Statistical and structural bias in birth-death models

이 논문은 계통수 기반 분화율 추정의 통계적 및 구조적 편향을 규명하고, 표본 크기와 멸종 비율을 고려한 보정 공식을 제시하여 분화율 추정의 정확성을 크게 향상시켰습니다.

핵심

🌳 1. 배경: 진화의 '출생률'과 '사망률'을 재는 일

진화 생물학자들은 나무 모양의 **계통수 (Phylogenetic tree)**를 보고, 한 종에서 새로운 종이 생겨나는 속도 (생식률, $\lambda$) 와 사라지는 속도 (멸종률, $\mu$) 를 계산합니다.

• 생식률 ($\lambda$): 새끼가 태어나는 속도.
• 멸종률 ($\mu$): 죽어서 사라지는 속도.

이 두 수치를 정확히 알면, "왜 어떤 동물은 엄청나게 번성하고, 어떤 동물은 멸종했을까?"를 이해할 수 있습니다. 하지만 연구자들은 이 수치를 계산할 때 두 가지 큰 함정에 빠지고 있었습니다.

🕵️‍♂️ 2. 문제 1: 통계적 편향 (잘못된 자)

연구자들이 사용하는 계산 공식 (최대우도법) 이 작은 샘플에서는 항상 실제보다 낮은 숫자를 보여줍니다.

• 비유: imagine you are trying to guess the average height of people in a city, but you only measure 3 people who happen to be children. Your average will be way too low.
• 현실: 종의 수가 적을 때 (예: 2 종만 남은 작은 그룹), 계산 공식이 "아직 종분화가 일어나지 않았구나"라고 잘못 판단하여 생식률을 과소평가합니다. 마치 "아기 두 명만 보면, 이 마을은 성인이 전혀 없구나"라고 착각하는 것과 같습니다.

🚫 3. 문제 2: 구조적 편향 (잘라낸 조각)

더 큰 문제는 데이터를 잘라버리는 습관입니다.

• 체리 (Cherry) 나무의 딜레마: 계통수에서 **정말 작은 나뭇가지 (2 개의 잎만 달린 '체리' 같은 나무)**는 정보가 너무 부족해서 생식률과 멸종률을 구별할 수 없습니다. 그래서 연구자들은 분석에서 이 '작은 나무'들을 잘라내고 (제외하고) 큰 나무들만 분석합니다.
• 결과: 작은 나무를 잘라내면, 마치 "작은 나뭇가지는 다 죽어버렸고, 살아남은 큰 나무들만 있다"는 식으로 데이터를 왜곡하게 됩니다. 이로 인해 젊은 종들은 마치 더 빠르게 번성하는 것처럼 잘못 계산되는 문제가 생깁니다.

🔧 4. 해결책: 새로운 계산법과 '보정'

저자들은 이 두 가지 문제를 해결하기 위해 수학적 보정 공식을 개발했습니다.

A. 작은 나무를 어떻게 다룰까?

작은 나무 (2 종) 는 아예 분석에서 제외하되, "작은 나무를 제외했다는 사실"을 계산식에 반영해야 한다고 말합니다.

• 비유: "우리는 키 작은 아이들 (2 종) 은 제외하고 성인만 측정했다"라고 명시하면, 평균 키를 계산할 때 그 사실을 고려해서 더 정확한 수치를 낼 수 있습니다.

B. 계산 공식의 수정 (보정)

기존에 쓰이던 공식은 항상 숫자를 낮게 잡았으므로, 연구자들은 **수학적으로 유도된 '보정 계수'**를 곱해주었습니다.

• 생식률 ($\lambda$) 보정: "계산된 값 $\times$ (나무의 크기 관련 수식)"을 곱해주면, 실제 값에 훨씬 가깝게 맞춰집니다.
  • 예시: "너무 작게 잡힌 점수를, 나무의 크기에 비례해서 올려주자."
• 멸종률 ($\mu$) 보정: 이건 더 복잡합니다. 생식률뿐만 아니라 사라진 비율까지 고려해야 정확한 수치가 나옵니다.

📊 5. 결과는 어땠을까?

이 새로운 보정법을 적용한 결과:

1. 생식률 ($\lambda$): 거의 완벽하게 실제 값과 일치하게 되었습니다.
2. 멸종률 ($\mu$): 여전히 완벽하진 않지만, 훨씬 나아졌습니다.
3. 전체적인 변화 (Turnover): 생식과 멸종을 합친 '전체 변화율'은 보정 후 거의 오차가 없었습니다.
4. 순 다양화 (Net Diversification): 생식에서 멸종을 뺀 값은 여전히 약간의 오차가 남았습니다. (왜냐하면 생식률은 약간 낮게, 멸종률은 약간 높게 잡히는 경향이 서로 상쇄되지 않기 때문입니다.)

💡 6. 결론: 우리에게 주는 교훈

이 논문의 핵심 메시지는 **"작은 데이터나 작은 그룹을 분석할 때는 특히 조심해야 한다"**는 것입니다.

• 과거의 실수: 작은 나무를 그냥 버리거나, 작은 샘플로 계산하면 "진화가 갑자기 빨라졌다"는 가짜 증거를 만들어낼 수 있습니다.
• 미래의 방향: 이제 연구자들은 작은 나무 (2 종) 가 포함된 데이터라도, 올바른 보정 공식을 적용하면 더 정확한 진화 속도를 알 수 있습니다.

한 줄 요약:

"진화 속도를 재는 자 (계산기) 가 작을 때는 항상 숫자를 낮게 찍는 버그가 있는데, 이제 그 버그를 고치는 **패치 (보정 공식)**를 개발했습니다. 앞으로는 작은 종족의 역사도 더 정확하게 읽을 수 있게 되었습니다!"

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

계통발생학 (Phylogenetics) 에서 종분화 (Speciation, $\lambda$) 와 절멸 (Extinction, $\mu$) 속도를 추정하는 것은 생물 다양성 연구의 핵심입니다. 그러나 현재 널리 사용되는 최대우도법 (Maximum Likelihood, ML) 추정량들이 편향 (Bias) 을 가지고 있다는 점이 명확하지 않았습니다. 저자들은 다음과 같은 두 가지 주요 편향 원인을 규명하고자 했습니다.

1. 통계적 편향 (Statistical Bias): 추정량 자체의 기대값이 실제 생성된 값 (True generating values) 과 체계적으로 일치하지 않는 문제. 특히 표본 크기가 작을 때 (예: 소수의 종을 가진 계통수) 심하게 발생합니다.
2. 구조적 편향 (Structural Bias): 우도 (Likelihood) 계산 시 작은 나무 (Small trees) 를 처리하는 방식에서 발생하는 문제.
   • 많은 표준 모델 (예: Stadler 2013) 은 '왕관 계통 (Crown clade) 의 생존'을 조건으로 하지만, 실제 분석에서는 2 종으로만 구성된 나무 (Cherry trees, $n=2$) 를 우도 계산이 불가능하거나 정보가 부족하다는 이유로 배제합니다.
   • 이러한 배제는 암묵적인 조건부 (Conditioning) 를 추가하게 되어, 관측된 계통의 분포를 왜곡하고 파라미터 추정에 편향을 초래합니다.

2. 방법론 (Methodology)

저자들은 이론적 유도 (Analytical derivation) 와 수치적 시뮬레이션을 결합하여 문제를 해결했습니다.

• 이론적 분석:

  • 체리 트리 (Cherry trees, $n=2$) 의 정보 한계: 2 종 나무는 종분화와 절멸 속도를 동시에 식별 (Identify) 할 수 있는 충분한 정보를 제공하지 못함을 수학적으로 증명했습니다 (부록 A).
  • 조건부 우도 함수 유도: $n > 2$인 나무만 분석에 포함될 때, 우도 함수에 적절한 조건부 항 (Conditioning term) 을 도입하여 구조적 편향을 보정하는 공식을 유도했습니다. 이는 $n=2$인 나무가 배제된 데이터셋에 대해 올바른 확률 공간을 정의합니다.
  • Yule 모델 편향 유도: 절멸이 없는 Yule 모델 ($\mu=0$) 에 대해 표준 추정량 $\hat{\lambda}$의 편향을 수학적으로 재유도하여, $\hat{\lambda}$가 실제 값 $\lambda$를 $(n-2)/(n-1)$배만큼 과소평가함을 증명했습니다.

• 상징 회귀 (Symbolic Regression) 활용:

  • 일반 생식 - 사망 모델 ($\mu > 0$) 에서는 폐쇄형 해 (Closed-form solution) 를 구하기 어렵기 때문에, 상징 회귀 (Symbolic Regression) 기법을 사용했습니다.
  • 50 만 개 이상의 시뮬레이션 데이터를 생성하여, 추정된 파라미터 ($\hat{\lambda}, \hat{\mu}$) 와 실제 값 사이의 편향을 최소화하는 함수 형태를 탐색했습니다.
  • gramEvol 패키지를 사용하여 다양한 대수적 표현식을 생성하고, 복잡도 패널티를 적용하여 가장 간결하면서도 정확한 보정식을 찾았습니다.

3. 주요 결과 (Key Results)

A. Yule 모델 ($\mu=0$)

• 기존에 제안된 경험적 보정 ($n/(n-1)$) 이 아니라, 이론적으로 유도된 정확한 보정식은 다음과 같습니다:
  $$\hat{\lambda}_{corr} = \hat{\lambda} \times \frac{n-1}{n-2}$$
• 이 보정을 적용하면 추정된 종분화 속도가 실제 값과 1:1 관계에 매우 근접하게 됩니다.

B. 일반 생식 - 사망 모델 ($\mu > 0$)

• 종분화 속도 ($\lambda$): Yule 모델과 동일한 보정식 ($\frac{n-1}{n-2}$) 이 가장 효과적이었습니다. 절멸의 존재는 표본 크기 편향의 구조를 바꾸지 않았습니다.
• 절멸 속도 ($\mu$): $\lambda$와 달리 $\mu$의 편향은 표본 크기 ($n$) 와 절멸 분율 (Extinction fraction, $\hat{\epsilon} = \hat{\mu}/\hat{\lambda}$) 에 동시에 의존합니다.
  • 최적 보정식: $\hat{\mu}_{corr} = \hat{\mu} \times (\frac{n}{n-1} + \hat{\epsilon})$
  • 이는 $\mu$ 추정의 불확실성이 $\lambda$ 추정과 밀접하게 연결되어 있음을 보여줍니다.

C. 유도된 다양성 파라미터 (Turnover 및 Net Diversification)

• 교체율 (Turnover, $\tau = \lambda + \mu$): $\lambda$의 과소평가와 $\mu$의 과대평가 (보정 후에도 약간 과대평가됨) 가 서로 상쇄되어, 교체율은 거의 편향 없이 추정됩니다.
• 순 다양성 (Net Diversification, $r = \lambda - \mu$): $\lambda$와 $\mu$의 편향이 비대칭적이기 때문에 ($\mu$가 상대적으로 더 크게 과대평가됨), 차이를 구하는 순 다양성 추정은 여전히 체계적인 과소평가를 보입니다.
  • 그러나 상징 회귀를 통해 $\mu$와 동일한 보정식을 적용하면 ($\hat{r}_{corr} = \hat{r} \times (\frac{n}{n-1} + \hat{\epsilon})$), 편향이 크게 개선됩니다.

D. 구조적 편향의 영향

• $n=2$인 나무를 배제하고 $n>2$로 조건부 우도를 적용하면, 젊은 계통 (Young clades) 에서 관찰되던 과도한 다양성 속도 증가 경향이 사라집니다.

4. 의의 및 결론 (Significance)

1. 추정 정확도 향상: 소규모 계통수나 큰 나무 내의 작은 하위 계통 (Subclades) 을 분석할 때, 제안된 보정식을 적용하면 종분화 및 절멸 속도의 추정 오차를 크게 줄일 수 있습니다.
2. 방법론적 제안:
   • 2 종으로만 구성된 계통 (Cherry trees) 은 종분화와 절멸 속도를 분리하여 추정할 정보가 부족하므로 분석에서 제외해야 하지만, 이때 우도 함수에 $n>2$ 조건을 명시적으로 반영해야 합니다.
   • 베이지안 방법도 편향을 자동으로 해결하지는 못하므로, 사후 분포를 구한 후에도 위와 같은 보정식을 적용하는 것이 바람직합니다.
3. 실무적 적용: BAMM, MEDUSA, ClaDS, MiSSE 등 계통수 내 다양한 계통군 (Regimes) 의 속도를 추정하는 최신 방법론들에서도, 분석 대상 계통이 최소 3 종 이상이어야 하며, 추정된 값에 표본 크기와 절멸 분율을 고려한 보정을 적용해야 신뢰할 수 있는 결과를 얻을 수 있음을 강조합니다.

요약하자면, 이 논문은 생식 - 사망 모델 기반의 다양성 추정에서 발생하는 통계적 및 구조적 편향을 수학적으로 규명하고, 표본 크기와 절멸 비율을 고려한 구체적인 보정 공식을 제시함으로써, 진화 생물학 및 고생물학 연구의 추론 정확도를 높이는 중요한 프레임워크를 제공합니다.