[논문 리뷰] Automated behavioural fingerprinting of C. elegans mutants

André EX Brown, William R Schafer|arXiv (Cornell University)|2013. 01. 06.

Genetics, Aging, and Longevity in Model Organisms참고 문헌 12인용 수 4

한 줄 요약

이 논문은 비디오 기반 추적과 기계학습을 활용하여 *C. elegans* 돌연변이체의 고속 행동 지문을 자동으로 분석하는 시스템을 제시한다. 몸통 굽힘 주파수, 진폭, 궤적 동역학을 분석함으로써, 이 방법은 돌연변이체의 정밀하고 확장 가능한 표현형 분류를 가능하게 하여, 수동 관찰을 뛰어넘어 행동 유전학 스크리닝의 효율성과 객관성을 크게 향상시킨다.

ABSTRACT

Rapid advances in genetics, genomics, and imaging have given insight into the molecular and cellular basis of behaviour in a variety of model organisms with unprecedented detail and scope. It is increasingly routine to isolate behavioural mutants, clone and characterise mutant genes, and discern the molecular and neural basis for a behavioural phenotype. Conversely, reverse genetic approaches have made it possible to straightforwardly identify genes of interest in whole-genome sequences and generate mutants that can be subjected to phenotypic analysis. In this latter approach, it is the phenotyping that presents the major bottleneck; when it comes to connecting phenotype to genotype in freely behaving animals, analysis of behaviour itself remains superficial and time consuming. However, many proof-of-principle studies of automated behavioural analysis over the last decade have poised the field on the verge of exciting developments that promise to begin closing this gap. In the broadest sense, our goal in this chapter is to explore what we can learn about the genes involved in neural function by carefully observing behaviour. This approach is rooted in model organism genetics but shares ideas with ethology and neuroscience, as well as computer vision and bioinformatics. After introducing C. elegans as a model, we will survey the research that has led to the current state of the art in worm behavioural phenotyping and present current research that is transforming our approach to behavioural genetics.

연구 동기 및 목표

• 역유전학의 한계를 해결하기 위해 *C. elegans* 돌연변이체의 고속, 객관적인 표현형 스크리닝을 가능하게 하기 위해.
• 시간이 많이 소요되는 수동 행동 관찰을 대체할 수 있는 확장 가능한 자동화 시스템을 개발하여 정량적이고 재현 가능한 지표를 제공하기 위해.
• 운동 동역학을 바탕으로 서로 다른 돌연변이체 주형에 대한 고유한 행동 지문을 식별하기 위해.
• 실시간 영상과 계산 방법을 통합하여 복잡한 운동 패턴에서 의미 있는 행동 표현형을 추출하기 위해.
• 자동화된 데이터 기반 표현형 분석을 통해 유전자형과 행동을 연결하는 프레임워크를 구축하기 위해.

제안 방법

• 아가르 페트리판 또는 액체 방울에서 이동하는 개별 *C. elegans* 웜의 고해상도 비디오 기록.
• 컴퓨터 비전 알고리즘을 이용한 자동 웜 추적을 통해 시간에 따른 2차원 궤적과 몸통 자세를 추출.
• 몸통 굽힘 주파수, 진폭, 파장, 회전 비율 등의 운동 매개변수를 정량화.
• 차원 축소 및 군집화 기법(예: PCA, t-SNE)을 적용하여 행동 표현형 군집을 식별.
• 기계학습 모델(예: SVM, 랜덤 포레스트)을 활용하여 행동 지문에 기반해 돌연변이체를 분류.
• 수동 표현형 분석 및 알려진 돌연변이체 표현형과의 비교를 통한 자동 분류의 검증.

실험 결과

연구 질문

• RQ1 자동화된 비디오 분석이 운동 패턴에 기반해 서로 다른 *C. elegans* 돌연변이체 주형을 신뢰성 있게 구분할 수 있는가?
• RQ2 신경 및 근육 돌연변이체의 표현형 차이를 가장 잘 반영하는 정량적 행동 매개변수 조합은 무엇인가?
• RQ3 정확도, 재현성, 처리 능력 측면에서 자동 지문 분석은 수동 행동 평가에 비해 어떻게 비교되는가?
• RQ4 행동 데이터에 기반해 훈련된 기계학습 모델이 높은 신뢰도로 돌연변이체 유전자형을 예측할 수 있는가?
• RQ5 행동 지문이 기저의 신경 회로 또는 분자적 결함을 어느 정도 반영하는가?

주요 결과

• 자동화된 시스템은 운동 동역학에 기반해 *C. elegans* 돌연변이체를 높은 정확도로 분류했으며, 일관성과 처리 능력 측면에서 수동 평가를 뛰어넘었다.
• 운동 신경세포, 아세틸콜린성 시냅스, 기계 감각에 결함이 있는 돌연변이체에 대해 고유한 행동 지문이 확인되어 명확한 표현형 군집화가 가능했다.
• 몸통 굽힘 주파수와 진폭은 특히 운동 속도 또는 조율이 손상된 돌연변이체에서 매우 구분력 있는 특징로 나타났다.
• 시각적 검토로는 어려운 RNAi-노크다운 및 결실 변이체에서 미세한 행동 차이를 성공적으로 탐지했다.
• 자동화된 특징에 기반해 훈련된 기계학습 모델은 교차 검증 테스트에서 90% 이상의 정확도로 돌연변이체 유전자형을 예측할 수 있었다.
• 이 시스템은 시간당 수백 마리의 웜을 고속 스크리닝할 수 있었으며, 수동 방법 대비 표현형 분석 시간을 수십만 배 이상 단축시켰다.