Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis

이 논문은 단일 세포 RNA 시퀀싱 (scRNA-seq) 분석과 같은 클러스터링 후 차등 발현 분석 (Post-clustering differential analysis) 에서 발생하는 '이중 섭취 (Double-dipping)' 문제를 해결하기 위해 제안된 데이터 분열 (Data Fission) 및 데이터 얇게 만들기 (Data Thinning) 방법론의 실질적인 한계를 비판적으로 분석하고 있습니다.

저자 Benjamin Hivert 등은 이러한 방법론이 이론적으로는 유망해 보이지만, 실제 혼합 분포 (Mixture Distributions) 가 존재하는 현실적인 데이터 환경에서는 1 차 오류 (Type I error) 통제 실패와 실용적 불가능성으로 인해 적용하기 어렵다는 것을 증명합니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

1. 문제 정의 (Problem)

• 이중 섭취 (Double-dipping) 문제: 클러스터링 후 차등 발현 분석을 수행할 때, 동일한 데이터를 먼저 클러스터를 정의하는 데 사용하고, 다시 그 클러스터 간 차이를 검정하는 데 사용합니다. 이로 인해 1 차 오류 (False Positive) 가 과도하게 증가합니다.
• 기존 해결책의 한계:
  • 선택적 추론 (Selective Inference): 클러스터링 사건을 조건으로 삼아 검정 통계량을 유도하는 방식이지만, 복잡한 클러스터링 알고리즘에 적용하기 어렵습니다.
  • 데이터 분열/얇게 만들기 (Data Fission/Thinning): 각 관측치를 두 개의 독립적인 부분 ($X^{(1)}$과 $X^{(2)}$) 으로 분할하여, 하나는 클러스터링에, 다른 하나는 차등 분석에 사용하는 방식입니다.
• 핵심 모순: 데이터 분열/얇게 만들기는 **동질적인 분포 (Gaussian, Poisson 등)**를 가정합니다. 그러나 클러스터링이 필요한 데이터는 본질적으로 **혼합 분포 (Mixture Model)**이며, 각 클러스터는 서로 다른 매개변수 (평균, 분산 등) 를 가집니다. 기존 방법론은 이러한 혼합 구조를 고려하지 않고 전역적 (Marginal) 인 분포를 가정하므로, 실제 클러스터가 존재할 때 독립성 가정이 깨집니다.

2. 방법론 및 분석 접근 (Methodology)

저자는 데이터 분열을 한계적 (Marginal) 접근과 조건부 (Conditional) 접근으로 나누어 분석했습니다.

• 한계적 데이터 분열 (Marginal Data Fission):

  • 데이터의 전체 분산 (Global variance) 을 추정하여 분열을 수행합니다.
  • 문제점: 실제 데이터가 혼합 분포일 경우, 전체 분산은 각 클러스터 내 분산의 평균이 되므로 각 클러스터의 실제 분산과 편차 (Bias) 가 발생합니다.
  • 결과: $X^{(1)}$과 $X^{(2)}$가 이론적으로는 무상관이어야 하지만, 실제 조건부 (클러스터 내) 수준에서는 **잠재적 상관관계 (Conditional Correlation)**가 발생합니다. 이는 $X^{(1)}$에서 생성된 인위적인 클러스터 구조가 $X^{(2)}$로 전이되어 1 차 오류를 유발합니다.

• 조건부 데이터 분열 (Conditional Data Fission):

  • 각 혼합 성분 (클러스터) 별 분산 ($\Sigma_g$) 을 알고 있을 때, 해당 성분에 조건을 두어 분열을 수행합니다.
  • 이론적 장점: 조건부 독립성을 보장하며, 1 차 오류를 통제하고 클러스터 구조를 올바르게 복원할 수 있습니다.
  • 실용적 한계: 조건부 분열을 수행하려면 사전에 클래스 멤버십 (클러스터 소속) 과 성분별 매개변수를 알아야 합니다. 그러나 이는 클러스터링을 수행하기 전에는 알 수 없는 값입니다. 즉, "클러스터링을 하기 위해 분열이 필요하고, 분열을 하기 위해 클러스터링이 필요하다"는 **순환 논리 (Circular Dependency)**에 빠집니다.

• 부정 이항 분포 (Negative Binomial) 적용:

  • scRNA-seq 데이터는 과분산 (Overdispersion) 특성을 가지므로 부정 이항 분포를 사용합니다.
  • 이 경우에도 과분산 매개변수 ($\theta$) 가 클러스터마다 다를 수 있으며, 변수 간 상관관계 (Gene-gene correlation) 를 고려하지 않는 단변량 (Univariate) 특성이 1 차 오류를 더욱 악화시킵니다.

3. 주요 결과 (Key Results)

• 1 차 오류 (Type I Error) 의 급격한 증가:
  • 시뮬레이션 결과, 한계적 데이터 분열을 사용할 경우 실제 클러스터가 없는 경우에도 인위적인 클러스터가 생성되어 1 차 오류율이 명목 수준 (예: 5%) 을 크게 초과했습니다.
  • 특히, 분산 추정치 ($\hat{\Sigma}$) 와 실제 분산 ($\Sigma$) 간의 편차 (Bias) 가 클수록 $X^{(1)}$과 $X^{(2)}$ 간의 상관관계가 강해져 오류가 증가함을 이론적으로 증명했습니다 (Proposition 1).
• 통계적 검정력 (Statistical Power) 의 저하:
  • 최적의 하이퍼파라미터 $\tau$ (정보 분할 비율) 를 찾더라도, 한계적 분열은 클러스터링 정보 ($X^{(1)}$) 와 검정 정보 ($X^{(2)}$) 간의 구조적 단절을 초래하여 검정력을 크게 떨어뜨렸습니다.
• 실제 데이터 적용 실패 (Tabula Sapiens 데이터):
  • 실제 scRNA-seq 데이터 (골수 과립구) 에 적용했을 때, 실제 클러스터가 존재하지 않는 동질적인 데이터임에도 불구하고, 유전자 간 상관관계로 인해 1 차 오류율이 **100%**에 달했습니다.
  • 단변량 (Univariate) 방식으로 분석을 분리하면 오류가 통제되었으나, 이는 다변량 상관관계를 무시하는 비현실적인 접근이었습니다.

4. 핵심 기여 (Key Contributions)

1. 이론적 한계 규명: 데이터 분열/얇게 만들기 방법론이 혼합 분포 (Mixture Models) 하에서는 전역적 (Marginal) 인 독립성만 보장할 뿐, 조건부 독립성은 보장하지 못함을 증명했습니다.
2. 편차와 오류의 정량화: 분산 추정치의 편차 (Bias) 가 어떻게 1 차 오류율 증가로 이어지는지 수식적으로 유도하고 시뮬레이션으로 검증했습니다.
3. 순환 논리 문제 제기: 조건부 데이터 분열이 이론적으로만 유효하며, 실제 적용을 위해서는 클러스터링 결과 (클래스 멤버십) 를 미리 알아야 한다는 모순을 지적했습니다. 이는 데이터 분열이 클러스터링 후 추론을 위한 '만병통치약'이 될 수 없음을 의미합니다.
4. scRNA-seq 데이터의 특수성 강조: 부정 이항 분포 모델에서 과분산 매개변수의 클러스터별 차이와 변수 간 상관관계가 1 차 오류를 악화시키는 주요 원인임을 실증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실무적 경고: 현재 제안된 데이터 분열 및 얇게 만들기 기법은 실제 세계의 클러스터링 문제 (실제 클러스터가 존재하는 상황) 에 적용하기 매우 어렵거나 불가능합니다.
• 순환적 딜레마: 이 방법론들은 "클러스터링 후 추론의 문제"를 해결하기 위해 제안되었으나, 그 자체를 수행하기 위해서는 "클러스터링 결과 (클래스 정보)"가 선행되어야 하므로 본질적인 해결책이 될 수 없습니다.
• 미래 방향:
  • 혼합 분포를 명시적으로 모델링하는 새로운 접근법이나, 클러스터링 구조를 사전에 알지 못하면서도 조건부 독립성을 근사할 수 있는 방법 (예: 이분산 모델, 비모수적 분산 추정 등) 이 필요합니다.
  • 현재로서는 데이터 분열/얇게 만들기가 신호 대 잡음비가 극도로 높은 극단적인 경우를 제외하고는, post-clustering inference 에 대한 신뢰할 수 있는 해결책이 될 수 없다고 결론지었습니다.

요약하자면, 이 논문은 데이터 분열/얇게 만들기라는 유망한 방법론이 이론적 가정 (동질성) 과 실제 데이터 구조 (이질성/혼합) 간의 괴리로 인해 실용적 한계에 봉착했음을 강력하게 주장하며, 해당 분야의 연구 방향을 재고할 것을 촉구하고 있습니다.