Flexible aggregation of compositional predictors with shared effects for microbiome association analysis

문제 정의
마이크로바이옴 데이터 분석은 고차원성, 희소성, 그리고 조성적(compositional) 특성으로 인해 상당한 어려움에 직면해 있습니다. 조성적 제약 조건은 상대적 풍부도가 1이 되어야 함을 요구하며, 이는 분류군(taxa) 간의 의존성을 유발하고 로그-비 모델(특히 계수의 합이 0이어야 하는 로그-대조 모델) 기반의 회귀 접근법을 필요로 합니다. 또한, 마이크로바이옴 데이터셋에는 소수의 피험자에게서만 관찰되는 수많은 희귀 특징들이 포함되어 있는데, 이들은 일반적으로 고정된 외부 계통수(phylogenetic tree)를 기준으로 필터링되거나 집계됩니다. 그러나 기존 방법론들은 한계가 있습니다. 페널티 기반 접근법(예: Lasso)은 불확실성을 포착하지 못하는 점 추정치를 제공하며 높은 허위 양성률을 보일 수 있고, 베이지안 방법론은 기능적 유사성을 반영하기 위해 외부 계통수에 의존하는 경우가 많습니다. 계통수는 진화적 근접성이 효과의 유사성을 결정한다는 가정을 전제로 하지만, 저자들은 이러한 가정이 특정 숙주-미생물 연관성에 있어서는 종종 유효하지 않다고 주장합니다.

방법론: BRACE
저자들은 **BRACE(Bayesian Regression with Agglomerated Compositional Effects)**를 제안합니다. 이는 고차원 조성 회귀를 위해 설계된 새로운 프레임워크로, 변수 선택, 데이터 적응형 클러스터링, 그리고 로그-대조 제약을 동시에 수행합니다. 이 방법은 세 가지 핵심 요소로 구성된 계층적 베이지안 모델을 기반으로 합니다:

1. 스파이크 앤 클러스터 사전 분포(Spike-and-Cluster Prior): 모델은 변수 선택(스파이크 성분)을 위해 각 예측자에 대한 이진 활성 지표($s_j$)를 도입합니다. 활성 집합에 대해서는, 활성 계수들을 클러스터로 그룹화하기 위해 Ewens 파티션 사전 분포(중국 식당 프로세스에서 유도됨)가 적용됩니다. 이를 통해 결과에 대해 유사한 효과를 가진 분류군들이 공통된 회귀 계수를 공유하게 함으로써, 외부 계통수에 의존하지 않고도 데이터 적응형 집계를 용이하게 합니다.
2. 제약된 가우시안 사전 분포(Constrained Gaussian Prior): $\mathbf{1}^\top \beta = 0$이라는 조성적 제약을 충족하기 위해, 모델은 클러스터 수준의 효과($\theta$)에 대해 투영 기반의 제약된 가우시안 사전 분포를 사용합니다. 구체적으로, 제약 없는 가우시안 벡터를 클러스터 크기($w^\top \theta = 0$)에 의해 정의된 초평면 위로 투영합니다. 이는 유도된 회귀 계수 $\beta = Z\theta$가 유효한 파라미터 공간 내에서 합이 0이 되는 제약을 엄격히 준수하도록 보장합니다.
3. 사후 추론(Posterior Inference): 저자들은 사후 추론을 수행하기 위해 깁스 샘플러(Gibbs sampler)를 개발했습니다. 핵심적인 기술적 혁신은 초평면 제약을 준수하면서 클러스터 레이블과 효과를 효율적으로 샘플링하는 것입니다. 이는 레이블 업데이트를 위한 붕괴된 주변 가능도(collapsed marginal likelihood)를 얻기 위해 클러스터 효과를 적분하고, 초평면 절단 다변량 정규 분포로부터 시뮬레이션하기 위한 빠른 알고리즘을 사용하는 과정을 포함합니다.

주요 결과
BRACE의 성능은 광범위한 시뮬레이션 연구와 실제 사례 적용을 통해 평가되었습니다:

• 시뮬레이션 연구:

  • 시나리오 1 (구조화된 신호): 구조화된 신호와 의존성이 있는 통제된 환경에서, BRACE는 경쟁 모델들(Lasso CLR, Lasso Comp, BAZE, BCGLM)에 비해 일관되게 가장 낮거나 최저 수준의 예측 오차 및 $L_2$ 손실을 달성했습니다. 또한 높은 조정 랜드 지수(Adjusted Rand Index)를 통해 실제 클러스터 구조를 회복하는 탁월한 능력을 입증하였으며, 잘 보정된 예측 신뢰 구간을 유지했습니다.
  • 시나리오 2 (준합성 ORIGS 데이터): 실제 구강 마이크로바이옴 데이터의 복잡성을 모사하여, BRACE는 다양한 신호 대 잡음비(SNR) 환경에서 모든 벤치마크 방법론을 능가했습니다. 특히 높은 신호 수준에서 BRace는 완벽한 변수 선택(허위 양성 및 허위 음성 모두 0)을 달성하였는데, 이는 경쟁 방법론들이 공유하지 못한 특성입니다.
  • 변수 선택: 저자들은 상관관계가 있는 설계에서 효과적으로 허위 발견율(FDR)을 제어하기 위해 사후 포함 확률과 크기 필터를 결합한 실용적인 영 가설 기준($Pr(|\beta_j| > \epsilon | y) > 0.90$)을 도입했습니다.

• 실제 데이터 적용 (ORIGINS 연구):

  • 구강 감염, 당 내성 및 인슐린 저항성 연구(ORIGINS Study)에 적용된 결과, BRACE는 공복 인슐린 수치와 관련된 4개의 비제로 클러스터로 그룹화된 17개의 특징을 식별했습니다.
  • 이 방법은 인슐린 저항성과 양(+)의 연관성을 가진 특정 분류군(예: Tannerella forsythia, Prevotella 종)을 식별했습니다.
  • 결정적으로, 데이터 적응형 클러스터는 계통적 근접성을 엄격히 따르지 않았습니다. 예를 들어, 밀접하게 연관된 종들이 서로 반대되는 효과 방향을 보였고, 계통적으로 먼 분류군들이 공유된 기능적 효과로 인해 함께 그룹화되었습니다. 이는 계통수가 이 맥락에서의 연관성 분석을 가이드하기에 불충분하다는 저자들의 가설을 확인시켜 주었습니다.
  • 기능 분석(PICRUSt2 활용) 결과, 식별된 클러스터들이 뚜렷한 기능적 프로파일에 대응함을 보여주었으며, 이는 데이터 적응형 그룹화의 생물학적 타당성을 뒷받침합니다.

의의 및 주장
본 논문은 BRACE가 고정된 외부 계통수에 의존하지 않고 유연하고 데이터 적응적인 특징 집계 및 선택을 제공하는 최초의 베이지안 고차원 조성 회귀 방법론이라고 주장합니다. 주요 기여는 다음과 같습니다:

1. 방법론적 혁신: Ewens 파티션 사전 분포와 투영 기반 제약 가우시안 사전 분포의 통합은 회귀 계수에 직접적으로 로그-대조 제약을 적용하는 동시에 유연한 효과 클러스터링을 가능하게 합니다.
2. 우수한 성능: BRACE는 특히 희귀 특징과 공유된 효과가 포함된 시나리오에서 기존의 최첨단 방법론들과 비교하여 우수한 예측 정확도, 차원 축소 및 특징 선택 능력을 입증했습니다.
3. 해석 가능성: 유사한 효과를 가진 분류군을 그룹화함으로써, 이 방법은 더 해석 가능한 모델을 제공하며 희귀 특징들을 더 조밀하고 견고한 그룹으로 붕괴시켜 처리할 수 있는 메커니즘을 제공합니다.

한계점
저자들은 붕괴된 깁스 샘플러(collapsed Gibbs sampler)의 계산 비용, 특히 추론된 클러스터 수가 예측자에 비해 많을 때 반복적인 행렬 역행렬 계산으로 인해 비용이 높아질 수 있음을 인정했습니다. 그들은 향-확장성(scalability)을 개선하기 위해 향후 연구가 근사 추론 전략(예: 변분 베이즈) 개발에 집중할 수 있다고 제안했습니다. 또한, 본 방법은 표준적인 의사 카운트(pseudocount) 전처리를 통해 제로(zero) 값을 처리하지만, 가능도 구조 내에서 제로-과잉(zero-inflation)을 명시적으로 모델링하지는 않습니다.