NExON-Bayes: A Bayesian approach to network estimation informed by ordinal covariates

기술 요약: NExON-Bayes

문제 정의
질병 단계나 치료 반응이 서로 다른 환자들의 오믹스(omic) 데이터셋과 같은 이질적인 생물 의학 데이터를 분석할 때, 표준 가우시안 그래피컬 모델(Gaussian Graphical Models, GGM)은 모든 샘플에 대해 균일한 조건부 의존 구조를 가정하기 때문에 종종 실패합니다. 이러한 가정은 샘플의 변동성이 질병 중증도와 같은 내재적 요인에 의해 발생하는 경우 오해의 소지가 있는 결론을 초래할 수 있습니다. 최근의 방법들은 여러 네트워크를 공동으로 추정하려고 시도하지만, 많은 경우 서브그룹을 교환 가능(exchangeable)한 것으로 취급하여 자연스러운 순서(예: 질병 단계 I, II, III)를 무시합니다. 또한, 기존의 공변량 의존적 접근 방식은 정밀 행렬(precision matrix)의 양의 정치성(positive definiteness)을 보장하는 데 어려움을 겪거나 고차원 설정에 필요한 확장성이 부족한 경우가 많습니다

방법론
저자들은 서열 공변량(ordinal covariates, 예: 질병 단계, 치료 반응 범주 또는 유전자 복제수)을 통합하도록 그래피컬 스파이크 앤 슬랩(graphical spike-and-slab) 모델을 확장한 베이지안 프레임워크인 NExON-Bayes를 제안합니다.

• 모델 구조: 이 방법은 동일한 공변량 값을 가진 공변량 그룹 내의 샘플들이 특정 정밀 행렬 $\Omega^{(a)}$를 공유한다고 가정하며, 공변량 수준 $a \in A$에 따라 이 행렬들이 변화할 수 있도록 허용합니다.
• 스파이크 앤 슬랩 사전 분포(Spike-and-Slab Prior): 희소성(sparsity)을 유도하기 위해, NExON-Bayes는 각 정밀 행렬의 비대각 요소에 연속적인 스파이크 앤 슬랩 사전 분포를 사용합니다. 이는 이진 엣지 포함 지표 $\delta^{(a)}_{ij}$에 의해 제어되는 두 개의 가우시안 혼합(저분산 "스파이크"와 고분산 "슬랩")을 활용합니다.
• 서열 공변량 의존성: 정밀 행렬의 항목을 공변량의 함수로 직접 모델링하는 방식과 달리, NExON-Bayes는 프로빗(probit) 서브모델을 통해 엣지 포함 확률을 모델링합니다. 구체적으로, 엣지 포함 지표 $\delta^{(a)}_{ij}$는 표준 정규 누적 분포 함수 $\Phi$를 따르는 베르누이 분포를 따르며, 여기서 $\Phi(\zeta_{ij} + a\beta_{ij})$는 $\zeta_{ij}$가 기저 오프셋(baseline offset)이고 $\beta_{ij}$가 공변량 $a$의 영향을 정량화하는 엣지별 회귀 계수임을 나타냅니다.
• 추론 알고리즘: 고차원 데이터의 계산 요구량을 해결하기 위해, 저자들은 결정론적인 변분 베이즈 기대 최대화(Variational Bayes Expectation Conditional Maximisation, VBECM) 알고리즘을 개발했습니다. 이 접근 방식은 사후 분포를 분해하기 위해 평균장 근사(mean-field approximation)를 사용합니다. 결정적으로, 이 알고리즘은 매 반복마다 양의 정치성을 유지하도록 정밀 행렬을 블록 단위로 업데이트하여, MCMC와 같은 확률적 샘플링 방법의 난해함을 피합니다.
• 모델 선택: 모델 복잡도와 선택 정확도 사이의 균형을 맞추기 위해 확장된 베이지안 정보 기준($BIC_\gamma$)을 사용하여 스파이크 분산 파라미터를 선택합니다.

주요 기여

1. 새로운 모델링 프레임워크: NExON-Bayes는 공동 그래피컬 모델 프레임워크 내에서 정밀 행렬 항목을 직접 모델링하는 대신, 엣지 포함 확률의 공변량 의존성을 명시적으로 모델링하는 최초의 방법입니다.
2. 확장성: 맞춤형 VBECM 알고리즘의 개발을 통해, NExON-Bayes는 기존 공동 모델에 비해 실행 시간을 크게 단축하면서 고차원 오믹스 환경(변수 $P=250$까지)으로 확장할 수 있습니다.
3. 해석 가능성: 엣지별 회귀 계수($\beta_{ij}$)를 추정함으로써, 이 방법은 단순히 정적인 네트워크 추정치를 제공하는 것을 넘어, 특정 생물학적 경로(edges)가 질병 진행이나 기타 서열 요인에 따라 어떻게 변화하는지에 대한 직접적인 통찰을 제공합니다.

결과

• 시뮬레이션 연구:
  • 기존 모델 대비 성능: $P=100$ 노드와 4개의 서열 그룹을 가진 시뮬레이션에서, NExON-Bayes는 특히 신호가 약한 네트워크(네트워크 2 및 3)에서 정보 공유(information borrowing)의 이점을 입증하며 표준 단일 네트워크 베이지안 스파이크 앤 슬랩(SSL) 모델보다 일관되게 우수한 성능을 보였습니다.
  • 최신 기술과의 비교: NExON-Bayes는 공변량 의존적 GGM(covdepGE), 교환 가능한 공동 모델(SSJGL), 다중 그래피컬 호스슈 모델(mGHS)과 벤치마킹되었습니다.
    • NExON-Bayes는 과도하게 희소한 추정치와 낮은 확장성으로 어려움을 겪은 covdepGE보다 우수한 정밀도(precision), 재현율(recall) 및 정확도(accuracy)를 달al성했습니다.
    • NExJON-Bayes는 SSJGL보다 재현율 측면에서 우수했습니다. SSJGL은 네트워크 간의 유사성을 과대평가하여 특정 단계에서 "사라지는" 엣지를 포착하지 못하는 경향이 있었습니다.
    • NExON-Bayes는 mGHS보다 정밀도 측면에서 현저히 우수했습니다. mGHS는 고차원에서 과도하게 밀집된 네트워크를 생성하고 수렴에 어려움을 겪었습니다.
  • 계수 회복: 이 방법은 엣지별 회귀 계수의 기저 구조를 성공적으로 회복하였으며, 공변량에 따라 확률이 증가하거나 감소하는 엣지를 정확하게 식별했습니다.
• 실제 적용: 유방암 환자(단계 I, II, III)의 역상 단백질 배열(reverse phase protein array) 데이터에 적용하여, 암이 진행됨에 따라 진화하는 단백질 네트워크를 추정했습니다. 이 분석은 특정 단백질 그룹과 그 의존성이 질병 단계에 따라 어떻게 변화하는지에 대한 통찰을 제공하여 경로 역학에 대한 종합적인 뷰를 제시했습니다.

의의 및 주장
본 논문은 NExON-Bayes가 서열 공변량이 가용한 이질적인 환경에서 네트워크 추정을 위한 견고하고 확장 가능한 솔루션을 제공한다고 주장합니다. 교환 가능성 가정을 넘어서고 MCMC나 직접적인 정밀 행렬 모델링의 계산적 병목 현상을 피함으로써, 이 방법은 다른 방법들이 놓칠 수 있는 미세하고 단계 특이적인 네트워크 변화를 탐지할 수 있게 합니다. 저자들은 이 방법이 단순히 추정된 네트워크뿐만 아니라, 생물학적 경로가 질병 단계에 따라 어떻게 변화하는지에 대한 정량적 이해를 제공하여 임상적으로 의미 있는 해석을 용이하게 한다고 강조합니다. 구현체는 GitHub를 통해 사용자 친화적인 R 패키지로 제공됩니다.