Graph-Adaptive Horseshoe for Compositional Regression

인체, 특히 구강 내에는 수조 개의 미생물이 복잡한 공동체를 이루며 함께 살아가고 있습니다. 과학자들은 이 집합체를 마이크로바이옴이라고 부릅니다. 연구자들이 이러한 공동체를 연구할 때, 박테리아의 절대적인 수를 세지는 않는데, 이는 침이나 치태(플라크)가 얼마나 채취되었느냐에 따라 그 숫자가 끊임없이 변하기 때문입니다. 대신, 그들은 전체 집단 중에서 각 박테리아 유형이 차지하는 비율인 상대적 풍부도를 측정합니다. 이는 독특한 수학적 퍼즐을 만들어냅니다. 만약 한 종류의 박테리아 비율이 높아지면, 전체 합계가 100%를 유지해야 하므로 나머지 모든 박테리아의 비율은 낮아져야 합니다. 이러한 상호 의존성은 어떤 특정 박테리아가 특정 건강 상태와 연결되어 있는지 알아내기 위해 표준 통계 도구를 사용하는 것을 어렵게 만듭니다. 수년 동안 과학자들은 진화 계통도상에서 서로 밀접하게 연관된 박테리아들이 유사하게 행동할 것이라고 가정함으로써 이 문제를 해결하려 노력해 왔습니다. 그들은 진화적 근접성이 인간의 건강과 어떻게 상호작용하는지를 예측하기를 바라며, 고정된 가계도를 기반으로 모델을 구축했습니다. 그러나 이러한 가정은 종종 실패하곤 하는데, 왜냐하면 진화적으로 먼 친척 관계인 박테리아가 인체 내에서 비슷하게 행동할 수도 있는 반면, 가까운 친척 관계인 박테리아는 매우 다른 영향을 미칠 수도 있기 때문입니다.

연구팀은 미리 만들어진 박테리아 가계수에 대한 가정에 의존하지 않고 이러한 관계를 풀어낼 수 있는 새로운 방법을 개발했습니다. 그들은 GRACE(Graph-Adaptive Horseshoe for Compositional Regression, 조성 회귀를 위한 그래프 적응형 유선형 모델)라고 불리는 시스템을 만들었습니다. 데이터를 고정된 진화적 관계의 정적인 지도에 맞추려고 강요하는 대신, 이 새로운 접근 방식은 데이터 자체가 지도를 그리도록 허용합니다. 연구진은 이 방법을 당뇨병 위험은 있지만 아직 질병이 발병하지 않은 성인들을 대상으로 한 연구에 적용했습니다. 그들은 잇몸 아래의 치태 샘 Samples를 분석하여 인슐린 저항성(신체가 혈당을 조절하는 데 어려움을 겪는 상태)과 관련된 박테리아가 무엇인지 조사했습니다. 유연한 학습 기반 모델을 사용함으로써, 연구팀은 인슐린 저항성과 관련된 박테리아들이 진화적 역사뿐만 아니라 신체에 미치는 실제 효과를 바탕으로 그룹을 형성한다는 사실을 발견했습니다.

연구진은 실제 마이크로바이옴 샘플의 무질서하고 영(zero) 값이 많은 특성을 모방한 시뮬레이션 데이터를 사용하여 이 새로운 방법을 테스트했습니다. 이 테스트에서 그들은 GRACE를 계통수나 공생 패턴에서 유도된 고정된 그래프에 의존하는 기존 방법들과 비교했습니다. 결과는 고정된 그래프가 실제 생물학적 관계와 일치하지 않을 때, 기존의 방법들이 올바른 박테리아를 찾거나 연결 네트워크를 재구성하는 데 어려움을 겪는다는 것을 보여주었습니다. 그러나 GRACE는 데이터에 적응했습니다. GRACE는 초기 박테리아 관계에 대한 가정이 틀렸을 때에도 올바른 박테리아 그룹을 성공적으로 식별하고 그들의 관계에 담긴 기저 구조를 복구해 냈습니다. 이 방법은 일부 박테리아가 너무 희귀하여 모든 샘플에서 검출되지 않는, 마이크로바이옴 연구에서 흔히 발생하는 문제인 많은 결측값이 포함된 데이터에서도 견고함을 입증했습니다.

연구팀이 152명의 성인이 참여한 ORIGINS 연구의 실제 데이터에 GRACE를 적용했을 때, 그 결과는 구강 마이크로바이옴이 대사 건강에 미치는 역할에 대해 더 명확한 그림을 제시했습니다. 모델은 Tannerella forsythia와 Selenomonas artemidis를 포함하여 인슐린 저항성과 관련된 특정 박테리아를 식별했습니다. 이 박테리아들은 잇몸 질환과 관련이 있는 것으로 알려져 있지만, 새로운 분석은 이들이 혈당 조절에 미치는 공유된 영향력을 바탕으로 어떻게 함께 묶이는지를 보여주었습니다. 결정적으로, GRACE가 박테리아 사이에 구축한 연결 네트워크는 전통적인 진화 계통도와 매우 달랐습니다. 모델이 그룹화한 박테리아들은 반드시 생명의 나무에서 가장 가까운 친척은 아니었습니다. 대신, 그들은 건강 결과와 관련하여 같은 방향으로 움직였기 때문에 그룹화되었습니다. 즉, 어떤 박테리아는 높은 인슐린 저항성과 연결되어 있었고, 다른 박테리아는 낮은 저항성과 연결되어 있었습니다.

연구는 또한 체내에서 박테리아가 연결되는 방식이 그들의 진화적 과거를 단순하게 반영하는 것이 아님을 밝혔습니다. 연구진은 인슐린 저항성에 대한 효과 측면에서의 박테리아 간 '거리'가 진화 계통도상의 거리와 항상 일치하지 않는다는 것을 발견했습니다. 예를 들어, 진화적으로는 가까운 일부 박테리아는 질병과의 관계에서는 멀리 떨어져 있는 반면, 진화적으로는 먼 친척인 다른 박테리아들은 일제히 움직였습니다. 이는 진화 계통도에만 의존하는 것이 연구자로 하여 many 중요한 연결 고리를 놓치게 할 수 있음을 시사합니다. 이 새로운 방법은 데이터가 스스로 말하게 하여, 선행된 이론이 아닌 실제 건강 결과에 의해 주도되는 관계 지도를 만들어냅니다.

연구진은 GRACE가 생성한 그래프를 누가 누구를 먹거나 누가 누구의 생존을 돕는지와 같은 박테리아 간의 물리적 상호작용 지도로 보아서는 안 된다고 강조했습니다. 대신, 그것은 서로 다른 박테리아가 신체에 미치는 공통된 영향력에 대한 요약입니다. 이는 어떤 박테리아 그룹이 공통된 영향을 공유하는지를 강조하는 가설 생성 도구입니다. ORIGINS 연구의 경우, 모델은 치주 질환 및 대사 기능 장애와 관련된 알려진 생물학적 기능과 일치하는 모듈로 박테리아를 그룹화했습니다. 이러한 기존 의학 지식과의 일치는 모델이 무작위적인 노이즈가 아니라 실제 생물학적 신호를 포착하고 있다는 확신을 연구진에게 주었습니다.

이 접근 방식의 핵심 강점 중 하나는 불확실성을 다루는 능력입니다. 이 모델은 단 하나의 경직된 답만을 내놓는 것이 아니라, 가능한 범위의 가능성을 제공하고 각 연결에 대해 얼마나 확신하는지를 나타냅니다. 이는 데이터가 희소하고 노이즈가 많은 복잡한 생물학적 시스템에서 특히 중요합니다. 연결 관계를 데이터로부터 직접 학습하게 함으로써, 이 방법은 데이터를 맞지 않는 상자에 억지로 끼워 넣는 함정을 피합니다. 연구진은 초기 관계에 대해 확신이 없을 때, 더 약한 사전 가정을 사용함으로써 모델이 관찰값으로부터 구조를 직접 학습하게 하여 더 나은 결과를 얻을 수 있었다고 언급했습니다.

이 방법을 구강 마이크로바이옴 데이터에 적용한 것은 잇몸 건강과 당뇨병 사이의 연결 고리에 대한 더 미묘한 이해를 제공했습니다. 연구는 Tannerella forsythia와 같은 특정 박테리아가 높은 인슐린 저항성과 일관되게 연관되어 있음을 확인했습니다. 또한 이 박테리아들이 고립되어 작용하는 것이 아니라, 결과에 영향을 미치는 더 큰 공동체 구조의 일부라는 점을 강조했습니다. 모델은 인슐린 저항성과 관련된 박테리아들이 건강한 글루코스 조절과 관련된 박테리아들과는 별개의 뚜렷한 클러스터를 형성한다는 것을 보여주었습니다. 이러한 수준의 세부 사항은 연구자들이 단순히 어떤 박테리아가 존재하는지를 나열하는 수준을 넘어, 공동체 전체가 어떻게 기능하는지를 이해하도록 돕습니다.

연구진은 진화 계통도가 생명의 역사를 이해하는 데는 유용하지만, 생명체가 인간의 건강과 어떻게 상호작용하는지를 이해하는 데는 항상 최선의 가이드가 되지는 않는다고 결론지었습니다. 기존 연구에서 사용된 고정된 그래프는 질병 결과를 주도하는 실제 관계를 포착하는 데 자주 실패했습니다. 데이터를 통해 학습하는 방법을 개발함으로써, 팀은 연구자들이 마이크로바이옴을 탐구할 수 있는 새로운 도구를 제공했습니다. 이 도구는 어떤 박테리아가 특정 조건에 정말로 중요한지, 그리고 그들이 그 맥락에서 서로 어떻게 연관되어 있는지를 식별하는 데 도움을 줄 수 있습니다. 연구 결과는 마이크로바이옴 연구의 미래가 선행된 지도에 순응하도록 강요하는 것이 아니라, 데이터가 스스로의 구조를 드러내도록 하는 유연하고 결과 중심적인 접근 방식에 있다는 것을 시사합니다.

연구는 또한 박테리아가 검출되지 않을 때 발생하는 많은 영(zero) 값의 존재와 같은 마이크로바이옴 데이터 작업의 실질적인 과제를 다루었습니다. 이 새로운 방법은 노이즈가 많은 열악한 조건에서도 안정적이고 정확하다는 것을 입로 증명했으며, 어려움을 겪는 다른 기술들보다 뛰어난 성능을 보였습니다. 이러한 견고함은 데이터 품질이 다양할 수 있는 향후 연구에서 이 방법이 유망한 후보임을 나타냅니다. 연구진은 박테리아의 원시 계수(raw counts)를 직접 모델링하고 여러 소스의 네트워크 정보를 통합하여 결과의 정확성과 신뢰성을 더욱 높일 수 있도록 연구를 확장할 계획입니다.

궁극적으로, 이 작업은 마이크로바이옴에 접근하는 과학자들의 방식에 대한 변화를 의미합니다. 이는 모든 상황에 적용되는 단일하고 고정된 관계 지도가 있다는 생각에서 벗어나는 것입니다. 대신, 이들은 박테리아 간의 관계가 유동적이며 연구되는 특정 맥락, 예를 들어 특정 건강 상태에 따라 달라진다는 생각을 수용합니다. 데이터를 통해 이러한 관계를 학습함으로써, 연구자들은 마이크로바이옴이 인간의 건강에서 수행하는 역할에 대해 더 깊고 정확한 이해를 얻을 수 있습니다. 구강 마이크로바이옴과 당뇨병 사이의 연결에 대한 연구는 이 접근 방식이 의학의 다른 분야에도 적용되어, 우리 내부의 복잡한 생명의 그물망에 대한 새로운 통찰력을 밝혀낼 수 있음을 보여주는 하나의 사례입니다.