스위스 제네바 대학교 뇌 및 행동 연구실의 자기공명영상 스캐닝. 출처: Salvatore Di Nolfi/EPA/Shutterstock

'실험적 설계': 이 단어는 많은 독자가 실제 연구 결과로 넘어가기 전에 잠깐 훑어볼 만한 연구 논문의 한 부분을 나타냅니다. 하지만 이번 주 Nature 에 실린 한 연구는 모든 연구자(독자와 논문 작성자 모두)가 과학적 과정의 방법 부분에 대해 조금 더 숙고하도록 만들어야 합니다.

논문 읽기: 연구 설계 특징은 뇌 전체 연관 연구에서 재현성을 높입니다.

테네시주 내슈빌에 있는 Vanderbilt University Medical Center의 생물통계학자 Simon Vandekar가 이끄는 이 연구는 뇌 전체 연관 연구(BWAS)를 더욱 견고하게 만드는 방법에 관한 것입니다( K. Kang et al.

Nature https://doi.org/10.1038/s41586-024-08260-9; 2024 ). BWAS의 핵심 아이디어는 통계 도구와 머신 러닝 알고리즘을 사용하여 뇌 이미지 컬렉션을 연구하는 것입니다. 이는 어떤 특정 뇌 특징이나 활동 패턴이 특성이나 행동과 연관되어 있는지 예측하는 것입니다. 예를 들어, 추상적으로 추론하는 능력이나 특정 부정적인 감정을 경험하는 경향과 같은 것입니다.

하지만 BWAS는 재현성이 낮다는 오래되고 잘 알려진 문제가 있습니다. 같은 주제에 대한 두 연구가 다른 결론을 내릴 수 있습니다. 문제의 대부분은 일부 BWAS 연구에서 효과를 정확하게 반영하려면 엄청난 수의 샘플이 필요하다는 것입니다. 작은 샘플 크기는 특정 뇌 특징과 행동 또는 특성의 관계를 과장할 수 있습니다. DNA의 차이를 건강이나 질병의 특성과 연관시키려는 유사한 게놈 전체 연관 연구 분야에서는 수만 개의 참가자 샘플이 있는 데이터 세트를 수집하여 신뢰할 수 없다는 문제를 극복하고 있습니다. 그러나 뇌의 경우 특히 유럽과 미국 이외의 연구자에게는 훨씬 더 어렵습니다. 분자 공명 영상(MRI) 기계에서 1시간 동안 스캐닝하는 데 약 1,000달러가 듭니다. 미국 국립보건원은 매년 약 20억 달러를 신경 영상 연구에 분배하지만 이 수준의 자원을 보유한 다른 국가는 거의 없습니다.

반데카르와 그의 동료들은 양보다는 질에 집중하는 것이 하나의 답이 될 수 있다고 제안합니다. 그들은 건강한 성인과 건강한 어린이의 100,000개 이상의 MRI 스캔과 정신 건강 문제가 있는 어린이의 스캔을 분석했습니다.

뇌와 행동을 연결하는 재현 가능한 연구를 위한 디자인 팁

그들의 목표는 연령, 성별, 인지 기능 및 정신 건강과 같은 요인이 다양한 연구 설계에서 뇌 구조 및 기능과 어떻게 연관되어 있는지 탐구하는 것이었습니다. 예를 들어, 한 연구에서는 뇌의 부피가 연령에 따라 어떻게 변하는지 탐구했습니다. Vandekar와 그의 공동 저자는 여러 사람을 한 번만 스캔한 것과 비교했을 때(단면 연구) 시간이 지남에 따라 같은 사람을 반복해서 MRI 스캔하면 더 강력한 결과를 얻을 수 있다는 것을 발견했습니다( RJ Chauvin 및 NUF Dosenbach Nature https://doi.org/10.1038/d41586-024-03650-5; 2024 참조 ).

이러한 종단 연구는 만성 또는 퇴행성 질환의 바이오마커를 식별하는 것과 같은 과학 분야에서 오랫동안 가치가 입증되었습니다( Y. Guo et al. Nature Aging 4 , 247–260; 2024 ). 종단 연구는 횡단면 연구가 필요한 일부 유형의 질문에는 효과가 없지만, 소규모 횡단면 연구에서 연루될 가능성이 있는 것처럼 보이는 무관한 요소를 배제하는 데는 효과적입니다.

그러나 단서가 있습니다. 예를 들어 종단 연구를 수행하는 연구자는 시간이 지남에 따라 의미 있고 통계적으로 유의미한 차이를 포착하려면 한 개인의 측정 사이에 충분히 긴 간격을 두어야 합니다. Vandekar와 그의 동료들은 또한 연구자가 시간이 지남에 따라 개인에게 발생하는 변화와 개인 간의 차이를 모두 고려해야 한다고 강조합니다.

모든 연구는 계획되어야 합니다. BWAS의 경우, 견고한 결과를 얻을 수 있는 방식으로 참여자를 선택하고 올바른 통계 모델을 사용하면 대량의 표본 크기에 대한 자동적인 필요성 없이도 결과의 신뢰성을 개선할 수 있습니다. 통계적 엄격성의 이점은 통계학자와 신경과학자가 연구에 보다 정교한 데이터 처리 방법을 사용함에 따라 더 많은 협업이 필요하다는 점을 강조합니다. 이러한 결과는 신경과학 커뮤니티에 가치가 있을 것이며 더 많은 관심을 받을 만합니다.

많은 과학 분야가 데이터 중심의 발견에 뛰어들고 있으며, 인공 지능 알고리즘의 패턴 탐색 능력의 도움을 점점 더 많이 받고 있습니다. 그렇게 되면서 상관관계와 인과관계에 대한 질문과 발견 사항이 통계적으로 유의미하고 재현 가능한지 확인하는 문제가 점점 더 중요해지고 있습니다. 즉, 연구자는 논문을 읽든 쓰든 실험 설계를 피해서는 안 됩니다.

연구 방법과 연구가 효과에 대한 신호를 얻는 방법에 더 많은 관심을 기울이는 것은 결과가 시간의 시험을 견뎌낼 수 있도록 하는 방법입니다.