Causal differential expression analysis under unmeasured confounders with causarray

이 논문은 측정되지 않은 교란변수가 있는 관찰적 유전체 데이터에서 인과적 차등 발현을 분석하기 위해 새로운 프레임워크인 causarray 를 제안하고, 이를 알츠하이머병 및 자폐증 위험 유전자 연구에 적용하여 생물학적으로 의미 있는 인과 경로를 규명했습니다.

핵심

🧐 문제: 왜 유전자 분석은 어렵고 헷갈릴까요?

생각해 보세요. 어떤 사람이 감기에 걸렸을 때, "아, 이 사람이 감기에 걸린 건 A라는 유전자 때문이야!"라고 단정 짓기 어렵죠.
왜냐하면 그 사람은 감기에 걸리기 직전에 비행기를 탔을 수도 있고 (기내 공기), 스트레스를 많이 받았을 수도 있으며, 잠을 못 잤을 수도 있기 때문입니다.

유전학 연구에서도 똑같은 일이 일어납니다.

• 관찰 데이터: 실험실에서 유전자를 조작한 게 아니라, 자연 상태의 세포를 관찰하는 경우입니다.
• 혼란 (Confounding): 유전자 발현에 영향을 미치는 숨겨진 요인들 (세포의 크기, 실험실의 온도, 샘플을 채취한 시간 등) 이 있습니다.

이 숨겨진 요인들을 무시하고 분석하면, "유전자 A가 질병을 일으켰다"고 착각할 수 있습니다. 실제로는 유전자 A가 아니라, 그 유전자가 높은 세포들이 실험실의 특정 조건 (예: 더운 날) 에 채취되어서 그런 결과가 나온 것일 수 있죠.

기존의 방법들은 이런 '숨겨진 요인'을 완벽하게 잡지 못해, **거짓된 결론 (False Positive)**을 내거나 진짜 중요한 신호를 놓치는 (False Negative) 경우가 많았습니다.

---

🛠️ 해결책: 'causarray'라는 새로운 탐정 도구

저자들은 **'causarray'**라는 새로운 도구를 개발했습니다. 이 도구는 마치 수사팀처럼 작동합니다.

1. "유령"을 찾아내다 (Unmeasured Confounder Estimation)

causarray 는 데이터 속에 숨어 있는 **'유령 같은 요인' (Unmeasured Confounders)**을 찾아냅니다.

• 비유: 범죄 현장에 지문 (관측된 데이터) 만 있고, 범인이 남긴 흔적 (유전자 발현) 이 있습니다. 하지만 범인이 쓴 **가면 (숨겨진 요인)**이 있어서 지문을 가리고 있습니다.
• causarray 의 역할: 이 도구는 수학적 모델을 통해 그 가면의 형태를 추론해 내고, 가면을 벗겨냅니다. 이렇게 하면 진짜 범인 (유전자의 영향) 만 남게 됩니다.

2. "만약에" 시뮬레이션 (Counterfactual Inference)

이 도구는 **"만약에..."**라는 질문을 던집니다.

• "이 세포가 질병을 앓지 않았다면 (대조군), 유전자 발현은 어땠을까?"
• "이 세포가 질병을 앓았다면 (실험군), 유전자 발현은 어땠을까?"

실제로는 한 세포가 두 가지 상태 (질병 있음/없음) 를 동시에 가질 수 없기 때문에, causarray 는 **가상의 시나리오 (Counterfactual)**를 만들어냅니다. 마치 시간 여행을 해서, 같은 세포가 다른 조건에서 어떻게 변했을지 예측하는 것입니다.

3. 유연한 분석 (Flexible Machine Learning)

기존 도구는 "데이터는 항상 직선으로 변한다"고 가정했지만, 실제 생명 현상은 훨씬 복잡합니다.

• 비유: 기존 도구가 자로만 재는다면, causarray 는 유연한 줄자나 3D 스캐너처럼 작동합니다.
• 이 도구는 머신러닝 (인공지능) 기술을 섞어서, 데이터의 복잡한 곡선과 불규칙한 패턴까지 정확히 잡아냅니다.

---

🧪 실제 적용 사례: 두 가지 큰 발견

이 도구를 실제로 적용해 보니 놀라운 결과가 나왔습니다.

1. 자폐증 (Autism) 연구 (마우스 뇌 실험)

• 상황: 자폐증 위험 유전자를 가진 마우스 뇌 세포를 분석했습니다.
• 기존 방법: "리보솜 (단백질 공장) 이 문제야!"라고만 알려주었습니다. 하지만 이는 2 차적인 반응일 뿐일 수 있습니다.
• causarray 의 발견: **"신경 발달"과 "시냅스 (뇌세포 연결) 기능"**이 진짜 핵심 원인이라는 것을 찾아냈습니다. 마치 건물의 기초 공사가 잘못되어 건물이 무너지는 것을 정확히 지적한 것입니다.

2. 알츠하이머병 연구 (인간 뇌 데이터)

• 상황: 알츠하이머 환자와 건강한 사람의 뇌 데이터를 3 개 다른 곳에서 비교했습니다.
• 결과: 다른 연구팀들이 분석해도 결론이 달라졌지만, causarray 는 세 곳 모두에서 일관된 결과를 냈습니다.
• 발견: 단순히 "세포가 죽는다"는 것을 넘어, 연령에 따라 어떻게 유전자가 변하는지 (나이가 들수록 어떤 유전자가 더 활성화되는지) 를 세밀하게 보여줬습니다.

---

💡 핵심 요약

1. 문제: 유전자 데이터를 분석할 때, 눈에 보이지 않는 '숨은 요인' 때문에 잘못된 결론을 내기 쉽습니다.
2. 해결: causarray는 이 숨은 요인을 찾아내고 제거한 뒤, "만약에" 시나리오를 만들어 진짜 인과관계를 찾아냅니다.
3. 장점: 기존 방법들보다 오류가 적고, 진짜 중요한 생물학적 신호를 놓치지 않습니다.
4. 의미: 이 도구를 통해 우리는 자폐증이나 알츠하이머 같은 복잡한 질병의 진짜 원인을 더 정확하게 이해할 수 있게 되었습니다.

결론적으로, causarray 는 **유전학 연구의 '진실 탐정'**과 같습니다. 복잡한 데이터 속에서 가짜 신호를 걸러내고, 질병의 진짜 원인을 찾아내는 강력한 무기가 된 것입니다.

기술 요약

논문 제목: causarray 를 이용한 단일 세포 오믹스 연구에서의 인과 관계 규명

저자: Jin-Hong Du, Maya Shen, Hansruedi Mathys, Kathryn Roeder 등
출처: bioRxiv (2026 년 3 월 20 일 게재 예정)

1. 연구 배경 및 문제 제기 (Problem)

단일 세포 RNA 시퀀싱 (scRNA-seq) 과 CRISPR 기술의 발전은 세포 수준에서 정밀한 실험적 교란 (perturbation) 과 사례 - 대조군 비교를 가능하게 했습니다. 그러나 관찰적 유전체 데이터에서 **인과 관계 (causal relationships)**를 규명하는 것은 여전히 큰 도전 과제로 남아 있습니다. 주요 문제는 다음과 같습니다.

• 측정되지 않은 교란 변수 (Unmeasured Confounders): 생물학적 요인 (상관된 유전자 발현) 과 기술적 요인 (배치 효과, 라이브러리 크기 등) 으로 인해 교란 변수가 존재하며, 이는 인과 효과 추정을 왜곡시킵니다.
• 관찰 연구의 한계: 무작위 대조 시험 (RCT) 이 아닌 관찰 연구에서는 치료 (또는 질병) 할당 메커니즘에 대한 완전한 지식이 부족하여 반사실적 (counterfactual) 추정에 편향이 발생할 수 있습니다.
• 기존 방법의 부족:
  • CINEMA-OT, CoCoA-diff 등: 매칭 (matching) 기법에 의존하며, 치료군과 대조군의 공변량 분포가 크게 다를 경우 편향이 발생합니다.
  • RUV, SVA 등: 선형 모델 (additive relationships) 을 가정하여 단일 세포 데이터의 고유한 특성 (희소성, 제로 인플레이션, 과분산) 을 제대로 포착하지 못합니다.
  • DESeq2 등: 측정된 공변량만 고려할 때 교란 변수가 없다고 가정하며, 잠재적 교란 변수를 명시적으로 모델링하지 않습니다.

2. 제안된 방법론: causarray (Methodology)

이 논문은 측정되지 않은 교란 변수 하에서도 견고한 인과 추론을 가능하게 하는 새로운 프레임워크인 causarray를 제안합니다. 이 방법은 **일반화된 교란 변수 조정 (generalized confounder adjustment)**과 **반모수적 추론 (semiparametric inference)**을 결합합니다.

핵심 구성 요소:

1. 교란 변수 추정 (Probabilistic Modeling of Confounders):

   • 일반화된 요인 모델 (Generalized Factor Model): 카운트 데이터 (count data) 에 특화된 일반화 선형 모델 (GLM, 예: Negative Binomial 분포) 을 기반으로 합니다.
   • 수식: 유전자 발현의 자연 모수 (natural parameter) $\Theta$를 관측된 공변량 ($X$) 과 치료 변수 ($A$) 의 효과 ($XB^\top$) 와 측정되지 않은 교란 변수 ($U$) 의 효과 ($U\Gamma^\top$) 로 분해합니다 ($\Theta = \tilde{X}B^\top + U\Gamma^\top$).
   • 특징: 제로 인플레이션과 과분산을 고려하여 선형 모델의 한계를 극복하고, 잠재 요인 ($\hat{U}$) 을 추정합니다.

2. 반사실적 보간 및 추론 (Counterfactual Imputation & Inference):

   • 반모수적 추정 (Semiparametric Estimation): 잠재된 교란 변수를 포함한 완전한 공변량 집합 $W = [X, \hat{U}]$을 사용하여 잠재 결과 (potential outcomes) 를 추정합니다.
   • 이중 강건성 (Double Robustness): 결과 모델 ($\mu$) 또는 성향 점수 모델 ($\pi$) 중 하나만 올바르게 지정되면 일관된 추정이 가능합니다.
   • 모델링 기법:
     • 결과 모델: Negative Binomial GLM 사용 (계수 데이터의 과분산 처리).
     • 성향 점수 모델: 로지스틱 회귀 또는 **랜덤 포레스트 (Random Forest)**와 같은 유연한 머신러닝 기법 사용.
   • 추정량: 로그 폴드 체인지 (Log Fold Change, LFC) 를 인과 효과의 주요 추정량으로 사용합니다.

3. 통계적 추론:

   • 영향 함수 (influence function) 를 기반으로 분산을 추정하고, 가설 검정 및 신뢰 구간을 구성합니다.
   • FDR (False Discovery Rate) 및 FDX (False Discovery Exceedance) 제어를 위해 부트스트랩 기법을 활용합니다.

3. 주요 기여 (Key Contributions)

• 새로운 프레임워크 개발: 단일 세포 및 의사-벌크 (pseudo-bulk) 수준에서 측정되지 않은 교란 변수를 명시적으로 모델링하고 보정하는 최초의 통합 프레임워크 중 하나입니다.
• 데이터 특화 모델링: GLM 기반의 요인 분석을 통해 단일 세포 데이터의 희소성과 과분산을 효과적으로 처리하며, 기존 선형 기반 방법 (RUV 등) 의 한계를 극복합니다.
• 강건한 추론: 반모수적 접근법을 통해 모델 오지정 (misspecification) 에 대한 내성을 가지면서도 유연한 머신러닝을 통합했습니다.
• 다운스트림 분석 확장: 반사실적 분포 추정, 조건부 평균 치료 효과 (CATE) 분석 (예: 연령에 따른 효과 변화) 등 다양한 하위 분석을 가능하게 합니다.

4. 실험 결과 (Results)

가. 시뮬레이션 연구 (Benchmarking)

• 데이터: 합성 데이터 (Splatter 시뮬레이터 사용) 로 다양한 샘플 크기와 교란 수준을 설정.
• 비교 대상: DESeq2, Wilcoxon, RUV, RUV-III-NB, CINEMA-OT, CoCoA-diff, Mixscape 등.
• 성과:
  • 거짓 발견률 (FPR) 제어: 샘플 크기가 커질수록 (n > 500) 다른 방법들은 FPR 이 급격히 증가하는 반면, causarray 는 명목 수준 (0.1) 을 유지했습니다.
  • 진짜 발견률 (TPR): 교란 변수를 보정한 후에도 생물학적 신호를 보존하며, 다른 방법들보다 높은 TPR 을 기록했습니다.
  • 교란 변수 분리: UMAP 시각화에서 causarray 는 치료군과 대조군이 교란 변수 공간에서 잘 섞이도록 하여 (overlap), 치료 효과를 교란 효과와 명확히 분리했습니다.

나. 실제 데이터 적용

1. 생체 내 Perturb-seq 연구 (자폐증 위험 유전자):

   • 데이터: 발달 중인 마우스 뇌의 excitatory 뉴런에서 수행된 CRISPR 교란 데이터.
   • 결과: 기존 모듈 기반 분석이나 RUV 는 발견하지 못했던 유전자 수준의 교란 효과를 포착했습니다.
   • 생물학적 통찰: Satb2 유전자 교란 시, causarray 는 신경 발달 및 시냅스 기능과 관련된 GO 용어 (예: "시냅스 조직", "신경 돌기 발달 조절") 를 식별한 반면, RUV 는 미토콘드리아 기능 등 덜 관련 있는 용어를 식별했습니다. 이는 causarray 가 생물학적으로 더 의미 있는 인과 경로를 발견함을 시사합니다.

2. 알츠하이머병 (AD) 사례 - 대조군 연구:

   • 데이터: ROSMAP 및 SEA-AD 의 3 개 인간 뇌 전사체 데이터셋.
   • 결과: 3 개 독립적인 데이터셋 전반에 걸쳐 일관된 인과적으로 영향을 받은 유전자를 식별했습니다.
   • 통찰: 시냅스 신호 전달 및 세포 발달과 관련된 생물학적 경로를 발견했으며, 연령에 따른 조건부 치료 효과 (CATE) 분석을 통해 노화 과정에서의 유전자 조절 메커니즘에 대한 새로운 통찰을 제공했습니다.

5. 의의 및 결론 (Significance)

• 인과 추론의 패러다임 전환: 단순한 연관성 (association) 분석을 넘어, 관찰적 단일 세포 데이터에서도 신뢰할 수 있는 인과 관계를 규명할 수 있는 강력한 도구를 제공합니다.
• 정밀 의학 및 질병 기전 이해: 알츠하이머병이나 자폐증과 같은 복잡한 질환의 병리 기전을 이해하고, 잠재적인 치료 표적을 식별하는 데 필수적인 통찰력을 제공합니다.
• 확장성: 이 프레임워크는 Perturb-ATAC, ProCODE, ECCITE-seq 등 다양한 오믹스 읽기 (readouts) 로 확장 가능하며, 공간 전사체학 및 궤적 분석과의 통합을 위한 기반을 마련했습니다.

결론적으로, causarray 는 측정되지 않은 교란 변수로 인한 편향을 효과적으로 제거하면서도 단일 세포 데이터의 복잡성을 보존하여, 유전체 연구에서 보다 정확하고 해석 가능한 인과 추론을 가능하게 하는 획기적인 방법론입니다.