Multi-omics network reconstruction with collaborative graphical lasso

기술 요약: 멀티오믹스 네트워크 재구성을 위한 협력적 그래피컬 라쏘 (Collaborative Graphical Lasso)

문제 정의
멀티오믹스 데이터의 가용성이 증가함에 따라, 생물학적 과정에 대한 총체적인 분자적 설명을 제공할 수 있는 통합 방법론에 대한 필요성이 커지고 있다. MOFA(Multi Omics Factor Analysis)나 DIABLO와 같은 기존 전략들은 요인 분석(factor analysis)이나 지도 학습 기반의 바이오마커 발굴에 집중하고 있는 반면, 멀티오믹스 상호작용 네트워크의 재구성은 여전히 미발달 상태이다. 표준 가우시안 그래피컬 모델(GGM), 특히 그래피컬 라쏘(glasso)는 단일 계층 데이터에는 효과적이지만, 멀티오믹스 계층 간의 구별되면서도 상호 의존적인 특성을 반영하지 못한다. 멀티오믹스 데이터에 glasso를 직접 적용하는 것은 계층들을 마치 동일한 것처럼 병합하는 것을 요구하며, 이는 잠재적으로 계층별 정보를 손실시킬 수 있다. 반대로, DRAGON과 같은 기존의 멀티오믹스 GGM 확장 방식은 별도의 패널티 파라미터를 도입하지만, 계층 간의 "협력(collaboration)"을 장려하는 메커니즘이 부족하다. 이러한 협력 개념은 멀티오믹스 선형 회귀(collaborative regression)에서는 성공적으로 적용되었으나, GGM 추정에서는 이전에 부재했다.

방법론
저자들은 목적 함수를 수정하여 다계층 데이터를 처리할 수 있도록 glasso 프레임워크를 확장한 알고리즘인 **협력적 그래피컬 라쏘(collaborative graphical lasso, coglasso)**를 제안한다.

1. 목적 함수 수정:
   Coglasso는 두 개의 오믹스 계층 $X$ (크기 $p_X$)와 $Z$ (크기 $p_Z$)에 대해 분산-공분산 행렬의 부분 블록과 계수 벡터를 분할하여 정밀도 행렬(precision matrix) $\Theta$를 추정한다. 노드 $i$에 대한 연결을 나타내는 대리 벡터 $\beta_i$를 추정하기 위한 목적 함수는 세 가지 구성 요소를 포함한다:

   • 네트워크 구조 추정을 위한 표준 glasso 항.
   • 협력 항(collaborative term): 네트워크 구조에 대한 계층 $X$와 계층 $Z$의 가중치 기여도 차이의 제곱을 패널티로 부여한다. 이는 하이퍼파라미터 $c$에 의해 제어된다. 이 항은 계층들이 서로로부터 정보를 "빌려오도록" 유도하여, 이들의 기여도를 조화시키고 계층 특이적 편향이 추론을 지배하는 것을 방지한다.
   • 혼합 L1 패널티 시스템: 단일 패널티를 사용하는 glasso와 달리, coglasso는 두 개의 구별된 패널티 파라미터를 사용한다:
     • $\lambda_w$: 동일한 오믹스 계층 내에서의 상호작용에 대한 희소성(sparsity)을 제어한다.
     • $\lambda_b$: 서로 다른 오믹스 계층 간의 상호작용에 대한 희소성을 제어한다.

2. 최적화:
   알고리즘은 좌표 descent(coordinate descent) 절차를 사용하여 수정된 목적 함수를 반복적으로 해결하며, 수렴할 때까지 정밀도 행렬의 행을 하나씩 업데이트한다.

3. 모델 선택 (XStARS):
   세 가지 차원의 하이퍼파라미터 공간으로 인해 최적의 하이퍼파라미터($\lambda_w, \lambda_b, c$)를 선택하는 것은 까다롭다. 저자들은 원본 StARS 알고리즘(Liu et al., 2010)을 확장한 안정성 기반 기준인 **XStARS(eXtended StARS)**를 도입하였다. XStARS는 세 차원의 하이퍼파라미터 그리드에 걸쳐 데이터의 반복적인 서브샘플링을 통해 네트워크 안정성을 평가하여 가장 안정적인 네트워크 구조를 선택한다.

주요 기여

• 알고리즘 혁신: GGM 프레임워크에 협력적 패널티 항을 도입하여, 멀티오믹스 계층이 고유한 구조적 특성을 유지하면서도 정보를 공유할 수 있게 하였다.
• 유연한 규제화: 계층 내 및 계층 간 희소성을 독립적으로 제어할 수 있는 이중 규제화 체계($\lambda_w$ 및 $\lambda_b$)를 구현하였다.
• 모델 선택 프레임워크: 새로운 협력적 프레임워크에 필요한 고차원 하이퍼파라미터 튜닝 문제를 해결하기 위해 XStARS를 개발하였다.
• 구현: XStARS 선택 절차를 포함한 coglasso R 패키지를 CRAN에 출시하였다.

결과
coglasso의 성능은 광범로한 시뮬레이션과 실제 응용 사례를 통해 평가되었다:

1. 시뮬레이션 연구:

   • 설정: 차원이 증가하는 세 가지 시나리오($p=60, 100, 150$)와 계층 간 연결이 있는 클러스터 네트워크 등 다양한 구조적 복잡성을 생성하였다.
   • 성능 지표: coglasso를 표준 glasso와 F1 계수, 매튜스 상관 계수(MCC), 쿨백-라이블러 발산(KLD)을 통해 비교하였다.
   • 결과: coglasso는 실제 네트워크 구조를 복구하고 정밀도 행렬 값을 추정하는 데 있어 일관되게 glasso보다 우수한 성능을 보였다. coglasso의 성능 우위는 문제의 복잡성과 차원이 증가할수록 뚜xt하게 나타났다.
   • 협력의 영향: 거의 모든 경우에서 협력 파라미터 $c > 0$일 때 최상의 성능을 보이는 네트워크가 도출되었으며, 이는 협력 항이 실제로 추론을 개선함을 확인시켜 준다.
   • 모델 선택: XStARS는 glasso에 적용된 표준 StARS가 선택한 네트워크보다 더 우수한 구조적 복구(높은 F1 및 MCC)를 가진 네트워크를 성공적으로 선택하였다.

2. 수면 박탈 데이터에 대한 적용:

   • 데이터셋: 수면이 박탈된 생쥐의 전사체(162개 유전자)와 대사체(76개 대사물질)를 포함하는 Diessler et al. (2018)의 멀티오믹스 데이터셋을 사용하였다.
   • 생물학적 검증:
     • 지식 기반: 재구성된 네트워크는 수면 박탈 시 유도되는 것으로 알려진 Cirbp(Cold-Induced RNA Binding Protein) 및 열충격 단백질(Hspa5, Hsp90b1)과 관련된 알려진 상호작용을 성공적으로 복구하였다. 또한 Cirbp와 트립토판 사이의 연결을 식별하여 세로토닌 조절과의 연관성을 찾아냈다.
     • 데이터 기반: 커뮤니티 탐지를 통해 아미노산과 Fos/Jun 및 Egr 패밀리의 전사 인자로 풍부한 클러스터를 식별하였다. 네트워크는 이러한 전사 인자와 특정 아미노산(예: Fos와 leucine, Junb와 methionine 및 histidine) 사이의 알려진 연결을 복구하였으며, 이는 아미노산 결핍 반응(AAR) 문헌과 일치한다.
     • 새로움: 이 방법은 수면 박탈 중 미접힘 단백질 반응(UPR)에서 Cirbp의 잠재적 조절 역할을 하는 것과 같이, 아직 명시적으로 검증되지 않은 생물학적으로 일관된 연결을 제안하였다.

의의 및 주장
본 논문은 coglasso가 데이터의 다계층적 특성을 독특하게 활용함으로써 멀티오믹스 네트워크 재구성을 위한 새롭고 유의미한 대안을 제시한다고 주장한다. 저자들은 이 방법이 계층 내 및 계층 간의 희소성을 제어하면서 모달리티 간의 정보를 효과적으로 통합한다고 강조한다.

저자들은 다음과 같은 한계점과 향후 과제에 대해 겸허한 입장을 유지한다:

• 가정: 표준 GGM과 마찬가지로, coglasso는 모든 멀티오믹스 데이터에 적용되지 않을 수 있는 다변량 정규성 가정에 의존한다. 저자들은 향후 코풀라(copula) 기반 기술을 통합하여 이를 해결할 수 있을 것이라고 제안한다.
• 범위: 현재 구현은 두 개의 오믹스 계층을 지원하지만, 저자들은 이를 두 개 이상의 계층으로 확장하는 것이 유망한 방향이라고 언급하였다.
• 비교: 저자들은 차원 축소 및 바이오마커 발굴이라는 주요 목적이 다르기 때문에 MOFA나 DIABLO와 같은 인기 있는 도구들을 비교 대상에 포함하지 않았음을 명시하였다. 또한 DRAGON은 공개된 문서가 부족하여 제외되었다.
• 일반화 가능성: 생물학적 데이터에서 입증되었으나, 저자들은 이 방법이 일반적이며 기능적 MRI 데이터로부터 연결성 네트워크를 재구성하는 뇌과학 등의 다른 분야에도 적용될 수 있다고 언급하였다.