Knowledge Graph Modulated Deep Learning for Limited-Sample Clinical Data Analysis

기술 요약: 제한된 샘플 임상 데이터 분석을 위한 그래프 내 그래프 (GiG)

문제 제기
생물학적 시스템은 경로 (pathways) 및 조절 회로와 같은 구조화된 분자 상호작용에 의해 지배되며, 이는 자연스럽게 그래프로 표현됩니다. 그러나 표준 생물의학 AI 모델은 일반적으로 유전체 데이터를 평면적이고 비구조화된 테이블로 취급하여 생물학적 지식을 저차원 벡터로 압축해야 합니다. 이러한 압축은 종종 정보 손실을 초래하며, 특히 유전자 - 유전자 상호작용 및 경로 토폴로지와 관련하여 그렇습니다. 이러한 한계는 샘플 크기가 제한적인 임상 환경에서 더욱 심화되는데, 이때 모델들은 과적합 없이 견고한 표현을 학습하거나 생물학적으로 의미 있는 신호를 포착하는 데 어려움을 겪습니다. 기존 그래프 기반 접근법들은 종종 모든 샘플에 걸쳐 공유되는 단일 글로벌 네트워크에 의존하거나 환자를 특징 벡터로 축소하여, 메시지 전달 과정에서 경로 토폴로지와 환자 특이적 발현이 역동적으로 상호작용할 수 있도록 하지 못합니다.

방법론: 그래프 내 그래프 (GiG) 프레임워크
저자들은 각 환자를 독립적이고 모듈화된 그래프로 표현하는 그래프 내 그래프 (GiG) 프레임워크를 제안합니다. 이 설계는 정제된 생물학적 지식을 모든 개별 샘플의 그래프 구조에 직접 통합합니다.

1. 그래프 구성 파이프라인:

   • 유전자 선택: 각 환자별로 전사체 프로파일에서 고변이 유전자 (HVGs) 또는 절대 z-점수를 기반으로 유의한 전사적 이상 조절을 보이는 유전자를 선택합니다.
   • 경로 매핑: 선택된 유전자들을 WikiPathways의 정제된 생물학적 경로에 매핑합니다.
   • 환자 특이적 그래프 조립: 각 환자별로 관련 경로 상호작용 그래프들을 병합합니다.
     • 노드: 환자의 발현 프로파일에서 유래한 유전자를 나타냅니다.
     • 에지: 정제된 생물학적 경로의 토폴로지 (비방향 상호작용) 를 인코딩합니다.
     • 노드 특징: 각 노드에 대해 2 채널 특징 벡터를 구성합니다.
       1. 환자 특이적 발현: 샘플에 상대적인 정규화된 발현 값.
       2. 코호트 수준 공발현: 코호트 전체에서 해당 유전자의 상위 50 개 상관 유전자들과의 평균 절대 피어슨 상관관계.
   • 유전자 정체성: 각 유전자에 학습 가능한 임베딩을 할당하여 특정 그래프 토폴로지와 무관하게 코호트 전체에 걸쳐 분자적 역할을 고정합니다.

2. 모델 아키텍처:

   • 구성된 환자 특이적 그래프들은 그래프 신경망 (GNN) 에 입력됩니다.
   • 이 프레임워크는 백본에 구애받지 않아 GCN, GraphSAGE, GIN, GAT 를 지원합니다.
   • 아키텍처는 경로 에지를 따라 정보를 전파하기 위한 메시지 전달 레이어를 사용한 후, 하류 분류 (예: 질병 탐지, 아형 분류) 를 위한 그래프 수준 표현을 생성하기 위해 글로벌 평균 풀링을 적용합니다.

3. 학습 전략:

   • 모델들은 클래스 불균형을 해결하기 위해 계층적 분할과 클래스 가중 크로스 엔트로피 손실을 사용하여 학습됩니다.
   • 최적화는 특정 하이퍼파라미터 (학습률 $10^{-3}$, 가중치 감쇠 $10^{-4}$) 를 사용하여 AdamW 로 수행됩니다.

주요 기여

• 새로운 표현: GiG 는 하위 수준의 경로 구조가 외부 사전 지식이 아닌 환자 수준 그래프에 내재된 "그래프 내 그래프" 형식을 도입합니다. 이를 통해 모델은 유전자 - 유전자 상호작용 및 경로 토폴로지 같은 생물학적으로 의미 있는 정보를 보존하는 질병 표현을 학습할 수 있습니다.
• 데이터 효율성: 이 프레임워크는 임상 연구에서 일반적인 제약 조건인 제한된 샘플 환경에서의 데이터 효율적 학습을 위해 특별히 설계되었습니다.
• 애블레이션 및 검증: 저자들은 무작위 그래프 토폴로지 (Erdős–Rényi 및 차수 보존 무작위 그래프) 와의 비교를 통해 성능 향상이 단순히 그래프 모델링 자체가 아닌 경로의 생물학적 구조에서 비롯됨을 엄격하게 검증했습니다.

결과
이 프레임워크는 세 개의 서로 다른 코호트에 포함된 9,700 명에 가까운 환자를 대상으로 한 다섯 가지 임상 작업에서 평가되었습니다.

1. RARE-Seq (액체 생검): 암 탐지, 아형 및 병기 분류를 위한 저신호 고잡음 데이터셋.

   • GiG 는 이진 암 탐지에서 89% 정확도와 88% 매크로-F1을 달성하여, 가장 강력한 베이스라인 (GCN) 보다 정확도에서 15% 이상, 매크로-F1 에서 14% 이상 우수한 성능을 보였습니다.
   • 특히 ROC 곡선의 낮은 위양성률 영역에서 우수한 민감도와 특이도를 보여주어, 약하고 분산된 신호를 잡음과 구별하는 데 있어 견고함을 나타냈습니다.
   • 귀속 분석 (Integrated Gradients) 은 모델이 생물학적으로 타당한 종양 표지자 (예: FOLR1, ELF3, KRT19) 를 우선시했음을 확인했습니다.

2. 전립선암 (조직 기반): 국소화 대 전이성 질환을 구분하는 고신호 데이터셋.

   • GiG 는 약 98% 정확도와 매크로-F1으로 거의 완벽한 성능을 달성하여, 높은 분산과 낮은 민감도를 보인 노드 수준 베이스라인을 크게 능가했습니다.
   • 이 모델은 AKT1, MAPK1, CTNNB1과 같이 알려진 전립선암 경로 (PI3K/AKT, MAPK, Wnt) 와 관련된 핵심 유전자들을 올바르게 우선시했습니다.

3. 판 - 암 (TCGA): 높은 클래스 불균형과 이질성을 가진 32 클래스 멀티 - 오믹 분류 작업.

   • GiG 는 92% 정확도와 88% 매크로-F1을 달성하여, 최상의 베이스라인의 63% 정확도 및 39% 매크로-F1 과 비교되었습니다.
   • 이는 매크로-F1 에서 최대 49 퍼센트 포인트의 향상을 의미하며, 프레임워크가 복잡하고 고차원적인 문제로 확장될 수 있음을 보여줍니다.

의의 및 주장
본 논문은 GiG 가 공유된 글로벌 네트워크라는 가정을 넘어 예측 모델링에 생물학적 지식 그래프를 통합하기 위한 원칙적인 프레임워크를 제공한다고 주장합니다.

• 개선 원인: 실제 경로를 무작위 토폴로지로 대체한 제어 실험은 성능 향상이 지식 그래프의 생물학적 기반 구조에서 비롯됨을 확인시켰습니다. 저신호 (cfRNA) 및 고이질성 (판 - 암) 환경에서 경로 토폴로지를 교란시키면 성능이 크게 저하되었습니다 (예: RARE-Seq 에서 16–21% 정확도 감소, 판 - 암에서 24% 감소).
• 맥락 의존성: 토폴로지의 기여도는 작업에 따라 다릅니다. 고신호 전립선암 데이터셋에서는 노드 특징만으로도 매우 분리 가능하여 모델이 정확한 토폴로지에 덜 민감했습니다 (무작위화 시 성능 감소가 작음). 그러나 저신호 및 고이질성과 같은 어려운 환경에서는 경로 토폴로지가 중요한 귀납적 편향으로 작용합니다.
• 임상적 영향: 생물학의 조직화를 사후 고려 사항이 아닌 모델의 구조적 구성 요소로 취급함으로써, GiG 는 견고성, 해석 가능성 및 샘플 효율성을 향상시킵니다. 이는 노이즈가 많은 임상 데이터에서 약하지만 생물학적으로 의미 있는 신호를 복원할 수 있게 하여, 샘플 크기가 제한된 정밀 의학 응용을 위한 실용적인 기반을 제공합니다.