Pathway-based Bayesian factor models for 'omics data

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 고처리량 전사체 데이터 (RNA-seq 등) 는 수만 개의 유전자를 측정하지만, 샘플 수는 상대적으로 적어 ($p \gg n$) 통계적 분석에 큰 도전을 줍니다. 유전자 발현의 상관 패턴은 종종 생물학적 경로나 세포 기능과 연관되어 있어, 이러한 사전 지식을 활용하는 것이 중요합니다.
• 기존 방법의 한계:
  • PLIER (Pathway-Level Information Extractor): 현재 표준으로 쓰이는 경로 기반 행렬 분해 방법이지만, 다음과 같은 치명적인 단점이 있습니다.
    1. 양수 제약 (Positive-only constraint): 유전자 부하 (loadings) 를 양수로만 제한하여, 생물학적으로 의미 있는 음의 상관관계 (부정적 조절) 를 포착하지 못합니다.
    2. 불확실성 정량화 부재: 추론된 공분산 행렬에 대한 불확실성 (Uncertainty Quantification, UQ) 을 제공하지 않습니다.
    3. 과도한 하이퍼파라미터 튜닝: 성능이 하이퍼파라미터 선택에 매우 민감하며, 계산 비용이 큰 튜닝이 필요합니다.
    4. 부정확한 재구성: 실제 유전자 상관 구조를 복원하는 데 있어 정확도가 낮습니다.

2. 제안된 방법론: BASIL (Methodology)

저자들은 BASIL (Bayesian Analysis with gene-Sets Informed Latent space) 이라는 새로운 베이지안 프레임워크를 제안합니다. 이는 주어진 유전자 세트 (Gene Sets) 정보를 잠재 변수 추론에 통합하는 확장 가능한 모델입니다.

2.1 모델 구조

• 기본 모델: 유전자 발현 행렬 $Y$를 잠재 요인 $\eta$와 로딩 행렬 $\Lambda$를 통해 모델링합니다 ($Y = \Lambda \eta + \epsilon$).
• 계층적 사전 분포 (Hierarchical Priors): 로딩 행렬 $\Lambda$를 두 부분으로 분해하여 사전 지식을 통합합니다.
  $$\Lambda = C\Gamma + \Psi$$
  • $C$: 사전 정의된 유전자 세트 (경로) 행렬 (이진 행렬).
  • $\Gamma$: 유전자 세트와 잠재 요인을 연결하는 구조화된 성분 (알려진 경로 기반).
  • $\Psi$: 사전 지식에 포함되지 않은 미지의 변동을 설명하는 비구조화 성분 (Null space).
  • 특징: 이 구조는 알려진 경로의 정보를 활용하면서도, 데이터에서 새로운 패턴을 학습할 수 있도록 유연성을 제공합니다.

2.2 계산 효율성 및 추론

• MCMC 회피: 고차원 데이터에서 MCMC(마르코프 체인 몬테 카를로) 는 계산 비용이 너무 큽니다. BASIL 은 Pre-training 접근법을 사용합니다.
  1. PCA(주성분 분석) 를 기반으로 잠재 요인 $\hat{M}$을 초기 추정합니다.
  2. 이 추정치를 고정하고, 로딩 행렬 $\Lambda$의 사후 분포를 조건부 회귀 문제로 변환하여 직접 계산합니다.
  3. 켤레 사전 분포 (Conjugate Priors) 를 사용하여 사후 평균과 분산을 폐쇄형 (Closed-form) 으로 구할 수 있어 매우 빠릅니다.
• 불확실성 정량화: Pre-training 으로 인한 약간의 커버리지 부족을 보정하기 위해, 사후 분산에 보정 계수 $\rho^2$를 곱하여 유효한 빈도론적 커버리지를 확보합니다.

2.3 자동 하이퍼파라미터 선택

• 하이퍼파라미터: 축소 (Shrinkage) 파라미터 ($\tau_\Gamma, \tau_\Psi$) 와 요인 수 $k$를 자동으로 선택합니다.
• 적응형 축소: 데이터가 알려진 경로에 얼마나 의존하는지에 따라 $\tau_\Gamma$와 $\tau_\Psi$를 자동으로 조정합니다. 만약 새로운 경로가 없다면 $\tau_\Psi \to 0$이 되어 모델이 단순한 $C\Gamma$ 형태로 수렴합니다.
• 기준: 요인 수 $k$는 Chen & Li (2021) 의 JIC (Joint Information Criterion) 를 사용하여 정보 기준을 최소화하는 방식으로 선택합니다.

3. 주요 기여 (Key Contributions)

1. 생물학적 해석 가능성 향상: 음수 부하를 허용하여 생물학적으로 반대되는 조절 메커니즘 (예: 활성화 vs 억제) 을 포착할 수 있게 했습니다.
2. 엄격한 불확실성 정량화: 베이지안 프레임워크를 통해 추정된 공분산 행렬과 잠재 요인에 대한 신뢰 구간을 제공합니다.
3. 계산 효율성: MCMC 없이도 수만 개의 유전자를 분석할 수 있을 정도로 확장 가능한 (Scalable) 알고리즘을 개발했습니다.
4. 자동화: 사용자가 직접 하이퍼파라미터를 튜닝할 필요가 없으며, 데이터가 모델의 복잡도를 자동으로 조절합니다.

4. 실험 결과 (Results)

4.1 시뮬레이션 연구

• 정확도: BASIL 은 PLIER 및 ROTATE 와 비교하여 유전자 공분산 행렬 재구성 오차 (Frobenius norm) 에서 모든 시나리오에서 우월한 성능을 보였습니다.
• 속도: PLIER 보다 약 30 배 빠르게 실행되었습니다.
• 요인 수 추정: BASIL 은 실제 요인 수를 정확하게 추정했으나, PLIER 는 요인 수를 과대 추정하는 경향이 있었습니다.
• 불확실성: BASIL 은 95% 신뢰구간의 빈도론적 커버리지가 명목값 (0.95) 에 근접하도록 잘 보정되었습니다 (PLIER 는 UQ 를 제공하지 않음).

4.2 실제 데이터 적용

• 전체 혈액 RNA-seq 데이터 (Mao et al., 2019):
  • BASIL 은 PLIER 보다 희소하고 명확한 유전자 네트워크를 추출했습니다.
  • PLIER 는 많은 위양성 (spurious) 상관관계를 포함하여 구조를 흐리게 했지만, BASIL 은 중성구 (neutrophil) 과 적혈구 (erythrocyte) 관련 유전자 클러스터를 명확하게 식별했습니다.
• 글로벌 열 (Global Fever) 데이터 (Ko et al., 2023):
  • 291 명의 환자, 14,386 개의 유전자 데이터에 적용되었습니다.
  • 주요 발견:
    • 인산이노시타이드 신호 전달 (Phosphoinositide signaling) 과 인터페론 유도 염증 (Interferon-driven inflammation) 이 유전자 발현 변이의 주요 원인으로 확인되었습니다.
    • CXCL10, IFI27 등 인터페론 반응 유전자들이 알려진 경로를 통해 잘 설명됨을 확인했습니다.
    • 음수 부하를 허용함으로써, 면역 반응과 수송 기능 간의 반대되는 상관관계를 성공적으로 포착했습니다.

5. 의의 및 결론 (Significance)

• 생물학적 통찰력: BASIL 은 고차원 전사체 데이터에서 알려진 생물학적 경로와 새로운 패턴을 동시에 학습하여, 단순한 차원 축소를 넘어 생물학적으로 해석 가능한 모듈을 발견합니다.
• 신뢰성 있는 의사결정: 불확실성 정량화를 제공함으로써, 연구자들은 통계적으로 유의미한 연관성만을 선별하여 하류 분석 (downstream analysis) 의 신뢰도를 높일 수 있습니다.
• 실용성: 계산 비용이 적고 자동화되어 있어, 실제 임상 및 연구 현장에서 널리 활용 가능한 도구입니다.
• 향후 전망: 단일 세포 RNA-seq, 멀티오믹스 통합, 클러스터링 데이터 등으로의 확장이 가능하다고 제시했습니다.

이 논문은 고차원 '오믹스' 데이터 분석에서 기존 방법론의 한계를 극복하고, 확장성, 정확성, 해석 가능성, 불확실성 정량화를 모두 충족하는 새로운 표준을 제시했다는 점에서 의의가 큽니다.