기술 요약: 바이오뱅크 규모의 고차원 오믹스 데이터를 위한 단변량 가이드 희소 회귀 (Univariate-Guided Sparse Regression)

문제 정의

본 논문은 특히 UK Biobank와 같은 바이오뱅크 규모의 데이터셋을 사용하는 맥-폴리제닉 위험 점수(Polygenic Risk Score, PRS) 구축 맥락에서, 초고차원 유전체 데이터에 대한 희소 회귀(sparse regression)를 수행하는 문제를 다룹다. 이러한 환경에서는 예측 변수(SNP, $p$)의 수가 관측치(n)보다 훨씬 많으며, 흔히 $p > 1,000,000$이고 $n \approx 500,000$인 상황이 발생한다.

표준 회귀 접근 방식은 이 영역에서 세 가지 핵심적인 어려움에 직면한다:

1. 계산적 불가능성: 수백만 개의 SNP와 수십만 명의 개인을 대상으로 다변량 모델을 적합시키는 것은 계산적으로 매우 부담스러우며, 특히 하이퍼파라미터 튜닝을 위한 교차 검증을 사용할 때 더욱 그러하다.
2. 상관된 예측 변수 (연관 불균형, Linkage Disequilibrium): SNP는 높은 상관관한 블록 내에 존재한다. 표준 다변량 방법들은 희소한 대표 집합을 선택할 것인지, 아니면 상관관계가 있는 많은 변수에 효과를 분산("smear")시킬 것인지 결정하는 데 어려움을 겪으며, 이는 결과적으로 밀집되고 해석하기 어려운 모델로 이어진다.
3. 데이터 프라이버시 및 통합: 생물 의학 연구에서 원시 개인 수준 데이터는 프라이버시 규정으로 인해 제한되는 경우가 많다. 연구자들은 전체 데이터셋 대신 외부 코호트(예: FinnGen)의 요약 통계량(summary statistics)에 의존하는 경우가 많으며, 이는 외부 정보를 통합된 희소 다변량 모델로 통합하는 것을 어렵게 만든다.

역사적으로 PRS 구축은 단변량 전장 유전체 연관 분석(GWAS) 후 사후적인 축소 또는 선택 방법(예: clumping and thresholding, LDpred, PRS-CS)을 사용하는 2단계 파이프라인에 의존해 왔다. 저자들은 이 접근 방식이 차선이라고 주장하는데, 그 이유는 첫 번째 단계가 SNP를 개별적으로 취급하여 상관관계가 있는 SNP의 전체 이웃을 들어 올리는 반면, 두 번째 단계는 이중 계산(double-counting)을 수정하려고 시도하면서 효과 크기가 평탄해진 밀집된 예측 변수를 생성하기 때문이다.

방법론: Omni-adapted uniLasso

저자들은 Chatterjee 등[2025]에 의해 원래 소개된 **단변량 가이드 희소 회귀(uniLasso)**를 바이오뱅크 규모의 데이터에 맞게 확장한 확장 가능한 버전인 Omni-adapted uniLasso를 제안한다. 이 방법은 단변량 계수를 활용하여 다변량 선택을 가이드하는 2단계 페널티 회귀 절차이다.

알고리알리즘

1. 1단계: 단변량 사전 계산:
   각 SNP $j$에 대해, 알고리즘은 단변량 절편($\hat{\beta}_{0j}$)과 기울기($\hat{\beta}_j$)를 계산한다. 결정적으로, 알고리즘은 특성 행렬 $F$를 만들기 위해 Leave-One-Out (LOO) 적합값($\hat{y}^{-i}_{ij}$)을 계산한다. 원시 추정치 대신 LOO 값을 사용함으로써, 후속 선택 단계가 인샘플 노이즈가 아닌 표본 외 예측 신호에 의존하도록 강제한다.

   • 최적화: 규모를 처리하기 위해, 저자들은 이러한 계산을 벡터화하고 Adelie Python 패키지를 사용하여 CPU 코어에 걸쳐 병렬화했다.

2. 2단계: 가이드된 희소 회귀:
   LOO 예측값 $F$를 특징으로 사용하여 반응 변수 $y$를 예측하는 비음수(non-negative) Lasso를 적합시킨다.

   • 부호 제약 (Sign Constraint): 이 단계의 계수 $\theta_j$는 비음수 제약을 받는다. 최종 다변량 계수는 $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$로 복구된다. 이는 최종 계수의 부호가 단변량 계수의 부호와 일치하거나 0이 되도록 보장하여, 해석을 복잡하게 만드는 부호 역전 현상을 방지한다.
   • 이진 반응 처리: 이진 결과의 경우, 방법론은 페널티 로지스틱 회귀를 사용한다. 로지스틱 손실 함수는 폐쇄형(closed-form) LOO 솔루션이 존재하지 않으므로, 저자들은 Rad와 Maleki [2020]가 제안한 LOO 예측 근사치를 사용하여 반복 가중 최소 제곱법(IRLS)을 채택한다.

확장성 및 안정성 수정 사항

uniLasso를 UK Biobank에서 실행 가능하게 만들기 위해, 저자들은 몇 가지 중요한 엔지니어링 및 통계적 수정을 도입했다:

• 데이터 분할: $k$-겹 교차 검증(이 경우 $p \gg n$이므로 너무 비용이 많이 듦) 대신, 정규화 매개변수 $\lambda$를 튜닝하기 위해 70/10/20 훈련/검증/테스트 분할을 사용했다.
• MAF 필터링: 예측력이 거의 없고 불안정성을 유발하는 희귀 변수를 제거하기 위해 소수 대립유전자 빈도(Minor Allele Frequency, MAF)가 0.0005 미만인 SNP를 제외했다.
• 분산 안정화: 낮은 분산을 가진 SNP(단, MAF $\ge$ 0.0005)의 경우, $S_{xx}$ 값의 경험적 분포의 5백분위수를 더함으로써 단변량 기울기 계산의 분모를 정규화했다. 이는 거의 상수인 열에서 계수가 폭발하는 것을 방지한다.
• 외부 점수 통합 (uniLasso ES): 원시 데이터 접근 없이 외부 데이터(예: FinnGen)를 통합하기 위해, 저자들은 페널티 항을 조정했다. 이들은 두 번째 단계 회귀의 $\ell_1$ 페널티에서 적응형 가중치($|\tilde{\beta}_j|$)와 부호 제약을 정의하기 위해 외부 단변량 계수($\tilde{\beta}_j$)를 사용하며, 이때 훈련 데이터로부터 LOO 추정치를 직접 계산하지 않는다.

주요 기여

1. 확장 가능한 uniLasso 구현: 본 논문은 개별 수준 데이터를 사용하여 $p \approx 10^6, n \approx 5 \times 10^5$ 규모의 바이오뱅크 데이터를 처리할 수 있는 최초의 uniLasso 적응형 구현을 제시하며, 이를 통해 기존 공식의 메모리 및 시간 장벽을 극복했다.
2. 외부 데이터 통합: 외부 요약 통계량을 희소 다변량 모델로 통합하는 새로운 프레임워크를 제공하여, 원시 데이터 공유 없이도 예측 정확도를 높이면서 프라이버시가 제한된 환경에서의 활용도를 높였다.
3. 이진 반응 확장: IRLS 기반 근사치를 사용하는 로지스틱 회귀를 통해 이진 표현형에 대한 알고리즘 확장을 보여주었다.
4. UK Biobank에서의 경험적 검증: 연속형(키, BMI) 및 이진형(CHD, 천식) 표현형에 대해 표준 Lasso, PRS-CS 및 기타 베이스라인 모델과 비교하여 종합적인 평가를 수행했다.

결과

저자들은 연속형(키, BMI) 및 이진형(CHD, 천식) 표현형에 대해 UK Biobank(백인 영국인으로 제한)에서 방법론을 평가했다.

• 희소성 vs 성능:
  • uniLasso는 표준 Lasso(예: 키에 대한 $R^2$: 0.707 vs. 0.713)와 유사한 예측 성능을 달성하면서도 실질적으로 훨씬 적은 수의 변수를 선택했다.
  • 구체적으로, uniLasso는 키의 경우 Lasso 대비 38% 적은 SNP를, BMI의 경우 43% 적은 SNP를 선택했으며, $R^2$ 감소는 무시할 만한 수준이었다(각각 0.006 및 0.016).
  • CHD와 같은 이진 형질의 경우, uniLasso는 테스트 오차 증가가 0.001에 불과함에도 Lasso보다 50% 이상 더 희소했다.
• 해석 가능성:
  • 핵심 발견 중 하나는 부호 변화의 제거이다. 표준 Lasso에서는 상관관계로 인해 계수가 단변량 효과와 반대로 바뀌는 경우가 빈번하지만(예: 키의 경우 12%의 계수가 부호 변경), uniLasso는 구조적으로 모든 비제로 계수가 단변량 효과의 부호를 유지하도록 보장하여 해석력을 크게 향 향상시킨다.
• 외부 점수 (uniLasso ES):
  • FinnGen으로부터 외부 점수를 통합한 uniLasso ES는 네 가지 표현형 모두에서 최고의 예측 성능을 보였다.
  • 키의 경우, uniLasso ES는 $R^2$ 0.716을 달성했다(Lasso의 0.713 대비).
  • 외부 데이터를 사용했음에도 불구하고, 모델은 Lasso 및 PRS-CS보다 여전히 훨씬 더 희소했다.
• PRS-CS와의 비교:
  • 밀집된 베이지안 방법인 PRS-CS는 연속형 형질에서 모든 Lasso 기반 방법보다 성능이 낮았으며, CHD에서만 유사한 성능을 보였다. PRS-CS는 모든 SNP를 사용하는 밀집된 모델을 생성한 반면, uniL의 ES는 높은 희소성을 유지했다.

의의 및 주장

본 논문은 uniLasso가 바이오뱅크 규모의 유전체 데이터에 대해 예측 정확도, 희소성 및 해석 가능성 사이에서 우수한 트레이드오프를 제공한다고 주장한다.

• "무한소(Infinitesimal)" 관점에 대한 도전: 결과는 모든 변수가 0이 아닌 효과를 가진다고 가정하는 엄격한 "범유전적(pangenomic)" 또는 무한소 모델(PRS-CS나 LDpred-inf와 같은)에 대한 경험적 반론을 제시한다. 저자들은 실질적인 예측을 위해서는 수만 개의 변수가 대부분의 신호를 포착한다는 "희소-다유전적(sparse-polygenic)" 관점이 충분하며 더 견고하다고 주장한다.
• 기전적 명확성: 상관관계가 있는 LD 블록 전체에 가중치를 분산시키는 대신 진정한 인과적 변수 근처에 가중치를 집중함으로써, uniLasso는 비인과적 태그 SNP로부터의 "노이즈" 기여를 줄여 개인별 위험 추정치의 견고성을 잠재적으로 개선한다.
• 실용적 유용성: 이 방법은 전통적인 2단계 GWAS-plus-PRS 파이프라인의 한계를 넘어, 개별 수준의 바이오뱅크 데이터에 직접 다변량 모델을 적합시키는 것이 가능하다는 것을 입증한다. 외부 요약 통계량의 통합은 프라이버시가 제한된 환경에서 이러한 유용성을 더욱 강화한다.

저자들은 밀집된 모델이 요약 통계량만 사용 가능한 상황에서는 가치가 있지만, 해석력과 계산 효율성이 중요한 설정에서는 uniLasso와 같은 희소 다변량 접근 방식이 매우 효과적이라고 결론짓는다.