Causal Discovery on Dependent Mixed Data with Applications to Gene Regulatory Network Inference

1. 문제 정의 (Problem Statement)

인과 발견 (Causal Discovery) 은 관측 데이터로부터 변수 간의 인과 관계를 추론하여 방향성 비순환 그래프 (DAG) 를 구성하는 작업입니다. 기존 연구들은 주로 두 가지 핵심 가정에 의존해 왔으나, 현대 응용 분야에서는 이러한 가정이 자주 위반됩니다.

1. 표본의 독립성 (i.i.d. 가정 위반): 대부분의 기존 방법은 관측 단위 (샘플) 가 독립적이고 동일하게 분포한다고 가정합니다. 그러나 사회 네트워크 분석이나 단일 세포 RNA 시퀀싱 (scRNA-seq) 데이터와 같은 실제 응용 분야에서는 샘플 간 의존성 (예: 세포 계보, 배치 효과, 세포 간 신호 전달) 이 존재하여 이 가정이 깨집니다.
2. 혼합 데이터 (Mixed Data): 많은 데이터셋이 연속형 변수 (예: 유전자 발현 수준) 와 이산형 변수 (예: 단백질 유무, 발현 수준 구간화) 가 혼합되어 있습니다. 기존 인과 발견 방법들은 주로 연속형 데이터에 최적화되어 있거나, 샘플 간 의존성이 있는 혼합 데이터를 처리하는 데 한계가 있습니다.

이 논문은 의존성을 가진 샘플 (dependent samples) 과 혼합된 변수 유형 (continuous and discrete variables) 을 동시에 처리할 수 있는 인과 발견 프레임워크를 제안합니다.

2. 방법론 (Methodology)

저자들은 **잠재 변수 기반 구조 방정식 모델 (Latent-variable Structural Equation Model, SEM)**을 도입하고, 이를 탈상관 (De-correlation) 기법을 통해 해결하는 2 단계 프레임워크를 제시합니다.

A. 모델링 (DAG Model for Dependent Mixed Data)

• 잠재 변수 도입: 모든 관측 변수 $X_j$는 연속형 잠재 변수 $Z_j$에서 생성된다고 가정합니다.
  • 연속형 변수: $X_j = Z_j$.
  • 이산형 변수: $X_j$는 $Z_j$를 임계값 (thresholds) $T_j$로 양자화 (quantization) 하여 생성됩니다 ($X_j = Q(Z_j; T_j)$).
• 샘플 간 의존성 모델링: 잠재 변수 $Z_j$는 부모 변수들의 선형 조합과 오차 항 $\epsilon_j$로 구성됩니다.
  $$Z_j = \sum_{k \in PA_j} \beta_{kj} X_k + \epsilon_j$$
  여기서 오차 벡터 $\epsilon_j = (\epsilon_{1j}, \dots, \epsilon_{nj})^T$는 다변량 정규분포 $N_n(0, \Sigma)$를 따릅니다. 공분산 행렬 $\Sigma$는 샘플 간의 의존성을 모델링합니다.

B. 탈상관 프레임워크 (De-correlation Framework)

핵심 아이디어는 샘플 간 의존성을 제거하여 표준 인과 발견 알고리즘을 적용할 수 있는 독립적인 데이터로 변환하는 것입니다.

1. 예비 추정 (Pre-estimation Phase):
   • 임계값 및 회귀 계수 추정: 초기 공분산 행렬을 단위 행렬로 가정하고, 이산형 데이터의 가능도 (Likelihood) 를 최대화하여 임계값 $T$와 계수 $\beta$를 추정합니다.
   • 공분산 행렬 추정: 쌍별 최대우도추정 (Pairwise MLE) 을 사용하여 샘플 간 공분산 행렬 $\Sigma$를 추정합니다. 이때 블록 대각 (block-diagonal) 구조를 가정하여 계산 효율성을 높입니다.
2. 탈상관 및 구조 학습 (De-correlation Phase):
   • 잠재 변수 복원 (EM 알고리즘): 이산형 관측치로부터 잠재 변수 $Z$를 복원하기 위해 EM 알고리즘을 사용합니다. E-step 에서는 잘린 정규분포 (truncated Gaussian) 에서 샘플링하여 잠재 변수의 기대값을 추정하고, M-step 에서는 회귀 계수를 업데이트합니다.
   • 탈상관 변환: 추정된 정밀도 행렬 (Precision matrix) $\Theta = \Sigma^{-1}$의 초로브스키 분해 (Cholesky factor) $L$을 사용하여 잠재 데이터를 변환합니다.
     $$\tilde{Z} = L^T Z$$
     이 변환을 통해 오차 항이 독립적으로 변하여, $\tilde{Z}$는 i.i.d. 가정을 만족하는 연속형 데이터가 됩니다.
   • 인과 그래프 학습: 변환된 데이터 $\tilde{Z}$에 표준 인과 발견 알고리즘 (MMHC, PC, Copula-PC 등) 을 적용하여 DAG 를 추론합니다.

3. 주요 기여 (Key Contributions)

1. 혼합 데이터와 의존성 동시 처리: 기존 방법들이 처리하지 못했던 연속형과 이산형이 혼합된 데이터에서 샘플 간 의존성을 명시적으로 모델링하는 첫 번째 프레임워크를 제안했습니다.
2. 일반화된 잠재 변수 모델: 이산형 변수를 위한 임의의 임계값 구조를 가진 잠재 변수 모델을 개발하여, 유전자 발현 데이터의 서열적 특성 (ordinal nature) 을 보존하면서도 계산적으로 효율적인 추정을 가능하게 했습니다.
3. scRNA-seq 데이터 적용 및 검증: 인간 배아 줄기세포의 분화 과정을 연구한 실제 단일 세포 RNA 시퀀싱 데이터에 적용하여, 유전자 조절 네트워크 (GRN) 를 추론했습니다.
4. 불확실성 정량화: 부트스트랩 (Bootstrap) 재표본추출을 통해 추정된 유전자 상호작용의 신뢰도 (confidence score) 를 정량화하고, 문헌에 보고된 알려진 조절 상호작용과 높은 일치도를 보임을 입증했습니다.

4. 실험 결과 (Results)

A. 시뮬레이션 연구

• 데이터 설정: 무작위 DAG 와 실제 벤치마크 DAG 를 사용하여 다양한 샘플 크기 ($n$) 와 변수 수 ($p$) 조건에서 혼합 데이터와 의존성을 시뮬레이션했습니다.
• 성능 비교: 제안된 방법 (탈상관 후 학습) 은 원본 데이터에 직접 적용한 기존 방법 (Baseline) 보다 F1-score가 현저히 높았습니다.
  • 특히 변수 수가 많은 고차원 설정 ($p \gg n$) 과 강한 의존성이 존재할 때 성능 향상이 두드러졌습니다.
  • Consensus(여러 반복 결과의 합의) 와 Average(데이터 평균화) 전략 모두 Baseline 대비 우수한 성능을 보였으며, Consensus 전략이 가장 안정적이었습니다.

B. 실제 데이터 적용 (scRNA-seq)

• 데이터: Chu et al. (2016) 의 인간 배아 줄기세포 (ESC) 분화 데이터 (859 개 세포, 51 개 핵심 유전자).
• 모델 평가: 10-fold 교차 검증을 통해 테스트 데이터의 로그 가능도 (Log-likelihood) 를 평가했습니다.
  • 제안된 Consensus 방법은 Baseline 및 탈상관 없이 의존성만 제거한 방법 (Consensus-Ident) 보다 매우 높은 로그 가능도를 보여주어 모델 적합도가 우수함을 입증했습니다.
  • 이는 세포 간 의존성을 명시적으로 모델링하고 탈상관하는 과정이 GRN 추론에 필수적임을 시사합니다.
• 생물학적 타당성:
  • 추론된 네트워크에서 높은 신뢰도를 가진 에지 (edge) 들은 문헌에 보고된 잘 알려진 유전자 조절 상호작용 (예: POU5F1, NANOG, ZFP42 간의 상호작용) 과 일치했습니다.
  • 부트스트랩 분석을 통해 추정된 네트워크의 안정성을 확인했습니다.

5. 의의 및 결론 (Significance and Conclusion)

이 논문은 현대 생물정보학 및 사회과학 데이터 분석에서 발생하는 복잡한 의존성과 데이터 이질성을 해결하는 강력한 통계적 프레임워크를 제시합니다.

• 방법론적 혁신: 인과 발견 알고리즘 자체를 재설계할 필요 없이, 데이터의 의존성을 '탈상관'이라는 전처리 단계를 통해 해결함으로써 기존 알고리즘을 재사용할 수 있게 했습니다.
• 실용적 가치: 단일 세포 유전체학 분야에서 세포 간 상관관계를 무시할 경우 발생할 수 있는 잘못된 인과 관계 추론을 방지하고, 보다 정확한 유전자 조절 네트워크를 복원할 수 있음을 입증했습니다.
• 미래 방향: 비선형 구조 방정식 모델 (Nonlinear SEM) 로의 확장, 개입 데이터 (Interventional data) 통합, 그리고 사전 지식 활용 등을 향후 연구 과제로 제시했습니다.

요약하자면, 이 연구는 의존성 있는 혼합 데이터라는 현실적인 제약을 극복하고 정확한 인과적 인사이트를 도출하기 위한 새로운 표준을 제시했다는 점에서 중요한 의의를 가집니다.