💻 생물정보학

Bayesian model-based method for clustering gene expression time series with multiple replicates

이 논문은 각 반복 실험(replicate)을 개별적으로 모델링함으로써 다중 반복 실험이 포함된 유전자 발현 시계열 데이터를 클러스터링하기 위해 디리클레 프로세스 가우시안 프로세스를 활용하는 베이지안 모델 기반 방법인 MMDPGP를 소개하며, 이를 통해 최신 기법들과 비교하여 우수한 클러스터링 정확도와 생물학적 통찰력을 달성한다.

원저자: Nushi, E., Douillard, F. P., Selby, K., Lindström, M., Honkela, A.

게시일 2026-11-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nushi, E., Douillard, F. P., Selby, K., Lindström, M., Honkela, A.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

단일 세포 내부의 삶은 끊임없이 북적이는 대화와 같습니다. 생명체를 구성하고 운영하기 위한 설명서인 유전자는 단순히 가만히 머물러 있는 것이 아니라, 환경과 생명체의 필요에 반응하며 복잡한 리듬에 따라 켜지거나 꺼집니다. 박테리아가 어떻게 성장하는지 또는 질병이 어떻게 진행되는지를 이해하기 위해, 과학자들은 종종 이러한 리듬을 시간에 따라 관찰하여 전사체 시계열(transcriptomics time series)이라고 불리는 유전자 활동의 타임라인을 만듭니다. 하지만 생물학은 결코 완벽하게 균일하지 않습니다. 과학자들이 동일한 실험실의 동일한 조건에서 똑같은 박테리아를 배양하더라도, 두 사람이 같은 날씨에 서로 조금씩 다르게 반응할 수 있는 것처럼 서로 다른 샘플 사이에는 미세한 자연적 변이가 발생합니다. '복제본(replicates)'이라 불리는 이러한 변이는 단순히 무시해야 할 소음이 아니라, 근저에 깔린 생물학적 실체를 알려주는 귀중한 정보원입니다. 연구자들의 오랜 과제는 샘플 간의 이러한 자연스러운 차이에 현혹되지 않으면서, 시간에 따라 유사하게 행동하는 유전자들을 어떻게 그룹화할 것인가였습니다.

헬싱키 대학교의 한 연구팀은 이 수수께량을 해결할 새로운 방법을 개발했습니다. 그들은 MMDPGP, 즉 다중 모델 디리클레 프로세스 가우시안 프로세스(multiple models Dirichlet process Gaussian process)라고 불리는 방법을 만들었습니다. 이것이 무엇을 하는지 이해하기 위해, 방대한 음반 컬렉션을 분류한다고 상상해 보십시오. 어떤 녹음물들은 같은 노래이지만, 각기 고유한 스타일과 템포를 가진 서로 다른 밴드에 의해 연주되었습니다. 전통적인 분류 방식은 모든 밴드가 연주하는 그 노래의 평균적인 소리를 찾으려 하고 이를 하나로 묶으려 할 것입니다. 이러한 접근 방식은 평균을 내는 과정에서 노래를 정의하는 고유한 특성들을 뭉개버리거나, 밴드들이 약간씩 다르게 연주할 때 혼란을 겪기 때문에 종종 실패합니다. 그러나 이 새로운 방법은 각 밴드를 개별적으로 경청하면서도 그들이 모두 같은 노래를 연주하고 있다는 점을 인식합니다. 이 방법은 각 녹음물에 대한 별도의 모델을 구축함으로써, 자연스러운 밴드 간의 차이를 인정하면서도 그들이 수행하고 있는 공통된 멜로디를 정확하게 식별해 냅니다.

연구진은 이 접근 방식을 강력한 독소를 생성하는 것으로 알려진 클로스트리디움 보툴리눔(Clostridium botulinum)이라는 특정 유형의 박테리아에 테스트했습니다. 그들은 이 박테리아의 세 가지 독립된 배양체를 키웠고, 24시간 동안 13개의 서로 다른 시점에서 유전자 활동을 측정했습니다. 이는 모든 유전자가 약간씩 다른 세 가지 버전의 활동 타임라인을 갖는 풍부한 데이터셋을 만들어냈습니다. 이 새로운 방법을 이 데이터에 적용했을 때, 연구진은 유전자를 26개의 뚜렷한 클러스터로 그룹화했습니다. 반면, 기존의 방식들은 매우 다른 결과를 냈습니다. 한 방법은 100개가 넘는 아주 작고 파편화된 그룹들을 만들어냈고, 또 다른 방법은 세 개의 생물학적 복제본을 하나의 평균값으로 축소시켜 단 13개의 넓은 그룹만을 만들어냈습니다. 데이터의 세 가지 별도 복제본을 처리하는 이 새로운 방법의 능력 덕분에, 연구진은 데이터의 생물학적 구조를 보존하면서도 소음에 길을 失지 않는 중간 지점을 찾아낼 수 있었습니다.

이 그룹들이 실제로 의미가 있는지에 대한 진정한 시험은 해당 그룹의 유전자들이 실제로 어떤 기능을 수행하는지를 살펴보는 것에서 왔습니다. 연구진은 표준 생물학 카탈로그를 사용하여 각 클러스터의 유전자들이 에너지 생산이나 세포 운동과 같은 공통된 기능을 공유하는지 확인했습니다. 새로운 방법이 만든 그룹들은 기존 방식들이 만든 그룹들보다 실제 생물학적 기능과 훨씬 더 강한 연관성을 보여주었습니다. 구체적으로, 새로운 방법은 특정 생물학적 과업과 명확하게 연결된 다섯 개의 뚜렷한 유전자 그룹을 식별해 낸 반면, 기존의 방법들은 그러한 연결을 더 적게 찾아냈습니다. 이는 실험 간의 개별적인 변이를 존중함으로써, 새로운 방법이 기존 방식들이 이러한 변이를 무시하거나 평균화했을 때 숨겨졌던 유전자 간의 진정한 기능적 관계를 밝혀낼 수 있었음을 시사합니다.

연구진은 자신들의 방법이 단지 이 특정 박테리아에서 운이 좋았던 것이 아님을 확실히 하기 위해, 정답을 미리 알고 있는 인공 데이터셋을 또한 제작했습니다. 그들은 실험실의 무질서한 현실을 모방하여 다양한 수준의 노이즈와 변이를 가진 유전자 활동을 시뮬레이션했습니다. 모든 테스트에서 새로운 방법은 기존의 접근 방식들보다 더 정확하게 유전자를 분류했으며, 함께 속해야 할 유전자들은 유지하고 그렇지 않은 것들은 정확히 분리해 냈습니다. 비록 기존의 한 방법이 누락된 데이터 포인트를 예측하는 데 약간 더 나은 성능을 보였으나, 이는 그 방법이 너무 많은 작은 그룹을 만들어 데이터를 사실상 암기해 버렸기 때문이지 광범위한 패턴을 찾아냈기 때문이 아니었습니다. 새로운 방법은 자연스러운 실험적 가변성을 포착하여 근저에 깔린 생물학적 이야기를 드러내는 적절한 균형을 잡았습니다.

이 연구는 복잡한 생물학적 데이터를 분석하는 방식의 변화를 나타냅니다. 각 실험 복제본을 교정해야 할 왜곡이 아니라 합창 속의 독특한 목소리로 취급함으로써, 연구진은 자연적인 변이가 발견을 위한 도구이지 장애물이 아님을 보여주었습니다. 이들의 방법은 유전자가 시간에 따라 어떻게 함께 작동하는지에 대한 더 명확한 그림을 제공하며, 생명의 복잡한 메커니즘을 이해하는 더 신뢰할 수 있는 방법을 제시합니다. 박테리아의 성장부터 인간의 질병까지 연구하는 과학자들에게, 이 접근 방식은 역동적인 유전자 발현의 세계를 바라보는 더 정밀한 렌즈를 제공합니다.

기술 요약: 전사체 시계열 클러스터링을 위한 다중 모델 디리클레 프로세스 가우시안 프로세스 (MMDPGP)

문제 정의
유전자 발현 시계열을 클러스터링하는 것은 생물학적 과정에서의 유전자의 역할과 이들의 상호작용 네트워크를 이해하는 데 필수적이다. 기존의 방식(예: k-means, 계층적 클러스터링)은 시간적 의존성을 무시하는 거리 척치에 의존하는 경우가 많으나, 모델 기반 접근 방식은 확률론적 프레임워크를 제공한다. 그러나 전사체 시계열을 위한 기존의 모델 기반 클러스터링 방법들은 실험적 반복구(replicates)에 내재된 변동성을 적절히 처리하지 못하는 경우가 빈번하다. 일부 방법은 반복구를 평균화하여 완전히 무시하거나, 모든 반복구를 단일 가우시안 프로세스(GP)를 사용하여 하나의 클러스터 내에서 모델링함으로써 자연스러운 생물학적 변이를 가릴 위험이 있다. 본 논문은 내재된 생물학적 역동성을 더 잘 포착하기 위해 여러 반복구를 명시적으로 모델링하는 클러스터링 기술의 필요성을 다룬다.

방법론
저자들은 베이지안 비모수 클려스터링 방법인 **다중 모델 디리클레 프로세스 가우시안 프로세스 (MMDPGP)**를 제안한다. 핵심 혁신은 생성 모델이 실험적 반복구를 다루는 방식에 있다:

디리클레 프로세스 (DP) 사전 분포: 이 방법은 무한 혼합 모델을 생성하기 위해 DP를 채택하며, 이를 통해 클러스터의 수를 사전에 고정하지 않고 데이터로부터 자동으로 추론할 수 있게 한다.
반복구별 가우시안 프로세스: 이전의 접근 방식들과 달리, MMDPGP는 각 클러스터 내의 모든 실험적 반복구가 자신만의 별도 GP에 의해 생성된다고 가정한다.
- 생성 모델: 클러스터 $\kappa$ 에 속한 유전자 $i$ 와 반복구 $r$ 에 대하여, 잠재 함수 $f^{(r)}_i(t)$ 는 클러스터별 평균 $m^{(r)}_\kappa(t)$ 및 커널 파라미터(길이 척도, 분산, 노이즈)를 가진 GP로부터 추출된다.
- 독립성: 모델은 클러스터 할당이 주어졌을 때 서로 다른 반복구의 발현 값을 조건부 독립으로 취급하며, 이는 블록 대각 코바리언스 행렬(block-diagonal covariance matrix)을 형성한다. 이는 모든 반복구를 공동으로 모델링하는 방법들에 비해 계산 복잡도를 낮춰준다.
- 반복구 처리: 생물학적 반복구는 각각의 잠재 함수를 가진 별개의 시계열로 모델링된다. 기술적 반복구는 동일한 잠재 궤적의 노이즈가 섞인 관측값으로 모델링된다.
추론: 저자들은 클러스터 할당을 샘플링하기 위해 Neal의 Gibbs 샘플링 알고리즘 8을 구현한다. 유전자의 시계열(모든 반복구에 걸쳐)이 클러스터 특유의 GP에 의해 생성될 확률에 기반하여 클러스터 할당의 사후 확률을 계산한다.
비교 베이스라인: 이 방법은 두 가지 최첨단 모델 기반 접근 방식과 비교된다:
- MOHGP (Hensman et al.): 단일 GP를 사용하여 클러스터당 모든 반복구를 공동으로 모델링한다.
  easily
- DPGP (McDowell et al.): 단일 GP를 사용하지만 여러 반복구를 하나의 평균 시계열으로 붕괴시켜 반복구의 변이를 무시한다.

주요 기여

새로운 아키텍처: 각 반복구가 클러스터 내에서 자체적인 GP 모델을 갖는 디리클레 프로세스 혼합 GP를 활용하는 MMDPGP를 도입하였다.
계산 효율성: 주변화된 모델(marginalized model) 내에서 반복구를 독립적으로 모델링함으로써, MMDPGP는 MOHGP( $O(N_\kappa (RT)^3)$ )에 비해 낮은 계산 복잡도( $O(N_\kappa R T^3)$ )를 달래며, 이는 많은 반복구를 가진 밀집된 시계열 데이터에 대해 더 높은 확장성을 제공한다.
생물학적 유용성: 이 방법은 자연적인 변이를 제거해야 할 노이즈로 취급하는 대신, 정보의 원천으로 활용한다.

결과
저자들은 합성 데이터와 Clostridium botulinum의 실제 RNA-Seq 시계열 데이터셋(3개의 생물학적 반복구, 13개의 타임 포인트)을 사용하여 MMDPGP를 평가하였다.

합성 데이터 성능:
- MMDPGP는 다양한 노이즈 수준과 위상 변화(phase shift)에 대해 MOHGP 및 DPGP보다 현저히 높은 **클러스터 순도(cluster purity)**를 보였다.
- 서로 다른 기저 클러스터에서 생성된 시계열을 잘못된 클러스터로 그룹화할 가능성이 더 낮았다.
실제 데이터 분석 (C. botulinum):
- 클러스터 구조: MMDPGP는 26개의 클러스터를 식별한 반면, MOHGP는 116개(대부분 작은 규모)를, DPGP는 13개를 생성했다.
- 생물학적 농축(Enrichment): COG(Clusters of Orthologous Groups) 주석을 이용한 유전자 농축 분석 결과, MMDPGP 클러스터는 MOHGP(2개) 및 DPGP(4개)보다 더 많은 수의 유의미하게 농축된 기능 범주(5개, $p < 0.05$ 기준)를 포함하고 있었다. 더 엄격한 유의 수준( $p \le 0.01$ )에서도 MMDPGP는 다른 방법들이 발견한 모든 농축 결과와 추가적인 결과를 모두 탐지해냈다.
- 예측 가능도(Predictive Likelihood): Leave-one-out 예측 가능도 분석에서 MOHGP가 약간 더 높은 점수를 기록했다. 저자들은 이를 MOHGP가 매우 작은 클러스터를 만드는 경향이 있어 과적합(overfitting) 가능성이 있는 반면, MMDPGP는 더 생물학적으로 의미 있는 그룹을 생성했기 때문이라고 설명한다.

의의 및 주장
본 논문은 MMDPGP가 다중 반복구를 가진 전사체 시계열 클러스터링을 위한 우수한 접근법임을 주장한다. 각 반복구를 별도의 GP로 모델링함으로써, 이 방법은 실험적 반복구 사이의 자연스러운 변이를 활용하여 근본적인 생물학을 더 잘 학습한다. 저자들은 이 접근 방식이 평균화(DPGP)하거나 공동 모델링(MOHGP)함으로써 소실되는 미묘한 차이, 즉 반복구 내에서는 유사하게 행동하지만 자연적 변이로 인해 반복구 간에는 다를 수 있는 유전자 패턴을 밝혀낸다고 주장한다. 이 방법은 반복구에 대한 더 세밀하고 상세한 모델링을 제공하여, 더 높은 생물학적 일관성과 기능적 농축을 가진 클러스터를 도출하는 도구로 제시된다. 저자들은 모든 클러스터링 문제를 해결한다고 주장하는 것이 아니라, 생물학적 변이가 방해 요소가 아닌 핵심 특징인 다중 반복구 데이터를 다루는 데 있어 MMDPGP가 강력한 대안임을 입증하고자 한다.

유사한 논문