기술 요약: 단면적 DNA 메틸화 데이터를 이용한 인간 노화의 궤적 추론

문제 정의

DNA 메틸화(DNAm)는 생물학적 노화의 강력한 바이오마커 역할을 하지만, 기존의 "후성유전학적 시계(epigenetic clocks)"는 노화를 정적인 회귀 작업으로 취급한다. 이러한 모델들은 고차원의 CpG 프로파일을 단일 스칼라 점수로 압축하여 연대 연령을 예측하며, 이로 인해 시간 경과에 따른 후성유전적 지형의 연속적이고 확률적인 진화를 시뮬레이션하는 데 실패한다. 또한, 노화 역학을 모델링하는 기존 방식들은 생존 편향(빠르게 노화하는 개체가 조기 사망으로 인해 제거되는 현상)이나 세포 소멸과 같은 인구 집단 수준의 현상을 설명할 수 없는 경직된 질량 보존 가설에 의존한다. 이러한 요인들은 총 인구 분포의 질량이 시간에 따라 변하는 비보존적 시스템을 형성하며, 이는 전통적인 질량 보존 최적 운송(Optimal Transport, OT) 프레임워크가 횡단적 데이터로부터 노화 궤적을 정확하게 재구성하는 데 구조적으로 불가능하게 만든다.

방법론

저자들은 이산적인 단면적 스냅샷으로부터 연속적인 인간 후성유전적 노화 역학을 재구성하기 위한 2단계 계산 파이프라인을 제안한다.

1. 연령 정규화 변분 오토인코더 (Age-Regularized VAE)

고차원의 노이즈가 많은 원시 CpG 프로파일 문제를 해결하기 위해, 본 프레임워크는 데이터를 계산 가능한 형태의 연대순으로 정렬된 잠재 매니폴드(latent manifold)로 먼저 매핑한다.

• 구조: 감독 학습 기반의 VAE가 사용되며, 이는 인코더 $q_\phi(z|x)$, 생성 디코더 $p_\theta(x|z)$, 그리고 보조 연령 회귀 네트워크 $f_\psi(z)$로 구성된다.
• 목적 함수: 모델은 복합 손실 함수 $L_{VAE} = L_{recon} + \beta L_{KL} + \gamma L_{age}$를 통해 최적화된다.
  • $L_{recon}$은 잠재 공간이 원래의 메틸화 프로파일을 재구성할 수 있도록 보장한다.
  • $L_{KL}$은 구조적 얽힘 해제(disentanglement)를 강제한다.
  • $L_{age}$ (평균 제곱 오차)는 잠재 공간이 생물학적 시간과 단조롭게 정렬되도록 강제한다.
• 결과: 이를 통해 잠재 공간 $Z$에서 시뮬레이션된 모든 연속적인 궤적을 원래의 CpG 특징 공간으로 디코딩할 수 있는 "가교(bridge)"를 구축하며, 추상적인 흐름을 해석 가능한 바이오마커 곡선으로 변환한다.

2. DeepRUOT를 통한 궤적 추론

잠재 매니폴드 상의 연속적인 움직임을 모델링하기 위해, 저자들은 DeepRUOT 프레임워크를 통해 해결된 **정규화된 불균형 최적 운송(Regularized Unbalanced Optimal Transport, RUOT)**을 활용한다.

• 이론적 기초: 표준 OT와 달리, RUOT는 확률적 확산과 비정규화된 질량 유연성을 통합한다. 이는 시스템을 드리프트(drift), 확산(diffusion), 그리고 질량 성장/감소를 고려하는 일반화된 포커-플랑크(Fokker-Planck) 제약 조건에 의해 지배되는 비보존적 과정으로 모델링한다.
• 구현: 시스템은 세 개의 독립적인 신경망에 의해 매개변수화된다:
  1. 속도장 (Velocity Field, $v_\theta$): 결정론적인 방향성 노화 드리프트를 포착한다.
  2. 스코어 함수 (Score Function, $s_\theta$): 무작위 노이즈/확산을 모델링한다.
  3. 성장장 (Growth Field, $g_\theta$): 엄격한 생물학적 사전 지식 없이도 분산 확장과 생존 편향을 수용하기 위해 인구 밀도를 조정하는 "압력 밸브" 역할을 한다.
• 최적화: 모델은 에너지 손실(Fisher 정보 정규화에서 유도됨)과 재구성 손실(국소 질량 매칭 및 Wasserstein 거리를 통해 경험적 코호트 분포와 연속적 궤적을 정렬함)로 구성된 복합 손실($L_{RUOT}$)을 최소화한다.

주요 기여

1. 연령 인식 잠재 구조: 원시 벌크 DNAm 프로파일을 연대순으로 정렬된 잠재 공간으로 투영하면서도 원래의 특징 공간으로의 생성적 디코더를 유지하는 새로운 연령 정규화 VAE를 도입하였다.
2. 불균형 궤적 추론의 적용: DeepRUOT 프레임워크를 노화 매니폴드에 배치하여, 불균형(unbalanced) 공식이 노년기의 엔트로피 확장을 시뮬레이션하는 데 필요한 국소 질량 조정을 자연스럽게 포착함을 입증하였다.
3. 경험적 검증을 통한 노화 아키타입 식별: 대규모 범조직(pan-tissue) 데이터셋을 통해 검증을 수행하였으며, 연속적인 잠재 경로를 디코딩하여 뚜렷한 생물학적 노화 패턴을 성공적으로 재구성하였다.

결과

모델은 0~80세에 걸친 12,439개 샘플(전혈, 뇌, 타액, 고형 조직)을 포함하는 범조직 컬렉션인 Altumage 데이터셋을 통해 평가되었다.

• 정량적 성능: 하나의 시점 제외 교차 검증(Leave-one-timepoint-out cross-validation) 결과, 연령 빈(bin) 전반에 걸쳐 안정적인 Wasserstein-1 (W1) 거리를 보여 견고한 보간(interpolation) 능력을 입증했다. 결정적으로, 총 질량 변화(Total Mass Variation, TMV) 지표는 역동적인 변화를 드러냈다: TMV는 생애 초기에서 중기로 넘어갈 때는 최소 수준이었으나, 가장 오래된 연령대(T=3)를 예측할 때는 거의 4배 가까이 증가했다. 이는 노년기의 확률적 후성유전적 드리프트에 의해 발생하는 분산 확장을 수학적으로 포착한 것이다.
• 잠재 역학: 속도장의 시각화는 젊음에서 노년으로 향하는 전역적으로 안정적이고 단방향적인 흐름을 보여주었다. 그러나 성장장($g_\theta$)은 생애 초기에는 0에 가까웠으나 노년기에 접어들면서 두드러진 급증을 보였다. 이 급증은 시뮬레이션된 궤적이 "부채꼴 모양으로 퍼지게(fan out)" 하여, 고령 인구의 증가된 생물학적 다양성과 예측 불가능성을 수용할 수 있게 한다.
• 생물학적 아키타입: 연속적인 경로를 개별 CpG 사이트로 디코딩함으로써, 저자들은 네 가지 뚜렷한 노화 아키타입을 식별하였다:
  1. 선형 축적형 (Hypermethylation): 발달 유전자 프로모터 등에서 나타나는 단조로운 증가.
  2. 선형 감소형 (Hypomethylation): 반복되는 게놈 요소의 특성인 점진적인 전역적 손실.
  3. 지수적 및 후기 발생 드리프트 (Exponential & Late-Onset Drift): 생애 초기에는 안정적이지만 노년에 갑작스럽고 가속화된 발산을 보이는 부위로, 생물학적 엔트로피의 시작을 나타내는 대리 지표 역할을 함.
  4. 연령 불변 유지 부위 (Age-Invariant Maintenance Sites): 일정한 메틸화 상태를 유지하며, 견고한 "하우스키핑(housekeeping)" 기능을 나타내는 로커스(loci).

의의 및 주장

본 논문은 정적인 스칼라 추적에서 연속적인 동적 시스템으로 전환함으로써, 인간의 분자적 노화를 시뮬레이션하는 엄밀한 생성적 패러다임을 제공한다고 주장한다. RUOT 공식을 해결함으로써, 모델은 엄격한 생물학적 사전 지식 없이도 인구 집단 수준의 밀도 변화(예: 생존 편향)를 유연하게 수용한다. 저자들은 이 접근 방식이 "분자적 노화의 진정한 메커니즘"을 밝혀내며, 특히 비선형적인 메틸로믹 변동성의 축적과 노년기 엔트로피의 수학적 변곡점을 포착한다고 단언한다. 이 프레임워크는 거시적인 인구 현상과 미시적인 분자 운동학 사이의 가교 역할을 하며, 후성유전적 지형의 결합 확률 분포가 인간의 수명 동안 어떻게 진화하는지를 재구성하는 도구를 제공한다.

인정된 한계점: 저자들은 수십 년 단위의 연령 이산화가 급격한 생애 단계 전환(예: 사춘기, 폐경)을 완화할 수 있음을 언급하였으며, 범조직 전략이 조직 특이적 대사 역학을 의도적으로 억제했음을 명시하였다. 또한, 현재 연구는 정상 조직의 역학에 집중하고 있으므로, 병리적 상황(예: 암)에서의 궤적 재구성은 향후 탐구 과제로 남겨두었다.