Causal Network Discovery from Interventional Count Data with Latent Linear DAGs

이 논문은 간섭 실험을 통해 얻은 계수 데이터에서 잠재적 선형 인과 구조를 식별하고 추정하기 위해, 평균 이동 간섭 설계 하에 잠재적 가우시안 DAG 모델과 포아송 측정 오차를 결합한 새로운 방법론을 제안하고 그 이론적 보장 및 실용적 유효성을 입증합니다.

핵심

1. 문제 상황: "소음 많은 도시의 교통 지도 그리기"

과학자들은 우리 몸속의 수만 개 유전자들이 서로 어떻게 영향을 주고받는지 (인과 관계) 알고 싶어 합니다. 마치 복잡한 도시의 도로망 (어떤 길이 어디로 이어지는지) 을 파악하려는 것과 같습니다.

하지만 기존 방법들은 몇 가지 큰 한계가 있었습니다.

• 데이터의 성격 (숫자 세기 vs 연속적인 흐름): 유전자 발현 데이터는 마치 "차량 수"처럼 **정수 (Count)**로 나타납니다. 하지만 기존 방법들은 대부분 "물줄기"처럼 연속적인 숫자를 가정하고 만들어져서, 정수 데이터를 분석할 때 정확도가 떨어졌습니다.
• 측정 오차 (안개 낀 날): 실험 과정에서 기술적인 오류나 세포 상태의 차이로 인해 데이터에 '소음'이 섞입니다. 마치 안개가 짙게 낀 날에 도로를 보려고 하는 것과 같아, 실제 도로 (인과 관계) 를 왜곡해서 보게 만듭니다.
• 보이지 않는 요인 (지하철 노선): 유전자들 사이에는 우리가 측정하지 못한 숨은 요인 (잠재적 교란) 이 작용합니다. 마치 지상 도로 지도에는 없지만 지하에 연결된 지하철 노선이 있어서, 지상 도로가 갑자기 동시에 막히는 것처럼 보이는 착시를 일으킵니다.
• 간섭 실험의 한계: 유전자를 인위적으로 조작 (간섭) 하는 실험 데이터를 쓰면 더 정확한 지도를 그릴 수 있는데, 기존 방법들은 "유전자를 아예 끄는 (Hard Intervention)" 극단적인 상황을 가정했습니다. 하지만 실제 실험은 유전자의 활동량을 조금만 줄이거나 늘리는 (Soft Intervention) 경우가 대부분이라 기존 방법들이 잘 맞지 않았습니다.

2. 해결책: "새로운 지도 제작법 (PLN-intervn)"

저자들은 이 문제를 해결하기 위해 두 단계로 나누어 생각하는 새로운 모델을 제안했습니다.

1 단계: 안개 걷기 (측정 오차 제거)

먼저, "실제 유전자 활동 (Latent)"과 "측정된 숫자 (Observed)"를 분리합니다.

• 비유: 카메라로 사진을 찍을 때, 렌즈에 묻은 먼지 (측정 오차) 와 피사체 자체 (실제 유전자) 를 구분하는 것입니다.
• 이 모델은 유전자 데이터가 '포아송 분포'라는 특수한 성질을 가진다는 점을 이용해, 측정된 숫자에서 기술적인 노이즈를 깔끔하게 제거하고 **실제 유전자의 '진짜 활동량'**을 추정해냅니다.

2 단계: 교통 흐름 분석 (인과 관계 파악)

그다음, 유전자들을 인위적으로 조작한 실험 데이터를 활용합니다.

• 비유: 특정 도로 (유전자) 의 통행량을 인위적으로 늘렸을 때, 그 도로의 영향을 받아 다른 도로들의 통행량이 어떻게 변하는지를 관찰하는 것입니다.
• 저자들은 "평균 이동 (Mean-shift)"이라는 개념을 사용했습니다. 특정 유전자의 활동을 조금씩 조절했을 때, 그 변화가 다른 유전자들에게 어떻게 전파되는지 분석하여 **진짜 도로망 (인과 그래프)**을 찾아냅니다.
• 중요한 점은, 보이지 않는 지하철 노선 (잠재적 교란) 이 있더라도, 의도적으로 조작된 변화만 집중적으로 분석하면 그 소음을 무시하고 진짜 연결 고리를 찾아낼 수 있다는 것입니다.

3. 이 방법의 장점

이 새로운 방법은 다음과 같은 장점이 있습니다.

• 정확한 지도: 기존 방법들보다 훨씬 정확하게 유전자 간의 인과 관계를 찾아냅니다. 특히 데이터가 적거나 노이즈가 많은 상황에서도 강건합니다.
• 실제 실험에 적합: 유전자를 완전히 끄는 게 아니라 조절하는 실제 실험 (Perturb-seq) 데이터에 딱 맞게 설계되었습니다.
• 이론적 보장: 단순히 "잘 작동한다"는 것을 넘어, 수학적으로 "왜 작동하는지"와 "얼마나 정확한지"를 증명했습니다.

4. 실제 적용: "세포 속 도시의 지도 완성"

저자들은 이 방법을 실제 인간 세포 (백혈병 세포) 의 유전자 데이터에 적용해 보았습니다.

• 기존 방법들은 유전자들 사이의 연결을 잘 찾지 못하거나, 엉뚱한 방향을 가리켰습니다.
• 하지만 이 새로운 방법 (PLN-intervn) 은 HSPA5, GATA1 같은 중요한 '교통 허브 (Hub)' 유전자들을 찾아냈고, 그들이 다른 유전자들을 어떻게 조절하는지 생물학적으로 타당한 지도를 그려냈습니다.

요약

이 논문은 **"소음이 많고 숫자로만 표현되는 유전자 실험 데이터"**를 분석할 때, **"측정 오차를 제거하고, 인위적인 조작의 효과를 정밀하게 추적하는 새로운 지도 제작법"**을 제시했습니다.

마치 안개가 낀 날, 복잡한 도시의 교통 흐름을 정확히 파악하기 위해 새로운 센서와 알고리즘을 도입한 것과 같습니다. 이를 통해 과학자들은 질병을 일으키는 유전자의 원인을 더 정확하게 찾아내고, 새로운 치료법을 개발하는 데 도움을 받을 수 있게 되었습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 유전자 조절 네트워크 추론을 위한 CRISPR 기반 간섭 (Perturb-seq) 실험이 증가하고 있으며, 이는 단일 세포 해상도로 고처리량 간섭 발현 데이터를 제공합니다.
• 주요 도전 과제:
  1. 계수 데이터 (Count-valued Data): 단일 세포 RNA 시퀀싱 (scRNA-seq) 데이터는 연속적인 발현 수준이 아닌 시퀀싱 리드 수 (read counts) 로 표현되는 이산형 데이터입니다. 기존 대부분의 인과 발견 방법은 가우시안 또는 연속 근사를 가정하므로 이러한 데이터에 적합하지 않습니다.
  2. 측정 오차 (Measurement Error): 라이브러리 크기 (library size) 효과 및 배치 효과로 인한 기술적 노이즈가 심하며, 이는 잠재적 발현 수준에 대한 측정 오차로 작용합니다. 이를 무시하면 편향된 추론이 발생합니다.
  3. 잠재적 교란 (Latent Confounding): 측정되지 않은 세포 상태나 공유된 조절 프로그램으로 인해 여러 유전자가 동시에 영향을 받을 수 있어, 기존 방법들이 가정하는 '인과적 충분성'이나 '독립적 노이즈' 가정이 위배됩니다.
  4. 샘플 크기 제한: 각 간섭 조건별 세포 수가 제한적이며, 기존 방법들은 무한 샘플 가정 하에서 유도된 식별성 (identifiability) 을 가지므로 실제 데이터 적용 시 불안정합니다.

2. 제안된 방법론 (Methodology)

저자들은 잠재 선형 가우시안 방향 비순환 그래프 (DAG) 모델을 제안하며, 이를 포아송 측정 오차 모델과 결합했습니다.

A. 통계적 모델 (Statistical Model)

1. 측정 계층 (Measurement Layer): 관측된 유전자 발현 계수 $X^{(m)}_j$ 는 라이브러리 크기 $L$, 세포 공변량 $C$, 그리고 잠재적 발현 수준 $Z^{(m)}_j$ 에 조건부인 포아송 분포를 따릅니다.
   $$X^{(m)}_j | L, C, Z^{(m)}_j \sim \text{Poisson}(L \exp(s_j(C)) + Z^{(m)}_j)$$
   여기서 $Z^{(m)}_j$ 는 기술적 노이즈가 제거된 잠재적 발현 수준입니다.

2. 잠재 계층 (Latent Layer): 잠재 발현 벡터 $Z^{(m)}$ 은 선형 가우시안 구조적 인과 모델 (SCM) 을 따릅니다.
   $$Z^{(m)} = A Z^{(m)} + \eta^{(m)} + \epsilon^{(m)}$$

   • $A$: 인과 계수 행렬 (DAG 구조를 정의).
   • $\eta^{(m)}$: 환경별 절편. 간섭 조건에서는 타겟 유전자의 절편이 $\alpha_m$ 만큼 이동하는 평균 이동 (Mean-shift) 구조를 가짐 ($\eta^{(m)} = \eta^{(0)} + \alpha_m e_{\ell_m}$).
   • $\epsilon^{(m)}$: 환경별 공분산 $\Sigma^{(m)}_e$ 를 가진 가우시안 노이즈. 비대각선 요소를 허용하여 잠재적 교란 (잠재적 교란 변수로 인한 상관관계) 을 모델링합니다.

B. 식별성 (Identifiability)

• 핵심 아이디어: 각 유전자가 적어도 한 번 이상 간섭받았을 때, 간섭 환경과 대조군 간의 잠재적 평균 차이 ($\Delta \mu^{(m)}$) 는 인과 행렬 $B = (I-A)^{-1}$ 의 해당 열에 비례합니다.
• 결과: 포아송 - 로그노멀 모델의 모멘트 관계를 통해 관측된 계수 모멘트로부터 잠재적 평균을 복원할 수 있으며, 이를 통해 잠재적 인과 DAG 가 식별 가능함을 증명했습니다.
  • 강건한 인과성 (Faithfulness) 가정이 필요하지 않음.
  • 잠재적 교란이 존재하더라도 식별 가능.
  • 하드 간섭 (Hard intervention) 이 아닌 소프트 간섭 (Soft intervention, 평균 이동) 하에서도 작동.

C. 추정 절차 (Estimation Procedure)

1. 측정 계층 보정: 포아송 회귀를 통해 공변량 효과와 라이브러리 크기를 보정하고, 관측된 계수를 스케일링합니다.
2. 잠재 평균 복원: 보정된 계수의 1 차 및 2 차 모멘트를 변환하여 잠재적 평균 $\hat{\mu}^{(m)}$ 을 추정합니다.
3. 행렬 $B$ 복원: 환경 간 평균 차이를 이용하여 $B = (I-A)^{-1}$ 의 열들을 복원합니다.
4. 희소 DAG 추정: 복원된 $\hat{B}$ 와 $A$ 의 관계 ($\hat{B} \approx (I-A)^{-1}$) 를 이용하여, 희소성 ($\ell_1$ 노름) 과 비순환성 (DAG 제약, 예: $h(A)=0$) 을 동시에 만족하는 $A$ 를 추정합니다.
   • ALM/ADMM 알고리즘: 비선형 제약과 $\ell_\infty$ 제약을 처리하기 위해 증강 라그랑주 방법과 ADMM 을 사용하여 효율적으로 최적화합니다.

3. 주요 기여 (Key Contributions)

1. 방법론적 혁신: 측정 오차 (포아송) 와 잠재적 교란을 명시적으로 분리하여 모델링하는 새로운 프레임워크를 제시했습니다. 이는 기존 방법들이 간과했던 Perturb-seq 데이터의 특성을 반영합니다.
2. 식별성 증명: 평균 이동 간섭 설계 하에서 잠재적 인과 DAG 의 식별성을 증명했으며, 이는 강건한 인과성 가정이 필요하지 않다는 점에서 고차원 환경에서 유리합니다.
3. 이론적 보장: 유한 샘플 (finite-sample) 에서의 추정 오차 상한과 정확한 DAG 복원 확률을 이론적으로 규명했습니다. 특히 간섭 강도 ($\Delta_{min}$) 와 그래프 밀도가 복원 정확도에 미치는 영향을 정량화했습니다.
4. 실증적 유효성: 시뮬레이션과 실제 Perturb-seq 데이터 (Replogle et al., 2022) 적용을 통해 제안된 방법의 우수성을 입증했습니다.

4. 실험 결과 (Results)

A. 시뮬레이션 연구

• 성능: 제안된 방법 (PLN-intervn) 은 관측 데이터 기반 방법 (NOTEARS, LiNGAM 등) 과 다른 간섭 데이터 기반 방법 (GIES, DOTEARS 등) 보다 F1 점수가 높고 구조적 해밍 거리 (SHD) 가 낮아 전반적으로 우수한 성능을 보였습니다.
• 특징:
  • 강한 평균 이동과 큰 샘플 크기에서 성능이 향상됨 (이론적 결과와 일치).
  • 기존 간섭 기반 방법들 (DOTEARS, GIES 등) 은 하드 간섭을 가정하거나 계수 데이터를 고려하지 않아 소프트 간섭 및 계수 데이터 환경에서는 성능이 저하되었습니다.
  • 잠재적 교란이 존재하는 상황에서도 제안된 방법은 견고하게 작동했습니다.

B. 실제 데이터 적용 (Perturb-seq, K562 세포주)

• 데이터: 2,000 개 이상의 유전자를 대상으로 한 CRISPR 간섭 데이터 중 200 개의 고변동 유전자를 분석.
• 참고 표준: ChIP-seq 데이터 기반의 전사 인자 - 타겟 상호작용 네트워크를 기준으로 비교.
• 결과:
  • 정밀도 (Precision): 제안된 방법은 모든 임계값 구간에서 경쟁 방법들보다 일관되게 높은 정밀도를 보였습니다.
  • 인과 방향성 검증: 하류 (downstream) 유전자들이 상류 (upstream) 유전자들보다 간섭에 따른 분포 변화 (KS 검정 p-value) 가 더 크게 나타나는지 확인. 제안된 방법은 하류 유전자에서 유의미한 분포 이동을 명확히 포착했으나, 다른 방법들은 방향성이 혼재되거나 약한 신호를 보였습니다.
  • 생물학적 해석: HSPA5, UBTF, GATA1 등 잘 알려진 전사 조절 인자를 허브 (hub) 로 식별했으며, ChIP-seq 데이터와 일치하는 생물학적 타당성을 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 단일 세포 간섭 실험 (Perturb-seq) 데이터의 고유한 특성 (계수 데이터, 측정 오차, 잠재적 교란) 을 고려한 최초의 체계적인 인과 발견 프레임워크를 제시했습니다.

• 실용적 가치: 기존 방법들이 직면한 한계를 극복하고, 실제 생물학적 데이터에서 더 정확하고 신뢰할 수 있는 유전자 조절 네트워크를 복원할 수 있게 합니다.
• 이론적 확장: 소프트 간섭과 잠재적 교란 하에서의 식별성 이론을 정립하여, 고차원 인과 추론의 지평을 넓혔습니다.
• 확장 가능성: 포아송 - 로그노멀 모델 외에도 제로-팽창 (zero-inflated) 모델이나 분산 이동 간섭 (variance-shift interventions) 등으로의 확장이 가능함을 논의하며, 향후 연구 방향을 제시했습니다.

요약하자면, 이 연구는 측정 오차가 있는 계수 데이터에서 잠재적 교란을 고려하며 소프트 간섭을 활용하여 인과 네트워크를 정확하게 발견하는 강력한 방법론을 제시했습니다.