On the Recoverability of Causal Relations from Bulk Gene Expression Data

기술 요약: 벌크 유전자 발현 데이터로부터 인과 관계의 회복 가능성에 대하여

문제 정의
단일 세포 분석법이 점점 더 많이 활용되고 있지만, 벌크 유전자 발현 프로파일링은 대규모 생물학적 연구를 위한 비용 효율적이고 노이즈가 적은 방법으로서 여전히 널리 쓰이고 있다. 벌크 데이터는 많은 세포 내에 있는 RNA가 집계된 형태를 나타낸다. 상당수의 계산적 연구는 이러한 집계된 벌크 측정치를 단일한 균질적 인과 시스템의 직접적인 관측값으로 취급하며, 이를 통해 인과적 유전자 조절 네트워크를 직접 추론하려고 시도한다. 그러나 집계(aggregation)는 기저의 세포 시스템을 정보 손실이 발생하는 비가역적인 코어서닝(coarsening) 과정이다. 본 논문은 근본적이고 미개척된 질문을 다룬다: 어떠한 조건 하에서 집계된 벌크 발현 데이터로부터 유전자 간의 인과 관계를 신뢰할 수 있게 회복할 수 있는가? 그리고 집계 과정이 인과 발견에 필요한 정보(함수 형태, 통계적 의존성, 조건부 독립성)를 언제 왜곡하는가?

방법론 및 이론적 프레임워크
저자들은 기저의 잠재적 인과 모델과 관측된 집계 데이터 사이의 두 가지 상호 보완적인 일치성 개념을 통해 집계 하에서의 인과적 회복 가능성을 공식화한다:

1. 함수 형태 일치성 (Functional-Form Consistency): 이는 집계된 변수가 기저 모델과 동일한 함수군을 갖는 구조적 인과 모델(SCM)을 허용하는지 검토한다. 저자들은 두 가지 일반적인 함수적 인과 모델군을 분석한다: 가법 노이즈 모델(ANM, $Y = f(X) + \epsilon_Y$)과 포스트-비선형(Post-Nonlinear, PNL) 모델($Y = f_2(f_1(X) + \epsilon_Y)$).
2. 조건부 독립성 일치성 (Conditional-Independence Consistency): 이는 잠재 변수 간의 조건부 독립 관계(예: $X \perp\!\!\perp Z | Y$)가 집계된 변수에서도 유지되는지($\bar{X} \perp\!\!\perp \bar{Z} | \bar{Y}$) 조사한다.

본 연구는 이러한 일치성이 성립하기 위한 필요충분조건을 도출한다. 분석은 선형 집계(예: 합, 평균)와 비선형 집계(예: 중앙값, 최댓값)를 구분한다.

주요 이론적 결과
본 논문은 인과 관계가 집계된 데이터로부터 회복 가능한 경우는 매우 제한적인 조건 하에서만 가능하다는 것을 입증한다:

• 함수 형태 회복: 선형 집계(예: 합/평균) 하에서 함수 형태 일치성이 보존되려면, 기저의 구조 방정식이 반드시 아핀(affine) 형태여야 한다(즉, $f(X) = \alpha X + \beta$). 구체적으로:
  • ANM의 경우, 함수 $f$는 아핀이어야 한다.
  • PNL의 경우, $f_1$과 $f_2$ 모두 아핀이어야 한다.
  • 집계가 비선형(예: 중앙값)인 경우, 아핀 관계를 갖더라도 함수 형태 일치성은 일반적으로 보존되지 않는다.
• 조건부 독립성 회복: 조건부 독립 구조(특히 체인 및 포크 구조, $X \perp\!\!\perp Z | Y$)가 보존되려면, 기저의 관계는 선형이어야 한다. 비선형 시스템에서는 집계된 변수 $\bar{Y}$에 대해 조건화하는 것이 $\bar{X}$와 $\bar{Z}$ 사이의 경로를 차단하는 데 실패하며, 이는 실제 잠재 구조를 위반하는 가짜 의존성을 초래한다.

실증적 평가
저자들은 다음 두 단계의 과정을 통해 이론적 발견을 검증한다:

1. 합성 데이터 (Synthetic Data): 통제된 시뮬레이션을 통해, 참값(ground truth)이 선형 집계와 아핀 구조 방정식을 포함할 때만 인과 발견 방법론(함수 기반 및 제약 기반 모두)이 높은 정밀도를 유지함을 확인하였다. 비선형 함수나 비선형 집계가 도입되면 인과 방향과 조건부 독립성을 회복하는 정밀도가 급격히 떨어진다.
2. 실제 데이터 (Real-World Data): 저자들은 네 개의 벌크 유전자 발현 데이터셋(마이크로어레이 2개, RNA-seq 2개)과 네 개의 단일 세포 데이터셋을 분석한다. 이들은 쌍별 유전자 조절 함수의 선형성을 평가하기 위해 다음과 같은 통계적 진단 도구를 사용한다:
   • 역 유효 자유도 (Inverse Effective Degrees of Freedom, 1/edf): 데이터를 적합시키는 데 필요한 유연성을 측정하기 위해 일반화 가법 모델(GAM)에서 도출됨.
   • 신호 가중 선형성 점수 (Signal-Weighted Linearity Score): 추정된 쌍별 함수가 최적의 아핀 근사치로부터 벗어나는 정도를 측정함.

결과는 벌크 및 단일 세포 데이터 모두에서 추정된 쌍별 조절 함수가 선형성에서 크게 벗어남을 나타낸다. 벌크 집계가 단일 세포 데이터에 비해 외견상의 선형성을 높이는 평활화(smoothing) 효과를 유발하긴 하지만, 회복 가능성에 필요한 아핀 관계 가설은 실증적 근거에 의해 뒷받 받쳐지지 않는다.

의의 및 주장
본 논문은 강력한 추가 가정 없이는 집계된 벌크 발현 데이터로부터 인과 관계를 회복하는 것이 일반적으로 불가능하다고 결론짓는다. 회복에 필요한 이론적 조건(선형 집계와 결합된 아핀 구조 방정식)은 대부분의 실제 전사체 데이터에서 충족되지 않는데, 이는 유전자 간 상호작용이 주로 비선형적이기 때문이다.

저자들은 벌크 발현 프로파일만을 통해 도출된 인과적 주장을 기저의 세포 수준 인과 메커니즘의 직접적인 반영으로 해석하는 것에 주의를 당부한다. 저자들은 이 분야가 벌크 데이터의 인과 발견에 대한 근본적인 한계를 인식해야 하며, 신뢰할 수 있는 회복을 위해서는 벌크 데이터에만 의존하기보다 섭동(perturbation) 데이터, 시계열 측정 또는 단일 세포 참조 데이터와 같은 부가적인 정보가 필요할 가능성이 높다고 주장한다. 본 연구는 집계된 벌크 코호트로부터 무엇을 추론할 수 있고 무엇을 할 수 없는지에 대한 원칙적인 경계를 제공한다.