레이터의 충실도 한계를 해결하려는 것이 아니라(만약 시뮬레이터의 기질이 특정 행동을 표현할 수 없다면 PGOB도 이를 고칠 수 없다), 주어진 시뮬레이터의 제약 조건 내에서 최선의 교정을 위한 경로를 제공하고 시뮬레이터가 부족한 부분을 진단하는 메커니즘을 제공하는 것이다. 이 정식화는 수동적이고 고차원적인 탐색을 필요로 하는 기존의 방식을 제거하고, 관찰된 표현형에 모든 시뮬레이터를 매칭할 수 있는 일반적인 도구로 제시된다.