Two-Stage Multiple Test Procedures Controlling False Discovery Rate with auxiliary variable and their Application to Set4Delta Mutant Data

논문 요약: 보조 변수 (Auxiliary Variable) 를 활용한 2 단계 가설 검정 및 FDR 제어

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 다중 가설 검정 (Multiple Hypothesis Testing) 에서 p-value 만을 기반으로 할 때, 통계적 검정력 (Power) 이 낮아 중요한 발견을 놓칠 수 있습니다. 기존 연구들은 공변량 (covariate) 을 활용하여 가설 기각률을 높이는 방법을 모색해 왔으나, 대부분 p-value 의 분포에 대한 강한 가정을 전제로 합니다.
  • 예: 귀무가설 하에서 p-value 가 공변량과 무관하게 균일 분포 (Uniform distribution) 를 따른다는 가정, 또는 특정 공변량 조건에서 p-value 분포가 0.5 를 중심으로 대칭 (Mirroring property) 이라는 가정.
• 문제점: 실제 생물학적 데이터 (예: Set4∆ mutant 데이터) 에서는 이러한 가정들이 성립하지 않는 경우가 많습니다. 특히 공변량과 p-value 사이에 의존성 (dependence) 이 존재할 때, 기존 방법들은 오히려 FDR(False Discovery Rate) 제어 실패나 검정력 저하를 초래할 수 있습니다.
• 목표: p-value 분포에 대한 강한 제약을 두지 않으면서, 보조 변수 (Auxiliary Variable) 와 주 변수 (Primary Variable) 간의 **종속 구조 (Dependence Structure)**를 정확히 모델링하여 FDR 을 통제하면서도 검정력을 극대화하는 새로운 2 단계 절차를 개발하는 것.

2. 제안된 방법론 (Methodology)

저자들은 주 변수 ($\beta$, 예: 로그 폴드 체인지) 와 보조 변수 ($y$, 예: 로그 폴드 체인지의 표준편차) 의 **결합 분포 (Joint Distribution)**를 추정하기 위해 코풀라 (Copula) 방법을 도입했습니다. 이를 바탕으로 두 가지 2 단계 FDR 제어 절차를 제안합니다.

A. 기본 모델링

1. 주변 분포 추정:
   • 주 변수 ($\beta$): 귀무가설 ($f_0$) 과 대립가설 ($f_1$) 의 혼합 모델로 가정하고, $f_0$를 추정하여 p-value ($p_{2i}$) 를 계산합니다.
   • 보조 변수 ($y$): 비모수적 방법 (경험적 누적분포함수, ECDF) 을 사용하여 분포를 추정하고 p-value ($p_{1i}$) 를 계산합니다.
2. 코풀라 모델링: $p_{1i}$와 $p_{2i}$ 간의 의존성을 코풀라 함수 $G_0$로 모델링합니다. 이는 두 변수 간의 상관관계를 유연하게 포착할 수 있게 합니다.

B. 제안된 두 가지 2 단계 절차

1. Two-Stage FDR(H) (Hard Thresholding):

   • 개념: 보조 변수를 이용한 '필터링' 방식입니다.
   • 절차:
     1. 보조 변수의 p-value ($p_{1i}$) 가 임계값 $\gamma_1$보다 작으면 (즉, 보조 변수가 유의미하면) 2 단계로 진행합니다.
     2. $p_{1i} > \gamma_1$인 경우, 주 변수의 검정을 아예 수행하지 않고 기각합니다.
     3. 2 단계에서는 주 변수의 p-value ($p_{2i}$) 를 코풀라를 통해 보정된 값으로 변환하여 최종 검정을 수행합니다.
   • 특징: 1 단계에서 조건을 만족하지 못하면 2 단계 검정 기회 자체가 박탈됩니다. 직사각형 형태의 기각 영역을 가집니다.

2. Two-Stage FDR(S) (Soft Thresholding):

   • 개념: 보조 변수 정보를 '부드럽게' 반영하는 방식입니다.
   • 절차:
     1. 보조 변수의 p-value ($p_{1i}$) 가 주어졌을 때, 주 변수의 p-value ($p_{2i}$) 의 조건부 누적분포함수를 계산합니다.
     2. $p^S_i = P(P_{2i} \le p_{2i} | P_{1i} = p_{1i})$를 새로운 통합 p-value 로 정의합니다.
     3. 이 값을 기준으로 FDR 을 제어합니다.
   • 특징: 보조 변수의 값에 따라 주 변수의 기각 기준이 연속적으로 조정됩니다. 보조 변수가 매우 불리하더라도 주 변수의 p-value 가 매우 작으면 기각될 가능성이 남아있습니다. 곡선 형태의 기각 영역을 가집니다.

C. FDR 통제 이론

• 제안된 두 방법 모두, 귀무가설 하에서 생성된 통합 p-value ($p^H_i$ 또는 $p^S_i$) 가 균일 분포 (Uniform distribution) 를 따른다는 정리를 증명했습니다. 이를 통해 Benjamini-Hochberg 절차 등을 적용하여 FDR 을 엄격하게 통제할 수 있음을 이론적으로 입증했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 시뮬레이션 연구 (Simulation Studies)

• 데이터 생성: Clayton 코풀라를 사용하여 주 변수와 보조 변수 간의 의존성을 모사한 8,000 개의 가설 데이터를 생성했습니다.
• 비교 대상: 기존 방법 (locfdr, Storey, IHW, Boca & Leek 등) 과 비교했습니다.
• 결과:
  • FDR 통제: 제안된 두 방법 (H, S) 모두 명목 수준 (예: 0.05) 의 FDR 을 잘 통제했습니다. 반면, 의존성이 존재할 때 기존 공변량 기반 방법들은 FDR 통제를 실패하거나 검정력이 낮았습니다.
  • 검정력 (TPR): 의존성이 강할수록 제안된 방법들의 검정력 (True Positive Rate) 이 기존 방법보다 현저히 높았습니다. 특히 **Two-Stage FDR(S)**이 가장 높은 검정력을 보였습니다.
  • 코풀라 오지정 (Misspecification) 강건성: 실제 데이터에서는 코풀라를 알 수 없는 경우가 많으므로, 잘못된 코풀라 (BB7, BB6, Joe 등) 를 사용했을 때의 강건성을 검증했습니다. 그 결과, 제안된 방법들은 FDR 통제와 검정력 유지 측면에서 여전히 우수한 성능을 보였습니다.

B. 실제 데이터 분석 (Set4∆ Mutant Data)

• 데이터: 효모 (Saccharomyces cerevisiae) 의 Set4 유전자 녹아웃 (KO) 및 야생형 (WT) 조건에서의 전사체 데이터 (약 8,220 개 유전자).
• 변수 설정:
  • 주 변수: 로그 폴드 체인지 (Log-fold change).
  • 보조 변수: 로그 폴드 체인지의 표준편차 (실험 반복 간 변동성).
• 분석 결과:
  • 기존 방법: 1 단계 방법 (locfdr, Storey) 은 각각 249 개, 424 개의 유전자를 발견했습니다.
  • 제안 방법: Two-Stage FDR(H) 은 485 개, Two-Stage FDR(S) 은 582 개의 유전자를 발견하여 기존 방법보다 훨씬 많은 유의미한 유전자를 식별했습니다.
  • 생물학적 의미: 제안된 방법 (특히 FDR(S)) 으로 발견된 유전자 집합은 **HXT 유전자 가족 (Hexose transporters)**을 포함하고 있었습니다. 이는 산소 부족 (hypoxia) 조건에서 세포가 포도당 수송을 조절하는 데 중요한 역할을 하며, Set4 단백질에 의해 조절된다는 기존 생물학적 지식을 강력하게 지지했습니다. 특히, 기존 방법들은 일부만 발견했으나 제안 방법은 HXT 가족 유전자를 모두 포착했습니다.

4. 의의 및 결론 (Significance)

• 방법론적 혁신: p-value 분포에 대한 비현실적인 가정 (균일성, 대칭성) 을 버리고, 코풀라를 통해 주·보조 변수 간의 실제 의존 구조를 모델링함으로써 더 유연하고 정확한 다중 검정 절차를 제시했습니다.
• 실용적 가치: 실험의 변동성 (보조 변수) 을 고려하여 검정 기준을 동적으로 조정함으로써, 통계적 검정력을 크게 향상시키면서도 FDR 을 엄격하게 통제할 수 있음을 입증했습니다.
• 확장성: 유전자 발현 분석뿐만 아니라, 주 변수와 보조 변수가 모두 존재하는 다양한 다중 검정 문제에 적용 가능한 범용적인 프레임워크를 제공합니다.

이 논문은 보조 변수를 활용하여 통계적 의사결정의 정확성과 효율성을 동시에 높이는 새로운 패러다임을 제시하며, 특히 생물정보학 및 유전체학 분야에서 신뢰할 수 있는 발견 (Discovery) 을 위한 강력한 도구가 될 것으로 기대됩니다.