제브라피시 신경과학 연구는 항상 행동 관찰에 의존해 왔다. 유생의 운동, 성체의 사회적 상호작용, 놀람 반응, 약물 투여 후 수영 패턴의 변화 등은 모두 뇌 기능을 들여다보는 창이다. 그러나 인간 관찰은 규모 확장이 어렵다. 단일 실험만으로도 수십 마리 제브라피시에 걸쳐 수시간 분량의 영상 자료가 생성될 수 있다. 수작업 평가 방식은 느리고 주관적이며 피로에 취약하다. 동일한 영상 클립을 보는 두 명의 훈련된 관찰자조차도 한 번의 움직임(bout) 시작 시점이나 회전 동작 분류 방식에 대해 의견이 다를 수 있다. 이러한 불일치는 데이터 내 잡음으로 이어지며, 근본적인 효과가 미미할 경우 이 잡음은 비용 효율성 측면에서 심각한 문제를 야기한다.
인공지능 기반 행동 분석 시스템이 실제로 측정하는 것
인공지능 기반 행동 분석 시스템은 단순히 움직임을 세는 데 그치지 않는다. 이 시스템은 원시 영상 자료나 추적 데이터로부터 행동을 수치적으로 표현한다. 일반적으로 파이프라인은 포즈 추정으로 시작되며, 여기서 모델이 각 물고기의 머리, 꼬리, 중심점과 같은 주요 부위를 식별한다. 이후 속도, 가속도, 회전 각도, 개체 간 거리, 동결 지속 시간, 활동 발생 빈도와 같은 특징들이 추출된다. 일부 시스템은 더 나아가 접근, 회피, 공격과 같은 이산적인 범주로 행동을 분류하기도 한다. 출력 결과는 신경 기록, 약물 투여, 유전 조작 등과 정렬 가능한 시계열 자료이다. 바로 이 정렬 과정에서 진정한 분석력이 발휘된다.
밀리초 단위 해상도가 실험 설계에 미치는 변화
전통적인 채점 방식은 행동을 최대한 1초 단위로만 해석할 수 있다. 인공지능 시스템은 프레임 속도로 추적할 수 있으며, 보통 초당 30~100프레임이다. 이 정도 해상도는 이전에는 관찰할 수 없었던 사건들을 드러낸다. 50밀리초 지속되는 놀람 반응, 회전 전의 짧은 정지, 꼬리 펄스 주파수의 미세한 변화 등이 모두 측정 가능해진다. 실험 설계 중 일부는 과거에 작은 효과를 검출하기 위해 수천 마리의 물고기가 필요했으나, 이제는 행동 데이터가 풍부해지고 잡음이 줄어들었기 때문에 더 적은 수의 동물로도 수행할 수 있다. 이는 단순한 기술적 개선이 아니다. 연구자가 제기할 수 있는 질문 자체가 바뀌는 것이다. 예를 들어, 간질 모델을 연구하는 과학자들은 이제 애벌레 제브라피시에서 경련 유사 폭발 활동을 10년 전에는 불가능했던 수준의 정밀도로 정량화할 수 있다. 이런 정밀도는 행동을 단순한 서술적 특성에서 벗어나, 정량적 표현형으로 전환시킨다.
| 기능 | 수작업 관찰 | 인공지능 기반 행동 분석 |
|---|---|---|
| 시간 해상도 | 보통 1초 또는 그보다 낮은 해상도 | 프레임 속도, 보통 초당 30~100Hz |
| 일관성 | 관찰자와 피로도에 따라 달라짐 | 고정된 모델로, 매번 동일한 출력을 생성함 |
| 특징 차원 수 | 몇 가지 수작업으로 평가된 범주 | 수십 가지의 연속형 및 이산형 특징 |
| 확장성 | 인간 작업 시간에 비례함 | 설치 후 거의 일정함 |
| 미세한 영향에 대한 민감도 | 제한적 | 잡음 감소로 인해 높음 |
알고리즘이 인간의 눈이 놓친 것을 발견한 시설 사례
신경과학 실험실에서 성체 제브라피시의 불안 유사 행동을 감소시킬 것으로 기대되는 화합물을 시험하고 있었다. 수작업으로 채점한 결과는 일정한 경향을 보였으나, 통계적으로 유의미하지는 않았다. 연구팀은 동일한 영상을 인공지능 기반 행동 분석 시스템에 다시 입력했다. 이 시스템은 단순히 기존 경향을 확인하는 데 그치지 않았다. 치료군 물고기들이 조명 변화 직후 처음 5분 동안만 수조 중앙에 더 오래 머무른다는 사실을 밝혀냈다. 반면 수작업 채점은 전체 실험 시간을 평균화했기 때문에 그 효과가 희미해졌다. 인공지능 시스템은 시간별로 해상도 높은 분석을 제공함으로써 특정 작용 시간 창을 명확히 지목해 주었다. 이 발견은 보다 짧은 시간 범위를 설정한 후속 실험으로 이어졌고, 그 결과는 훨씬 명확해졌다. 알고리즘은 과학자들을 대체하지 않았다. 다만, 과학자들에게 더 나은 질문을 던져준 것이다.
데이터 통합 및 재현성: 영상에서 통계까지
AI 기반 행동 분석의 조용한 이점 중 하나는 재현성이다. 모델이 한 번 훈련되고 검증되면 동일한 입력에 대해 항상 동일한 출력을 생성한다. 이러한 일관성 덕분에 실험 간, 연구실 간, 심지어 수년 간 결과를 비교하기가 쉬워진다. 현재 많은 시스템은 통계 소프트웨어나 신경 데이터 파이프라인에 바로 연결할 수 있는 표준 형식으로 데이터를 내보낸다. 일부 플랫폼은 클라우드 기반 처리를 지원하여 여러 연구실이 동일한 모델 버전으로 데이터를 분석할 수 있게 한다. 이는 큰 전환을 의미한다. 과거에는 행동 데이터가 종종 연구실별 스프레드시트와 맞춤형 채점 규칙 속에 갇혀 있었다. 이제는 공유하고, 다시 분석하며, 메타분석까지 가능해졌다.
AI가 신경과학자를 대체하지 못하게 하는 제약 요인
AI 기반 행동 분석을 모든 문제를 해결해 주는 블랙박스처럼 여기는 유혹이 있다. 그러나 사실은 그렇지 않다. 모델 성능은 훈련 데이터의 품질에 크게 의존한다. 훈련 데이터셋에 새로운 실험의 균주, 연령, 조명 조건이 포함되어 있지 않으면 모델이 미묘한 방식으로 오작동할 수 있다. 물고기들이 겹쳐 보이거나 카메라에 반사가 생겨 혼란스러워질 때 추적 기능이 제대로 작동하지 않을 수 있다. 행동 분류 체계는 보편적이지 않다. 예를 들어 ‘공격성’이라는 범주는 맥락에 따라 외형적으로 달라질 수 있다. 또한 어떤 알고리즘도 물고기가 병든 것인지, 부상당한 것인지, 아니면 단지 온도 변화에 반응하는 것인지를 판별할 수 없다. 가장 효과적인 작업 흐름은 AI 분석과 정기적인 인간 관찰을 함께 활용하는 것이다. 알고리즘은 반복적인 정량화 작업을 담당하고, 인간은 해석과 복지 점검을 담당한다.
왜 하드웨어 안정성이 모델만큼 중요한가
AI 기반 행동 분석은 입력되는 영상의 품질만큼만 정확하다. 선명하고 조명이 잘 된 영상으로 훈련된 모델도 흐릿하고 조명이 고르지 않은 프레임에서는 성능이 떨어진다. 따라서 카메라 선택, 조명 설계, 수조 형상은 실험 설정의 일부이지, 나중에 고려하는 사항이 아니다. 펌프에서 발생하는 진동, 렌즈 표면의 결로, 프레임 속도의 불안정성 등은 모두 추적 정확도를 저하시킨다. 장기 연구를 수행하는 실험실에서는 촬영 장비의 신뢰성이 수개월간 수집된 데이터셋이 실제로 사용 가능한지 여부를 결정짓는 경우가 많다. 헌터 랩(Hunter Lab)은 이 장비 생태계의 제조 측면에서 작업한다. 이 회사는 소규모 수생 시스템을 위한 일관된 제작 공정, 적절한 재료 선정, 안정적인 공급망 확보에 중점을 둔다. 신경과학 프로젝트가 수주간 지속적으로 안정적인 영상을 요구할 때, 이러한 제조 관리 체계는 매우 중요하다.