← 목록으로
Animal Behavior

Phenotypic correlates of the working dog microbiome

정리일 2026-10-03

Phenotypic correlates of the working dog microbiome

  • 저자: Craddock HA; Godneva A; Rothschild D; Motro Y; Grinstein D; Lotem-Michaeli Y; Narkiss T; Segal E
  • 출처: - (2022)
  • DOI/링크: https://doi.org/10.1038/s41522-022-00329-5
  • 연구 계열: Topics/Animal Behavior
  • 투고일: 2021-09-06

TL;DR

작업견 134마리의 분변 메타지놈 분석 결과, 장내 미생물군집 특성이 동기부여, 공격성, 겁/주저함, 사회성, 특정 훈련사에 대한 복종성, 체형점수(BCS) 등과 통계적으로 연관되었다. 머신러닝 예측모델에서는 동기부여, 사회성, 위장관 문제에 대해 중간 수준의 예측력이 관찰되었다.


1. 연구 배경 및 동기

  • 다루는 문제: 작업견은 법 집행 및 군사 작전에서 핵심적 역할을 하며 수행능력 향상을 위한 연구가 지속되고 있다. 실험동물 모델에서는 장-뇌 축을 통해 장내 미생물군집과 행동·정신건강이 연관될 수 있음이 시사되었으나, 작업견에서의 미생물군집-행동 관계 연구는 부족하다.
  • 기존의 공백 / 왜 필요한가: 비작업견(반려견) 소규모 연구에서 공격성·불안 등 문제행동과 장내 미생물군 특성의 연관성이 보고되었지만, 작업견은 반려견과 행동 특성이 크게 다르므로 직무 수행과 관련된 미생물군집 연구가 필요하다.

2. 관련 연구

  • 기존 연구 흐름: 기존 연구들은 반려견 및 실험동물의 장내 미생물군집을 건강·질병 상태에서 특성화했고(16S rRNA 기반 소규모 연구 다수), 일부 파일럿 연구에서 수색구조견의 이동 스트레스와 미생물군집 변화, 후각탐지견의 비강·구강 미생물군 차이를 보고했다.
  • 이 논문의 위치: 본 연구는 134마리 작업견을 대상으로 샷건 메타지놈 시퀀싱을 이용해 포괄적으로 미생물군집을 특성화하고, 머신러닝(Xgboost 기반 gradient boosting) 예측모델을 통해 행동·수행 표현형과의 연관성을 분석한 최초의 대규모 작업견 미생물군집-행동 연구이다.

3. 핵심 기여

  1. 134마리 작업견에서 샷건 메타지놈 시퀀싱을 통한 미생물군집 특성화
  2. 동기부여·공격성·겁/주저함·사회성·복종특이성·BCS 등 표현형과 미생물군 마커 간 통계적 연관성 규명
  3. Xgboost 기반 머신러닝 예측모델로 동기부여·사회성·위장관 문제에 대한 중간 수준 예측력 입증
  4. 작업견 돌봄 및 수행능력 향상을 위한 잠재적 미생물군집 마커 제시

4. 제안 방법론

  • 전체 접근 논리: 작업견의 신선한 분변 시료를 수집해 샷건 메타지놈 시퀀싱으로 미생물군집 조성을 분석하고, 행동·수행·인구통계학적 메타데이터와의 연관성을 기술통계 및 머신러닝(Xgboost 기반 gradient boosting 분류) 예측모델로 평가했다.
  • 단계:
    • 두 코호트(2018년, 2019년)에서 총 134마리 작업견의 신선 분변 시료 수집(Eswabs) 및 -80°C 보관
    • PowerMicrobial/PowerSoil 키트로 유전체 DNA 추출 후 Illumina NextSeq 500으로 샷건 메타지놈 시퀀싱 수행
    • 숙주 DNA 제거 및 SGB(species-level genome bin) 기반 상대적 풍부도 산출
    • Kruskal-Wallis, Mann-Whitney, Pearson 상관분석으로 미생물군 특징과 표현형 간 연관성 평가, Xgboost gradient boosting 모델로 3-fold 교차검증 기반 행동/표현형 예측

5. 실험 설정

항목 내용
대상/재료 이스라엘 작업견 프로그램 소속 작업견 134마리(Malinois, Belgian/Dutch Shepherd, Corgi, GSD, Labrador 등 다양한 품종, 연령 0.5-12세)
처리 조건 2개 코호트(2018년 5-6월, 2019년 9-12월)에서 분변 시료 수집, 최근 4주 내 항생제 투여견은 제외, 성별·품종·직무(추적견·번식견·후각탐지견·물기훈련견·수색구조견)·중성화 여부·만성 위장관 질환 여부 등 메타데이터 수집
대조군 해당 없음(관찰적 상관분석 연구, 별도 대조군 없음)
측정 방법 동기부여, 공격성, 겁/주저함, 사회성, 복종성(일반 및 특이성), 스트레스 수준, 직무수행도(각 1-5점 척도), 체형점수(BCS, 1-9 척도), 미생물군집 풍부도·다양성·특정 속/종/문 수준 상대 풍부도, butyrate/acetate 생성균 비율

6. 실험 결과 분석

지표 변화(Δ) 조건 · 유의성
BCS와 미생물군 Faecalibacterium prausnitzii 풍부도·다양성과 음의 상관, Bacteroides·Fusobacteriaceae·Lachnospiraceae·Megamonas와 양의 상관 FDR 보정 후 유의(p<0.15)
동기부여 점수 Faecalibacterium prausnitzii·Eubacterium과 음의 상관, Prevotella와 양의 상관, Firmicutes와 음의 상관 유의함
겁/주저함 점수 Faecalibacterium prausnitzii·Roseburia·Eubacterium·풍부도·다양성과 음의 상관, butyrate/acetate 생성균 및 Lactobacillaceae와 양의 상관 유의함
사회성 점수 풍부도·butyrate/acetate 생성균과 음의 상관, Lachnospiraceae·Bacteroides와 양의 상관 유의함
공격성 점수 풍부도·다양성·Blautia·Bradyrhizobium·Ruminococcaceae와 양의 상관, Lachnospiraceae·Selenomonadaceae와 음의 상관 유의함
머신러닝 예측력 동기부여, 사회성, 위장관 문제에서 중간 수준 예측력 관찰; 직무수행도·스트레스 수준은 예측력 없음 Xgboost, 3-fold 교차검증 ROC AUC 기준

제안 기전(인과 사슬): 장내 미생물군집 조성(예: Firmicutes/Bacteroides 비율, butyrate/acetate 생성균, Faecalibacterium prausnitzii 등) → 장-뇌 축을 통한 신경전달물질·대사산물 생성 변화 → 동기부여·공격성·사회성 등 행동 표현형 및 체형점수 변화

7. 비판적 평가

강점

  • 134마리라는 비교적 큰 표본과 샷건 메타지놈 시퀀싱을 사용한 포괄적 미생물군집 특성화
  • 단순 상관분석을 넘어 머신러닝 예측모델로 교차검증된 예측력 평가
  • 다양한 품종·직무·연령을 포함한 작업견 집단을 대상으로 한 최초의 대규모 연구

한계 · 의문

  • 머신러닝 분석을 위해서는 비교적 작은 데이터셋이며, 품종·직무·연령 등 이질적 집단으로 특정 연관성이 가려지거나 과장되었을 가능성
  • 두 코호트 간 유의한 배치 효과(batch effect)가 관찰되어 품종·직무와 코호트 효과를 완전히 분리하지 못함
  • 외부 검증된 행동 척도가 아닌 기관 내부 척도를 사용했으며, 관찰적 설계로 인과관계 확인 불가

8. 향후 연구 방향

  • 미생물군집 변화가 행동 특성보다 선행하는지 확인하기 위한 종단적 연구
  • 단일 직무 유형 또는 보다 동질적인 집단을 대상으로 한 다변량 분석 연구
  • 프리/프로바이오틱스 보충을 통한 미생물군집 조작이 수행능력에 미치는 영향을 검증하는 중재 연구

9. 결론

작업견의 장내 미생물군집은 동기부여, 공격성, 겁/주저함, 사회성, 복종특이성, BCS 등 다양한 행동·신체 표현형과 연관되며, 머신러닝 예측모델은 일부 표현형(동기부여, 사회성, 위장관 문제)에 대해 중간 수준의 예측력을 보였다. 이는 작업견 돌봄 및 수행능력 향상을 위한 잠재적 미생물군집 마커로 활용될 수 있음을 시사한다.

Keywords

working dogs, gut microbiome, behavior, metagenomics, machine learning, body condition score, motivation

원문 그림

Fig. 1 Relative abundance of microbiome features that differed
Fig. 1 Relative abundance of microbiome features that differed
Fig. 2 Relative value of microbiome features that differed by the
Fig. 2 Relative value of microbiome features that differed by the
Fig. 4 Relative value of microbiome features that differed by canine job group and are statistically significant (Only associations
Fig. 4 Relative value of microbiome features that differed by canine job group and are statistically significant (Only associations
Fig. 3 Relative value of microbiome features that differed by canine breed group and are statistically significant (only associations
Fig. 3 Relative value of microbiome features that differed by canine breed group and are statistically significant (only associations
Fig. 5 Relative value of microbiome features that differed by if the dog had recurrent gastrointestinal (GI) illness or not (only
Fig. 5 Relative value of microbiome features that differed by if the dog had recurrent gastrointestinal (GI) illness or not (only
Fig. 6 Heatmap depicting correlation among canine demographic and phenotypic data via Pearson's correlation. Only values after false
Fig. 6 Heatmap depicting correlation among canine demographic and phenotypic data via Pearson's correlation. Only values after false
Fig. 7 Heatmap depicting correlation among microbiome features and canine demographic and phenotypic data. A Microbiome features
Fig. 7 Heatmap depicting correlation among microbiome features and canine demographic and phenotypic data. A Microbiome features
Fig. 8 Heatmap depicting correlation among bacterial families and canine demographic and phenotypic data. Only values significant
Fig. 8 Heatmap depicting correlation among bacterial families and canine demographic and phenotypic data. Only values significant

원문 그림 · 라이선스: cc-by

paperworking-dogsgut-microbiomebehaviormetagenomicsmachine-learningbody-condition-score