THBKG: A Temporal Biomedical Knowledge Graph for Decision-Aligned Clinical Advancement Prediction

기술 요약: THBKG – 의사결정 정렬형 임상 발전 예측을 위한 시계열 생물 의학 지식 그래프

1. 문제 정의

신약 개발 단계에서의 후기 임상 실패는 주로 치료 타겟과 의도한 질병 사이의 인과적 연결성 부족에 의해 발생하며, 이는 임상 2상 효능 실패 원인의 40~40%를 차지합니다. 유전적 근거가 타겟-질병 가설을 뒷받침할 경우 임상 성공률이 높아지지만, 이러한 근거는 가설에 직접적으로 부착되어 나타나기보다는 수십 년에 걸쳐 유전, 문헌, 경로 및 임상 소스를 통해 축적됩니다.

기존 생물 의학 지식 그래프(KG) 연구의 결정적인 방법론적 결함은 **시계열 데이터 누수(temporal data leakage)**입니다. 표준 평가 프로토콜(예: 무작위 에지 홀드아웃)은 모델이 전체 정적 그래프를 사용하도록 함으로써, 모델이 평가 대상인 의사결정 시점 이후에 보고된 증거까지 활용할 수 있게 만듭니다. 예를 들어, 2026년에 구축된 그래프를 사용하여 2016년의 의사결정을 점수화하는 것은, 의사결정자가 결코 보유할 수 없었던 10년 치의 증거를 모델에게 부여하는 것과 같습니다. 또한, 기존 리소스들은 에지의 타임스탬프가 없거나, 단일 글로벌 컷오프 지점에서 고정되어 있어(특정 시점의 재구성을 방지하지 못함), 가설을 뒷받침하는 데 필수적인 멀티홉(multi-hop) 생물학적 경로를 포착하지 못하고 직접적인 증거에만 국한되는 한계가 있습니다.

2. 방법론

THBKG 구축
저자들은 110,396개의 엔티티와 19가지 관계 유형에 걸친 1110만 개의 에지로 구성된 동적 그래프인 **시계열 이종 생물 의학 지식 그래프(THBKG)**를 제시합니다.

• 소스: Open Targets(유전, 문헌, 동물 모델, RNA 발현, 체세 변이, 경로), IntAct(단백질-단백질 상호작용), Gene Ontology, Reactome, ClinicalTrials.gov에서 증거를 수집했습니다.
• 시간적 세밀도: 정적 스냅샷과 달리, 모든 에지는 이벤트 시간(기초 관찰이 처음 보고된 연도)을 포함합니다.
• 에지 속성: 각 에지는 증거 강도의 조화 합(harmonic sum)으로 계산된 누적 점수($s_{ij}$)와, 증거 도착 시 정점을 찍고 시간이 지남에 따라 감소하는 신선도 점수($n_{ij}$)를 포함합니다.
• 이벤트 압축: 효율성을 보장하기 위해 누적 점수가 변경될 때만 에지를 저장하며, 이를 통해 어떤 "as-of" 쿼리에 대해서도 손실 없는 인코딩을 구현합니다.
• 구조: 그래프는 16개의 시계열 에지 유형과 3개의 정적 온톨로지 에지 유형(질병, GO, Reactome 계층 구조)을 포함하며, 정적 에지는 센티널(sentinel) 타임스탬프를 가지며 마스킹되지 않습니다.

의사결정 정렬형 평가 프로토콜
본 논문은 **임상 발전 예측(Clinical Advancement Prediction)**을 위한 벤치마크를 정의합니다. 이는 임상 2상에 진입하는 타겟-질병 쌍이 임상 3상으로 진전될지 여부를 예측하는 것입니다.

• As-Of 쿼리: 각 $(v_t, v_d)$ 쌍(진입 연도 $y_{td}$를 가진)에 대해, 모델은 $t_{ij} < y_{td}$인 에지만을 포함하는 서브그래프 $G[y_{td}]$ 상에서 평가됩니다.
• 계층화: 평가 세트는 다음 기준으로 계층화됩니다:
  1. 증거 희소성: 해당 의사결정 시점에 직접적인 타겟-질병 증거가 존재하는지 여부.
  2. 타겟 이력: 해당 타겟이 이전에 어떤 질병에 대해서라도 임상 2상에 진입한 적이 있는지 여부.
• 지표: **상대적 성공(Relative Success, RS@N)**을 사용합니다. 이는 상위 $N$개 순위 쌍의 발전율을 나머지 그룹과 비교하여 측정합니다. 이는 전역 지표(AUROC)보다 우선순위 결정(prioritization)을 반영하는 데 더 적합합니다.

모델
연구에서는 네 가지 이종 그래프 인코더(HGT, R-GCN, CompGCN, GATv2)와 **에지 인식 이종 그래프 트랜스포머(EA-HGT)**를 평가합니다. EA-HGT 변형은 에지 특징(점수 및 신선도)을 사용하여 어텐션 메커니즘을 조절함으로써, 관계 유형 외에 증거의 강도와 최신성이 추가적인 신호를 제공하는지 테스트합니다.

3. 주요 결과

벤치마크 성능

• 상위 순위 농축(Top-of-Ranking Enrichment): 그래프 전파 모델은 직접 증거 기반 베이스라인(Ridge Regression 및 Open Targets 글로벌 점수)보다 상위 순위에서 유의미하게 높은 성능을 보입니다. $N=10$일 때, 최상의 그래프 인코더는 최고의 표 형식 베이스라인(RS 2.65)에 비해 4.3~4.5의 상대적 성공(RS)을 달성합니다.
• "증거 희소" 영역: 주요 이득은 의사결정 시점에 직접적인 타겟-질병 증거가 없는 72.8%의 쌍에서 집중됩니다. 이 계층에서 직접 에지 모델은 무작위 확률에 가까운 성능(RS < 1)을 보이는 반면, 그래프 인코더는 4.7~6.0의 RS를 달성합니다. 이는 모델이 직접 증거가 없을 때 중간 생물학적 경로(multi-hop paths)를 통해 신호를 성공적으로 복구함을 입증합니다.
• 최초 진입 타겟: 어떤 적응증에 대해서도 처음으로 임상 2상에 진입하는 타겟($n=170$)의 경우, 모델은 유의미하지 않은 미미한 개선만을 보였습니다. 저자들은 이 계층이 통계적 검증력이 낮으며, 벤치마크가 모델의 유용성을 판단하기 가장 어려운 "다크 타겟(dark targets)" 영역이라고 언급했습니다.
• 특징 절제 실험(Feature Ablation): 단일 인코더나 특징 집합이 보편적으로 우위를 점하지는 않습니다. 그러나 신선도 점수($n_{ij}$)는 특히 HGT에서 중요한 특징이며, GATv2는 점수와 신선도를 결합했을 때 가장 큰 이득을 얻습니다.

설명 가능성
경로 기반 설명 도구(PaGE-Link)를 의사결정 시점의 서브그래프로 적응시켜, 예측이 특정 멀티홉 경로와 그 시간적 프로필로 분해될 수 있음을 보여줍니다. 예를 들어, 2016년 결정된 건선 치료제 IL17F에 대한 예측은 2014년까지 축적된 중간 질병 및 타겟을 통한 증거에 의존하고 있음이 나타났습니다. 이는 정적 그래프나 결정 이후의 증거를 포함하는 그래프에서는 보이지 않을 경로입니다.

4. 의의 및 주장

본 논문은 세 가지 주요 기여를 주장합니다:

1. THBKG 리소스: 모든 에지가 관찰의 이벤트 시간별로 타임스탬프가 찍힌, 지속적으로 업데이트 가능한 이종 KG입니다. 이를 통해 특정 결정 날짜에 대한 생물 의학 가설을 **사후 검증(retrospective validation)**할 수 있으며, 모델이 의사결정자가 실제로 보유했던 증거를 바탕으로 평가되도록 보장합니다.
2. 의사결정 정렬형 벤치마크: 결정 전 증거로 평가를 제한함으로써 시간적 누수를 제거하는 프로토콜을 제공합니다. 저자들은 고정된 분할(splits), 치료 영역을 고려한 상대적 성공 프로토콜, 그리고 일련의 참조 베이스라인을 공개합니다.
3. 분해 가능한 예측: 예측을 생성한 특정 증거 경관과 시간적 궤적에 따라 순위를 감사(audit)할 수 있는 능력을 제공합니다.

제한 사항 및 겸허한 주장
저자들은 다음과 같은 접근법의 한계를 명시적으로 밝히고 있습니다:

• 편향 전파: 모델은 이미 증거가 존재하는 곳을 탐색하는 학계의 "정책"을 학습합니다. 따라서 그래프는 기존 선례가 있는 타겟을 우선순위화하는 데는 도움이 되지만, 연구 기록이 빈약한 "다크 타겟(연구가 미진한 유전자)"을 위한 증거를 "생성"할 수는 없습니다.
• 큐레이션 vs 발견: 타임스탬프는 과학적 연구가 수행된 시점이 아니라 증거가 공공 기록에 입력된 시점을 반영합니다. 데이터셋의 대량 인입은 증거 가용성의 인위적인 급증을 만들 수 있습니다.
• 정보 비대칭성: 모델은 공개된 증거를 바탕으로 학습되지만, 임상 결정은 내부의 비공개 데이터에 의존할 수 있습니다. 이는 공공 그래프상에서 증거가 희소해 보임에도 불구하고 사적인 증거를 바탕으로 발전한 쌍들에 대해 레이블 노이즈를 발생시킵니다.
• 특징 압축: 인코더는 시간적 이력을 두 개의 설계된 스칼라(누적 점수 및 신선도)로 압축합니다. 이는 효과적이지만, 저자들은 연속 시간 동적 그래프 모델이 원시 이벤트 스트림으로부터 이러한 역동성을 직접 학습할 수 있을 것이라고 제안합니다.

결론적으로, THBKG는 데이터가 없는 상태에서 새로운 타겟을 발견하는 문제를 해결한다고 주장하지 않습니다. 대신, 예측이 결정 당시 가용했던 역사적 증거에 근거하도록 함으로써, 임상 발전(clinical advancement)에 대한 사후 검증을 위한 엄격한 토대를 제공하며, 이를 통해 가설의 지지 여부를 더욱 현실적으로 평가할 수 있게 합니다.