기술 요약: 다중 오믹스 기반 유방암 예측을 위한 머신러닝 모델 벤치마킹

문제 정의

본 연구는 진단, 예후 및 치료 선택에 필수적인 바이오마커인 에스트로겐 수용체(ER) 상태를 정확하게 예측해야 하는 중요한 필요성을 다룹니다. 고처리량 시퀀싱 기술은 포괄적인 멀티오믹스 데이터셋(유전체, 전사체, 단백질체) 생성을 가능하게 했으나, 이러한 데이터를 효과적으로 모델링하는 것은 상당한 계산적 과제를 안겨줍니다. 특히, TCGA-BRCA 코호트는 다음과 같은 특징을 가진 "소규모 샘플, 고차원" 학습 문제를 나타냅니다:

• 고차원성: 549개의 가용 환자 샘플에 비해 1,687개의 분자 변수가 존재하는 특징 공간은 과적합(overfitting)의 위험을 높입니다.
• 클래스 불균형: ER 양성 샘플(75.4%)이 ER 음성 샘플(24.6%)보다 훨씬 많은 왜곡된 분포를 보입니다.
• 데이터 누수 위험: 부적절한 전처리는 지나치게 낙관적인 평가 지표를 초래할 수 있습니다.
• 모델 적합성: 딥러닝 아키텍처는 다른 AI 분야에서는 지배적이지만, 일반적으로 신뢰할 수 있는 일반화를 위해 더 큰 샘플 크기를 필요로 하므로, 소규모 유전체 데이터셋에 적용하기에는 어려움이 따릅니다.

주요 목표는 엄격한 평가 관행과 생물학적 해석 가능성을 보장하면서, 단일 오믹스 및 다중 오믹스 데이터를 사용하여 ER 상태를 예측하는 데 있어 고전적 머신러닝 모델의 효능을 체계적으로 벤치마킹하는 것입니다.

방법론

연구진은 UCSC Xena Browser를 통해 얻은 TCGA-BRCA 코호트 데이터를 사용하여 엄격한 실험 프레임워크를 채택했습니다. 데이터셋은 매칭된 RNA 발현(604개 특징), 복제수 변이(CNV)(860개 특징), 그리고 역상 단계 단백질 배열(RPPA) 단백질 발현(223개 특징)을 포함한 549명의 환자로 구성되었습니다.

데이터 전처리 및 실험 설계

• 정제 및 인코딩: 모호한 ER 상태 레이블을 제거했습니다. 레이블은 이진값(ER-음성은 0, ER-양성은 1)으로 인코딩되었습니다.
• 층화 분할(Stratified Splitting): 클래스 분포를 유지하기 위해 80/20 층화 학습-테스트 분할을 사용했습니다.
• 교차 검증: 견고한 성능 추정을 위해 층화 5-겹 교차 검증(stratified five-fold cross-validation)을 채택했습니다.
• 특징 선택(Feature Selection): 데이터 누수를 방지하기 위해, 각 학습 폴드 내에서 독립적으로 ANOVA F-통계량(SelectKBest)을 사용하여 상위 다수의 특징(300개)을 선택했습니다.
• 클래스 불균형 처리: 다수 클래스에 대한 편향을 완화하기 위해 학습 중 균형 잡힌 클래스 가중치(예: XGBoost의 scale_pos_weight)를 적용했습니다.
• 스케일링: 특성 스케일링(StandardScaler)은 SVM 및 로지스틱 회귀에만 적용되었으며, 트리 기반 모델은 원래의 특징 값을 활용했습니다.

평가된 모델

여섯 가지 고전적 머신러닝 알고리즘이 네 가지 실험 단계에 걸쳐 벤치마킹되었습니다:

1. RNA 전용: 전사체 데이터.
2. CNV 전용: 유전적 구조 변화.
3. RPPA 전용: 단백질체 데이터.
4. 다중 오믹스 통합: RNA, CNV, RPPA 특징 결합.

평가된 모델은 Random Forest, XGBoost, LightGBM, CatBoost, Support Vector Machines (RBF 커널을 사용한 SVM), 그리고 Logistic Regression입니다. Multi-Layer Perceptron(MLP) 또한 딥러닝 베이스라인으로서 평가되었습니다.

평가 지표

클래스 불균형을 고려하여, 연구는 표준 정확도를 넘어선 지표를 우선시했습니다:

• 균형 정확도(Balanced Accuracy): 민감도와 특이도의 평균을 구하는 주요 지표입니다.
• ROC-AUC: 임계값에 독립적인 판별 능력을 평가합니다.
• Macro F1-Score, 정밀도(Precision), 재현율(Recall): 두 클래스 모두에 대해 균등하게 성능을 평가합니다.

주요 결과

1. 단일 오믹스 성능

• RNA 발현: ER의 전사 인자로서의 생물학적 역할을 반영하여 일관되게 가장 강력한 예측 신호를 제공했습니다. Random Forest는 가장 높은 교차 검증 정확도(92.35%)를 달성한 반면, XGBoost는 가장 높은 ROC-AUC(95.61%)를 달성했습니다. 비선형 모델은 선형인 로지스틱 회귀 베이스라인보다 성능이 현저히 뛰어났습니다.
• CNV 데이터: RNA에 비해서는 유의미하지만 약한 예측력을 제공했습니다. **SVM (RBF)**이 CNV 단독 모델 중 최고의 성능을 보였으며, 91.80%의 정확도와 95.50%의 ROC-AUC를 달성하여 비선형 커널 방법이 구조적 유전 변이를 모델링하는 데 적합함을 시사했습니다.
• 단백질 발현 (RPPA): 강력한 보조 예측 데이터 역할을 했습니다. XGBoost는 최고의 성능(정확도 91.82%, 균형 정확도 90.20%)을 기록하며 하위 경로 활성을 포착했습니다.

2. 다중 오믹스 통합

RNA, CNV, RPPA 데이터를 통합하는 것이 전체적인 성능을 향상시켜, 상호 보완적인 분자 정보가 모델의 견고함을 강화한다는 것을 입증했습니다.

• 최고 성능 모델: Random Forest는 통합 환경에서 가장 높은 성능을 기록하며, 홀드아웃 테스트 세트에서 **균형 정확도 90.30%**와 **ROC-AUC 97.10%**를 달성했습니다.
• 비교: 다른 앙상블 방법들(XGBoost, CatBoost, LightGBM)과 SVM은 경쟁력 있는 결과(균형 정확도 약 89.60%)를 보여주었으며, 로지스틱 회귀는 가장 낮은 성능을 보였습니다.
• 딥러닝 베이스라인: MLP 베이스라인은 정확도 90.00%, ROC-AUC 90.41%를 달성했습니다. 이는 경쟁력 있는 수치였으나 최상의 고전적 모델들을 능가하지는 못했으며, 이는 트리 기반 앙상블이 작고 고차원적인 유전체 데이터셋에서 더 나은 일반화 성능을 보인다는 가설을 뒷받침합니다.

3. 생물학적 해석 가능성

특징 선택 안정성 분석 결과, 교차 검증 폴드 전반에 걸쳐 생물학적으로 관련 있는 유전자들이 반복적으로 선택됨을 확인했습니다. 여기에는 ESR1, PGR, FOXA1, GATA3(ER-양성/루미날 아형과 연관) 및 KRT5, KRT17, SOX10(ER-음성/기저 세포형과 연관)이 포함됩니다. 이러한 일관성은 모델이 데이터셋 특유의 노이즈가 아닌, 임상적으로 의미 있는 생물학적 패턴을 학습했음을 검증합니다.

의의 및 주장

본 논문은 적절히 규제된 고전적 머신러닝 방법이 소규모 고차원 유전체 데이터셋에 대해 여전히 매우 효과적이며, 이 특정 맥락에서 딥러닝 접근법을 종종 능가한다는 점을 주장합니다. 본 연구는 다음을 입증합니다:

1. RNA 발현이 ER 상태의 지배적인 예측 인자이며, 이는 수용체의 전사적 특성과 일치합니다.
2. 다중 오믹스 통합은 단일 오믹스 모델에 비해 완만하지만 일관된 개선을 제공하며, 이는 상호 보완적인 유전체 및 단백질체 데이터의 가치를 확인시켜 줍니다.
3. **앙상블 트리 방법(특히 Random Forest)**은 이 과업에 있어 예측 정확도, 일반화, 해석 가능성의 최적의 균형을 제공합니다.
4. 엄격한 실험 설계(층화 분할, 폴드별 특징 선택, 클래스 가중치 적용)는 고차원 불균형 환경에서 데이터 누수를 방지하고 신뢰할 수 있는 평가를 보장하는 데 필수적입니다.

저자들은 본 연구의 프레임워크가 다중 오믹스 기반 ER 예측을 위한 종합적인 벤치마크를 제공하며, 독립적인 코호트에 대한 외부 검증의 필요성과 향후 추가적인 오믹스 양식 통합의 가능성을 인정하면서도 정밀 의료 워크플로우를 위한 견고한 토대를 제공한다고 결론짓습니다.