TRAPS: Therapeutic Response Analysis via Pathway-informed Stratification

기술 요약: TRAPS – 경로 정보 기반 계층화를 통한 치료 반응 분석

문제 정의
암 치료 계획을 수립하기 위해 임상의는 표적 분자 치료(TMT), 방사선 치료(RT), 그리고 단기 생존 예후(OS ≥ 6개월)라는 세 가지 별개의 결정에 대해 동시에 판단을 내려야 합니다. 유전자 발현 데이터는 종양 생물학에 대한 통찰을 제공하지만, 가공되지 않은 전사체 데이터는 고차원적이며 해석하기 어렵습니다. 기존의 솔루션들은 해석 가능성과 성능을 개선하기 위해 경로 정보가 포함된 딥러닝 모델(pathway-informed deep learning models)에 의존하는 경우가 많습니다. 그러나 이러한 모델들(특히 BINN, GraphPath, PATH)은 역사적으로 서로 다른 데이터셋, 전처리 파이프라인 및 평가 지표를 사용하여 개별적으로 개발되고 평가되어 왔습니다. 이러한 통합된 프레임워크의 부재는 아키텍처를 공정하게 비교하거나, 특정 임상 결과에 대해 어떤 생물학적 구조적 사전 지식(structural priors)이 가장 효과적인지 결정하는 것을 불가능하게 만듭니다.

방법론
저자들은 경로 가이드형 치료 반응 모델링을 위한 최초의 통합 벤치마크인 TRAPS를 제시합니다. 본 연구는 The Cancer Genome Atlas(TCGA)에서 추출한 5개 고형암 코호트(유방암, 폐암, 전립선암, 두경부암, 갑상선암)의 데이터를 활용하며, 여기에는 2,622명의 환자가 포함됩니다.

• 데이터 표현: 유전자 발현 프로파일은 Reactome 경로 지식과 단일 샘플 유전자 집단 풍부도 분석(ssGSEA)을 사용하여 생물학적 경로 활성 점수로 변환되었습니다. 이를 통해 환자당 1,706개의 경로 활성 점수로 구성된 표준화된 입력 벡터가 생성되었습니다.
• 태스크 정식화: 이 문제는 TMT, RT, OS ≥ 180일이라는 세 가지 이진 헤드(binary heads)를 가진 다중 레이블 분류 문제로 프레임화되었습니다. 모든 모델은 동일한 데이터 및 평가 조건 하에서 이 세 가지 결과에 대해 공동으로 학습됩니다.
• 평가된 아키텍처: 생물학적 정보가 포함된 세 가지 딥러닝 아키텍처가 적응 및 비교되었습니다:
  1. BINN (Biologically Informed Neural Network): Reactome을 희소한 부모-자식 계층 구조로 인코딩합니다. 엄격한 계층적 흐름을 강제하기 위해 마스킹된 선형 연결을 사용하며, 다중 깊이 감독(multi-depth supervision)을 위해 모든 층에 보조 분류 헤드를 포함합니다.
  2. GraphPath: 경로를 부모-자식 및 형제 관계를 갖는 이진 인접성(binary adjacency)으로 연결된 그래프의 노드로 모델링합니다. 멀티 헤드 그래프 어텐션 네트워크(GAT)를 활용하여 경로 간의 측면 공동 조절(lateral co-regulation)을 학습합니다.
  3. PATH: 엣지 조건부 어텐션(edge-conditioned attention)을 사용하는 그래프 트랜스포머를 채택합니다. 유전자 집단 중첩의 Jaccard 유사도를 기반으로 가중치 그래프를 구축하고, 경사도 있는 생물학적 유사성과 구조적 맥락을 포착하기 위해 라플라시안 위치 인코딩(Laplacian positional encodings)을 통합합니다.
• 평가: 모델은 5개 코호트에 대해 AUROC, AUPRC, F1-score 및 정확도(Accuracy)를 기준으로 평가되었습니다. 클래스 불균형 문제를 해결하기 위해 클래스 가중 이진 교차 엔트로피(class-weighted binary cross-entropy)를 사용하여 학습을 진행하였으며, 엄격한 재현성 프로토콜(고정된 시드, 표준화된 분할)을 준수하였습니다.

주요 결과
본 벤치마크는 단일 아키텍처가 모든 태스크나 암 유형에서 우위를 점하지 못한다는 것을 보여줍니다. 즉, 성능은 매우 표현형 특이적(phenotype-specific)입니다:

• 표적 분자 치료 (TMT): GraphPath가 전체 벤치마크에서 가장 높은 성능을 달encing하며, 전립선암 TMT 예측에서 0.92의 AUROC에 도달했습니다. 이는 극심한 클래스 불균형(양성 유병률 11%에 불과)에도 불구하고, 측면 공동 조절 구조가 좁고 표적화 가능한 드라이버 프로그램을 식별하는 데 매우 효과적임을 시사합니다. PATH 또한 두경부암에서 이진 인접성보다 경사도가 있는 엣지 가중치가 중첩된 경로 활성을 더 잘 포착함에 따라 우수한 성능을 보였습니다.
• 전체 생존율 (OS): BINN은 생존 예측에서 가장 신뢰할 수 있고 일관된 성능을 보여주었으며, 유방암 및 폐암 코호트에서 선두를 차지했습니다. BINN의 계층적 구조와 다중 깊이 감독은 경로 수준 전반에 걸쳐 분산된 광범위한 전사 생존 신호를 포착하는 데 적합한 것으로 보입니다.
• 방사선 치료 (RT): 어떤 모델도 코호트 전반에 걸쳐 RT에 대한 유용한 예측을 생성하지 못했습니다. 저자들은 이를 모델 아키텍처의 실패가 아니라, 방사선 치료 결정의 핵심 동인이 유전자 발현 데이터에 포착되지 않는 임상 변수들이기 때문이라고 설명합니다.
• 해석 가능성: 경로 중요도 분석 결과, BINN과 GraphPath는 여러 코호트에서 TMT와 OS 모두에 대해 영향력이 높은 것으로 일관되게 순위가 매겨진 ERK/MAPK Targets 경로와 같은 생물학적 관련 신호에서 수렴하는 모습을 보였습니다.

의의 및 주장
본 논문은 경로 구조화된 딥러닝을 결합된 치료 및 생존 예측 문제로 다루는 최초의 통합 벤치마크라고 주장합니다. 주요 의의는 모델 성능이 태스크 의존적이라는 점을 입증한 데 있습니다:

• 아키텍처 선택: "최적의" 모델은 구체적인 임상 질문에 따라 달라집니다. PATH와 GraphPath는 복잡한 경로 상호작용이 중요한 치료 할당(TMT)에 탁월한 반면, BINN은 생존 계층화에 더 우수합니다.
• 현재 데이터의 한목: RT 예측의 실패는 전사체 경로 특징만으로는 특정 임상 결정을 내리기에 불충분함을 강조하며, 이는 다중 모달 데이터 통합의 필요성을 시사합니다.
• 재현성: 입력 공간(Reactome/ssGSEA)과 평가 파이프라인을 표준화함으로써, 본 연구는 생물학적 정보 기반 머신러나닝의 향후 비교를 위한 재현 가능한 프레임워크를 구축했습니다.

저자들은 향후 연구가 단순히 아키텍처 개선에 매달리기보다는, 반응 레이블이 있는 코호트 확보와 다중 모달 임상 및 분자 데이터의 통합에 집중해야 한다고 결론지었습니다.