Testing for a common subspace in compositional datasets with structural zeros

기술 요약: 구조적 제로를 포함하는 조성 데이터셋에서의 공통 부분 공간 검정

문제 정의
본 논문은 조성 데이터 분석(CoDA)의 특정 과제, 즉 두 그룹의 조성 데이터가 서로 다른 구조적 제로(structural zeros) 패턴을 보일 때, 두 그룹 사이에 공통 주성분 부분 공간(common principal subspace)이 존재하는지를 검정하는 문제를 다룹다. 구조적 제로는 (예: 특정 신체 부위에 존재하지 않는 박테리아 문(phylum)과 같이) 현상의 실제 부재를 나타내며, 단순한 계수(counting) 또는 반올림에 의한 제로와는 구별된다.

ilr(isometric logratio) 변환을 기반으로 하는 PCA(주성분 분석)와 같은 표준 CoDA 방법론은 엄격히 양수인 데이터를 필요로 한다. 따라서 구조적 제로가 포함된 데이터셋은 일반적으로 제로 패턴에 따라 하위 샘플로 분할되어 별도의 PCA가 수행된다. 그러나 이러한 접근 방식은 변환된 데이터가 서로 다른 차원의 벡터 공간($\mathbb{R}^{D-Q_1-1}$ 대 $\mathbb{R}^{D-Q_2-1}$)에 존재하게 하므로, 결과적인 주성분 부분 공간을 직접 비교하는 것을 방해한다. 주성분 부분 공간을 비교하기 위한 기존 방법들(예: Flury의 CPC 모델 또는 Schott의 검정)은 데이터가 동일한 유클리드 공간에 존재한다는 가정을 전제로 하지만, 구조적 제로가 있는 경우에는 이 가정이 위배된다.

방법론
저자들은 서로 다른 구조적 제로 패턴을 가진 두 조성 하위 집단 $Y$와 $Z$에 대해, 크기가 $K$인 공통 주성분 부분 공간을 공유한다는 귀무가설($H_0$)을 검정하기 위한 통계적 프레임워크를 제안한다.

1. 기하학적 프레임워크:

   • 데이터셋은 두 그룹으로 분할되며, $Y$는 $Q_1$개의 구조적 제로를, $Z$는 $Q_2$개의 구조적 제로를 갖는다.
   • 저자들은 각 그룹의 비제로(non-zero) 부분에 등거리 로그비(isometric logratio, ilr) 변환을 적용한다. 결정적으로, 저자들은 첫 $M-1$개 성분(여기서 $M$은 공통 비제로 성분의 수)이 다른 그룹의 구조적 제로에 영향을 받지 않는 "역방향 피벗(backward pivot)" 좌표계를 활용한다.
   • 부분 공간을 비교하기 위해, 저자들은 선형 정준 포함 연산자(canonical inclusion operators) $\iota_Y$와 $\iota_Z$를 정의하여, 변환된 데이터의 고유벡터들을 (제로 위치에 0을 채워 넣음으로써) 공통의 주변 공간(ambient space) $\mathbb{R}^{D-1}$로 매핑한다.

2. 검정 통계량:

   • Schott (1988)에서 영감을 받아, 저자들은 변환된 데이터의 표본 공분산 행렬($\hat{\Omega}_Y, \hat{\Omega}_Z$)과 포함 연산자를 통해 구축된 결합 공분산 행렬의 고유값에 기반한 검정 통계량 $T$를 정의한다.
   • $T = \sum_{i=1}^K \left( (n_y - 1)\hat{\alpha}_i + (n_z - 1)\hat{\beta}_i - \hat{\gamma}_i \right)$, 여기서 $\hat{\alpha}, \hat{\beta}$는 개별 그룹의 고유값이고 $\hat{\gamma}$는 결합 행렬의 고유값이다.

3. 추론 절차:

   • 모수적 접근법 (Parametric Approach): 데이터가 심플렉스 상에서 정규 분포를 따른다고 가정할 때(로그비-정규성), 저자들은 $T$의 귀무 분포에 대한 해석적 근사치를 도출한다. 이 분포는 스케일링된 카이제곱 분포 $T \sim \frac{\sigma_T^2}{2\mu_T} \chi^2_{\frac{2\mu_T^2}{\sigma_T^2}}$로 근사되며, 여기서 매개변수 $\mu_T$와 $\sigma_T^2$는 모집단의 고유값 및 고유벡터의 함수이다. 이들은 표본 통계량을 사용하여 추정된다.
   • 비모수적 접근법 (Nonparametric Approach): 분포 가정이 성립하지 않는 경우를 위해 부트스트랩(bootstrap) 절차가 도입된다. 이는 귀무가설 하에서 주성분 부분 공간을 정렬하도록 데이터셋을 회전시키고, 복원 추출을 수행한 뒤 경험적 p-값을 계산하는 과정을 포함한다.

주요 결과
제안된 방법의 타당성은 시뮬레이션 연구와 실제 데이터 적용을 통해 평가되었다:

• 시뮬레이션 연구:

  • 가우시안 데이터: 로그비-정규성 하에서, 모수적 검정(Schott 공식 사용)은 일반적으로 명목 수준인 5%에 가장 가까운 제1종 오류율을 달면서 가장 높은 검정력을 보였다. 부트스트랩 검정도 유사한 성능을 보였다.
  • 두꺼운 꼬리 데이터 (Student's t): 데이터가 다변량 Student's t-분포(낮은 자유도)에서 샘플링되었을 때, 모수적 Schott 검정은 지나치게 자유로워지는(높은 제1종 오류) 경 경향을 보였다. 반면, 부트스트랩 검정은 제1종 오류를 더 잘 제어하였으며 추정된 모수적 버전보다 높은 검정력을 나타냈다.
  • 균등 분포 데이터: 모수적 검정은 너무 보수적인 것(제1종 오류 < 0.05)으로 나타난 반면, 부트스트랩 검정은 명목 수준에 더 가까운 오류율을 유지했다.
  • 표본 크기: 부트스트랩 절차는 추정된 모수적 검정에 비해 작은 표본 크기에서 더 우수한 성능을 보였다.

• 실제 데이터 적용 (Human Microbiome Project):

  • 본 방법은 다양한 신체 부위에 걸쳐 문(phylum) 수준으로 집계된 16S rRNA 시퀀싱 데이터에 적용되었다.
  • 비교 1 (오른쪽 전사결절 부위 vs. 전비강): 공통 부분 공간($K=1, 2$)에 대한 귀무가설이 기각되지 않았다. 이 비교에서 $Q_1=0$ (오른쪽 전사결절 부위는 구조적 제로가 없음)이고 $Q_2=4$ (전비강은 4개의 구조적 제로 문을 가짐)이다. 분석 결과, Cyanobacteria와 Fusobacteria가 이 공유된 부분 공간의 주요 기여자로 식별되었으며, 이는 이들의 희소한 존재/부재 패턴에 의해 주도되었다.
  • 비교 2 (대변 vs. 타액): 모든 테스트된 $K$에 대해 귀무가설이 기각되었으며, 이는 두 부위가 문 수준의 조성에서 공통된 주성분 부분 공간을 공유하지 않음을 확인해 준다.

의의 및 기여
본 논문은 공통 주성분 부분 공간에 대한 가설 검정 프레임워크(특히 Schott, 1988의 확장)를 구조적 제로가 있는 복잡한 조성 데이터 환경으로 일반화한다고 주장한다. 주요 기여는 다음과 같다:

1. 기하학적 호환성: 이 방법은 제로 대체(zero-replacement) 전략의 함정을 피하면서, Aitchison 기하학과 로그비 분석과 완전히 호환되는 방식으로 서로 다른 제로 패턴을 가진 그룹 간의 주성분 부분 공간을 비교할 수 있게 한다.
2. 강건한 추론: 비모수적 부트스트랩 절차의 도입은 로그비-정규성 가정이 위배되는 경우(실제 마이크로바이옴 및 오믹스 데이터에서 흔한 문제)에 대한 강건한 대안을 제공한다.
3. 실용적 유용성: 마이크로바이옴 데이터에 대한 적용은 서로 다른 구조적 제로 패턴에도 불구하고 서로 다른 해부학적 부위 간의 공유된 생물학적 특성(공통 부분 공간)을 식별하는 이 방법의 능력을 입증하며, 고처리량 조성 데이터셋의 층화 및 분류 연구를 위한 도구를 제공한다.

저자들은 모수적 검정이 정규성 하에서 효과적이지만, 두꺼운 꼬리나 작은 표본 크기가 존재하는 경우 부트스트랩 접근법이 더 신뢰할 수 있고 강력한 대안이 될 수 있으며, 이는 복잡한 조성 데이터를 분석하는 데 있어 귀중한 도구가 된다고 결론지었다.