Optimal Inference of Asynchronous Boolean Networks

당신이 세포라고 불리는 아주 작고 북적이는 도시 내부의 미스터리를 풀려는 탐정이라고 상상해 보십시오. 이 도시는 유전자라고 불리는 수천 명의 아주 작은 일꾼들에 의해 운영됩니다. 때때로 유전자는 어떤 일을 하기 위해 "켜지기도"(마치 전등 스위치를 위로 올리는 것처럼) 하고, 때로는 "꺼지기도" 합니다. 이 일꾼들은 단독으로 행동하지 않습니다. 그들은 서로 대화를 나누며 복잡한 지시 체계를 형성합니다. 만약 유전자 A가 켜지면, 그것은 유전자 B에게 꺼지라고 말할 수 있고, 그러면 유전자 B는 다시 유전자 C에게 일을 시작하라고 지시할 수 있습니다. 이 지시의 그물망을 과학자들은 "유전자 조절 네트워크(gene regulatory network)"라고 부릅니다.

과학자들의 큰 과제는 정확히 누가 누구와 대화하고 있는지를 알아내는 것입니다. 그들에게는 단서 뭉치가 있습니다. 서로 다른 시간대의 도시 스냅샷인데, 여기에는 어떤 불빛이 켜져 있고 어떤 불빛이 꺼져 있는지가 나와 있습니다. 하지만 함정이 있습니다. 도시는 혼란스럽습니다. 일꾼들은 항상 엄격한 일정을 따르지는 않습니다. 예를 들어, 유전자 A가 유전자 B에게 행동하라고 지시해도, 유전자 B는 잠시 기다렸다가 스위치를 올리기도 합니다. 이것을 "비동기적(asynchronous)" 행동이라고 부릅니다. 게다가 스냅샷은 약간 흐릿합니다. 카메라(실험)의 실수 때문에 어떤 유전자가 실제로는 꺼져 있는데 켜져 있는 것처럼 보이기도 합니다. 이것을 "노이즈(noise)"라고 합니다. 목표는 너무 복잡해지거나 과하게 추측하지 않으면서도, 이 스냅샷들을 완벽하게 설명할 수 있는 도시의 지도를 만드는 것입니다.

여기서 가이 카를레바흐(Guy Karlebach)라는 연구자가 이 퍼즐을 풀기 위한 새로운 방법을 제시하며 등장합니다. 그의 논문에서 그는 이 세포 도시의 규칙을 찾아내는 방법을 제안하는데, 심지어 일꾼들이 서로 박자가 맞지 않게 움직이고 사진이 다소 흐릿할 때도 말입니다. 그는 이 문제를 "압축" 게임처럼 취급합니다. 비밀 코드로 쓰인 긴 이야기가 있다고 상상해 보십시오. 당신은 컴퓨터가 그 이야기와 똑같은 이야기를 생성할 수 있도록 알려주는 짧은 설명서를 쓰고 싶습니다. 만약 이야기가 무작위적이라면, 당신의 설명서는 이야기만큼 길어야 합니다. 하지만 만약 이야기에 패턴이 있다면, 당신의 설명서는 매우 짧을 수 있습니다. 카를레바흐의 아이디어는 몇 개의 글자가 오타(노이즈)이거나 타이밍이 유연한 "아마도"의 순간들(비동기성)이 있음을 인정하면서, 그 데이터를 설명할 수 있는 가장 짧은 설명서(가장 단순한 네트워크)를 찾는 것입니다.

이 논문은 가장 완벽한 설명서를 찾기 위해 MEDSI(Minimum Edit Distance from a State of Ignorance)라는 새로운 알고리즘을 소개합니다. 단순히 동시에 변하는 것을 보고 누가 누구에게 말을 거는지 추측하는 대신, 이 방법은 가장 효율적인 설명을 찾습니다. 이 방법은 다음과 같이 묻습니다. "우리가 몇 가지 실수와 지연을 허용했을 때, 우리가 보는 것과 정확히 일치하는 패턴을 만들어내는 가장 단순한 규칙 세트는 무엇인가?" 연구진은 이를 스트레스 상황에 처한 효모 세포의 실제 데이터와, "진짜" 규칙을 알고 있는 시뮬레이션 데이터에 테스트했습니다. 효모 실험에서 그들의 모델은 무작위 확률보다 더 잘 새로운 데이터를 예측했습니다. 정답(ground truth)을 알고 있는 시뮬레이션에서는, 그들의 방법이 데이터가 지저집한 상황이나 타이밍이 불규칙한 상황에서 다른 유명한 도구들보다 훨씬 더 정확하게 올바른 연결 고리를 찾아냈습니다.

하지만 이 논문은 이것이 모든 것을 즉각적으로 해결해 주는 마법 지팡이가 아니라고 경고하기도 합니다. 절대적인 최적의 지도를 찾는 것은 매우 어려운 수학 문제이기에, 연구자는 컴퓨터가 충분히 빠르게 실행될 수 있도록 영리한 지름길(휴리스틱)을 사용해야 했습니다. 또한 그들의 방법은 처음부터 맨땅에 헤딩하며 추측하기보다는, 시작할 수 있는 유력한 "말하는 이들(조절자)"의 목록을 잘 갖추고 있을 때 가장 잘 작동한다는 점을 언급합니다. 결과는 유망하며 이 접근 방식이 기존의 방법들보다 세포의 혼란스러운 실제 타이밍을 더 잘 포착한다는 것을 시사하지만, 저자는 더 큰 데이터셋을 다루고 흐릿하고 연속적인 측정값을 명확한 "온/오프" 스위치로 전환하는 최선의 방법을 찾아내기 위해 더 많은 작업이 필요하다고 인정합니다. 궁극적으로, 이 논문은 세포 내부의 혼란스러운 대화에 귀를 기울이고 그 생명을 다스리는 규칙을 기록하는 더 똑똑한 방법을 제시합니다.