쥐의 행동 분석: 동물 수가 적음에도 더 정확한 결과

ETH 취리히의 연구자들은 인공지능을 활용해 실험실 쥐의 행동을 더욱 효율적으로 분석하고 실험에 사용되는 동물의 수를 줄이고 있습니다.

동물 실험을 수행하는 연구자들이 특히 능숙해야 하는 스트레스 과제가 하나 있습니다. 이는 실험실 동물이 보관되는 환경을 개선하고자 하는 연구자에게도 해당됩니다. 그들은 행동 관찰을 기반으로 동물의 안녕을 평가할 수 있어야 합니다. 인간과 달리 동물에게 그저 기분이 어떤지 물어볼 수 없기 때문입니다. ETH 취리히의 신경과학 연구소 교수인 요하네스 보하체크가 이끄는 그룹의 연구자들은 이제 마우스 행동에 대한 분석을 크게 발전시키는 방법을 개발했습니다.

이 프로세스는 머신 비전과 인공 지능을 통한 자동화된 행동 분석을 활용합니다. 쥐를 촬영하고 비디오 녹화본을 자동으로 분석합니다. 동물 행동을 분석하는 데는 수일 동안 힘든 수동 작업이 필요했고 오늘날에도 대부분 연구실에서 여전히 그렇지만, 세계 최고의 연구실은 최근 몇 년 동안 효율적인 자동화된 행동 분석 방법으로 전환했습니다.

통계적 딜레마 해결

이로 인해 발생하는 한 가지 문제는 생성된 데이터의 산더미입니다. 사용 가능한 데이터와 측정값이 많을수록, 인식해야 할 행동 차이가 미묘할수록 인공물에 의해 오도될 위험이 커집니다. 예를 들어, 여기에는 관련성이 없는 행동을 관련성 있는 것으로 분류하는 자동화된 프로세스가 포함될 수 있습니다. 통계는 이 딜레마에 대한 다음과 같은 간단한 해결책을 제시합니다. 인공물을 상쇄하고도 의미 있는 결과를 얻으려면 더 많은 동물을 테스트해야 합니다.

ETH 연구자들의 새로운 방법은 이제 더 작은 집단에서도 의미 있는 결과를 얻고 동물 간의 미묘한 행동적 차이를 인식할 수 있게 했으며, 이는 실험에 참여하는 동물의 수를 줄이고 단일 동물 실험의 의미를 높이는 데 도움이 됩니다. 따라서 ETH 취리히와 다른 연구 기관에서 하는 3R 노력을 지원합니다. 3R은 대체(Replace), 감소(Reduce), 개선(Refine)의 약자로, 동물 실험을 대체 방법으로 대체하거나 기술이나 실험 설계를 개선하여 줄이는 것을 의미합니다.

초점에서의 행동 안정성

ETH 연구자들의 방법은 동물의 행동에서 나타나는 여러 가지 고립되고 매우 구체적인 패턴을 이용할 뿐만 아니라, 한 행동에서 다른 행동으로의 전환에도 주의 깊게 초점을 맞춥니다.

쥐의 전형적인 행동 패턴에는 호기심이 많을 때 뒷다리로 서 있고, 조심스러울 때 우리 벽에 가까이 머물며, 대담함을 느낄 때 새로운 물건을 탐험하는 것이 포함됩니다. 가만히 서 있는 쥐조차도 정보를 제공할 수 있습니다. 동물은 특히 경계심이 강하거나 불확실합니다.

이러한 패턴 간의 전환은 의미가 있습니다. 특정 패턴 간에 빠르고 자주 전환하는 동물은 긴장하거나 스트레스를 받거나 긴장할 수 있습니다. 반면에 편안하거나 자신감 있는 동물은 종종 안정적인 행동 패턴을 보이고 덜 갑작스럽게 전환합니다. 이러한 전환은 복잡합니다. 이를 단순화하기 위해 이 방법은 수학적으로 이를 단일 의미 있는 값으로 결합하여 통계 분석을 더욱 견고하게 만듭니다.

향상된 비교성

ETH 교수 Bohacek은 신경과학자이자 스트레스 연구자입니다. 그는 다른 주제들 중에서도 뇌의 어떤 과정이 동물이 스트레스 상황을 다루는 데 더 나은지 나쁜지를 결정하는지 조사하고 있습니다. 그는 "행동 분석을 사용하여 개인이 스트레스를 얼마나 잘 처리할 수 있는지 식별하거나, 더 나은 방법으로 예측할 수 있다면, 우리는 이것에 역할을 하는 뇌의 특정 메커니즘을 조사할 수 있습니다."라고 말합니다. 특정 인간 위험군에 대한 잠재적인 치료 옵션은 이러한 분석에서 도출될 수 있습니다.

새로운 방법을 통해 ETH 팀은 이미 동물 실험에서 쥐가 스트레스와 특정 약물에 어떻게 반응하는지 알아낼 수 있었습니다. 통계적 마법 덕분에 개별 동물 간의 미묘한 차이도 인식할 수 있습니다. 예를 들어, 연구자들은 급성 스트레스와 만성 스트레스가 쥐의 행동을 다른 방식으로 변화시킨다는 것을 보여주었습니다. 이러한 변화는 또한 뇌의 다른 메커니즘과 관련이 있습니다.

새로운 접근 방식은 테스트의 표준화를 높여, 서로 다른 연구 그룹이 수행한 실험까지도 포함하여 다양한 실험의 결과를 더 잘 비교할 수 있게 해줍니다.

연구에서 동물 복지 증진

"행동 분석을 위해 인공지능과 머신 러닝을 사용하면 더 윤리적이고 효율적인 생물의학 연구에 기여하게 됩니다."라고 Bohacek은 말합니다. 그와 그의 팀은 수년 동안 3R 연구 주제를 다루어 왔습니다. 그들은 이 목적을 위해 ETH에 3R 허브를 설립했습니다. 허브는 생물의학 연구에서 동물 복지에 긍정적인 영향을 미치는 것을 목표로 합니다.

"새로운 방법은 ETH 3R 허브의 첫 번째 큰 성공입니다. 그리고 우리는 그것을 자랑스럽게 생각합니다." 허브 책임자이자 이 연구의 공동 저자인 올리버 스터먼이 말했습니다. 3R 허브는 이제 ETH와 그 너머의 다른 연구자들이 새로운 방법을 사용할 수 있도록 돕습니다. "우리와 같은 분석은 복잡하고 광범위한 전문 지식이 필요합니다." 보하체크가 설명합니다. "새로운 3R 접근 방식을 도입하는 것은 종종 많은 연구 실험실에 큰 장애물이 됩니다." 이것이 바로 3R 허브의 아이디어입니다. 동물 복지를 개선하기 위한 실질적인 지원을 통해 이러한 접근 방식을 확산할 수 있도록 하는 것입니다.

출처: https://www.sciencedaily.com/releases/2024/11/241114125732.htm