전압 이미징은 신경세포의 전기적 활동을 영상의 형태로 측정하는데 사용되는 최첨단 신경과학 기술로, 뇌로부터 모든 정보를 읽어내기 위해 활용될 미래 기술로 각광 받고 있으나 낮은 측정 정밀도를 가진다. SUPPORT 기술은 이러한 영상 데이터 내 픽셀값의 시공간적 의존성을 학습함으로써 노이즈를 제거하여 전기신호의 고정밀 측정을 가능하게 하였다.

징은 신경세포의 전기적 활동을 광학적으로 측정하는데 사용되는 신경과학의 최첨단 기술이다. 이 기술은 신경세포의 세포막 전압에 따라 밝기가 변화하는 형광 분자를 활용함으로써, 신경세포의 전기적 활동을 영상의 형태로 관찰할 수 있게 한다. 전압 이미징에서 가장 큰 어려움은 신호 대 잡음비 (SNR)가 낮다는 것으로, 밀리초 단위로 변화하는 전기 신호를 측정하기 위해서는 1,000 Hz 이상의 고속 이미징이 요구된다. 이로 인해 각 프레임 당 이미지 센서가 받는 빛의 양이 극히 낮아 전기신호와 잡음의 구별이 어렵게 만든다.

이를 해결하기 위해 KAIST의 윤영규 교수 연구팀은 픽셀 값 사이의 시공간적 의존성을 학습하고 활용하는 혁신적인 자기지도 노이즈 제거 알고리즘인 SUPPORT를 개발하였다.   SUPPORT는 편향되지 않은 통계적 추정을 통해서 전압 이미징 데이터의 정확한 노이즈 제거를 가능하게 함으로써, 전압 이미징의 기술적 장벽을 크게 낮추었다. 전압 이미징 데이터의 픽셀 값이 시공간적으로 인접한 픽셀에 의존성을 가진다는 최소한의 가정을 통해 통계적 편향을 피하고 정밀한 노이즈 제거가 가능하게 하였다.

SUPPORT의 핵심적인 강점은 노이즈 제거하고자 하는 이미지로부터 직접 통계적 의존성을 학습하는 능력에 있다. 최소한의 가정만으로 대상 데이터로부터 직접 학습 가능한 특성의 시너지 효과로 인해, 전압 이미징 데이터 외에도 거의 모든 현미경 영상의 노이즈 제거에서 극히 뛰어난 성능을 보인다. 연구팀은 이 기술을 모두가 손쉽게 사용할 수 있도록 사용자 친화적인 그래픽 유저 인터페이스(GUI)를 만들어 소프트웨어를 배포하였고 이미 국내외 다수의 연구진들이 활용하고 있다고 하였다. 논문의 공동 1저자인 엄민호 연구원과 한승재 연구원은 “이렇게 많은 연구자들이 우리 기술을 연구에 활용하는 것을 보게 되어 매우 기쁘다”로 하였다.

이 연구는 국제 학술지 `네이처 메소드(Nature Methods)'에 2023년 9월 19일 자로 온라인 게재되었으며 10월호 표지 논문으로 선정되었다. (논문명 : Statistically unbiased prediction enables accurate denoising of voltage imaging data)