Horse, not zebra: accounting for lineage abundance in maximum likelihood phylogenetics

이 논문은 병원체 계통의 풍부도를 고려하여 최대우도 계통수 추론의 정확도를 획기적으로 향상시키는 두 가지 새로운 방법론을 제안하고, 이를 SARS-CoV-2 와 같은 대규모 팬데믹 데이터에 적용하여 계통 불확실성을 약 10 배 감소시켰음을 보여줍니다.

핵심

이 논문은 **"진화 나무 (계통수) 를 그릴 때, 흔한 바이러스를 더 중요하게 생각하자"**는 아주 직관적이고 강력한 아이디어를 제안합니다.

제목인 **"말을 보고, 얼룩말을 생각하라 (Horse, not zebra)"**는 의학계에서 유명한 격언에서 따온 것입니다. "발굽 소리가 들리면, 흔한 '말'을 먼저 의심하고, 드문 '얼룩말'을 의심하지 말라"는 뜻이죠. 이 논문의 저자는 이 원리를 바이러스 유전체 분석에 적용했습니다.

이 복잡한 과학 논문을 일반인도 쉽게 이해할 수 있도록 비유와 함께 설명해 드릴게요.

---

1. 문제: "모든 바이러스가 똑같이 보일 때, 어떻게 해야 할까?"

코로나19 같은 전염병이 퍼질 때, 우리는 수많은 바이러스 유전자를 시퀀싱 (해독) 합니다. 그런데 문제는 유전자가 거의 똑같을 때 발생합니다.

• 상황: A 라는 바이러스와 B 라는 바이러스가 유전자 99% 가 똑같습니다. 그런데 우리가 분석 중인 C 라는 바이러스는 A 와 B 모두와 아주 비슷합니다.
• 기존 방식: 기존의 과학적 방법 (최대우도법) 은 "A 가 맞을 수도 있고, B 가 맞을 수도 있어. 둘 다 확률이 똑같으니, 그냥 아무거나 붙여도 돼"라고 말합니다. 이때는 무작위로 결정하거나, 가장 간단한 경우 (적은 돌연변이) 를 선택합니다.
• 현실: 하지만 A 는 수천 명에게 퍼진 **흔한 바이러스 (말)**이고, B 는 드물게 발견된 **드문 바이러스 (얼룩말)**입니다. C 가 A 나 B 중 하나라면, 통계적으로 C 가 A (흔한 바이러스) 의 변이일 확률이 훨씬 높습니다.

비유:

길거리에서 발굽 소리가 들린다고 칩시다.

• 기존 방식: "말일 수도 있고, 얼룩말일 수도 있어. 둘 다 가능성은 50:50 이니까 아무거나 골라."
• 이 논문의 방식: "이 지역에는 말이 100 마리, 얼룩말은 1 마리밖에 없어. 발굽 소리가 들렸다면 99% 확률로 말일 거야. 얼룩말일 가능성은 거의 없지."

2. 해결책: "흔한 바이러스 (말) 를 우선시하는 두 가지 방법"

저자는 이 '흔함'을 수학적으로 계산에 넣어서, 진화 나무를 더 정확하게 그리는 두 가지 방법을 개발했습니다.

방법 1: "가능성의 수를 세어라" (HnZ1)

• 아이디어: 진화 나무에서 가지가 여러 갈래로 뻗어 있는 부분 (다분지) 은, 사실 "어떤 가지가 먼저 갈라졌는지 알 수 없다"는 뜻입니다.
• 비유: 가족 사진에서 삼촌, 이모, 고모가 모두 비슷하게 생겼다고 칩시다. 누가 먼저 태어났는지 알 수 없죠. 하지만 만약 삼촌이 100 명이나 있고, 이모는 1 명뿐이라면, 그 비슷한 아이는 100 명 있는 삼촌 가문에서 태어났을 확률이 훨씬 높습니다.
• 작동 원리: 컴퓨터는 "이 다분지 구조를 해체해서 가능한 모든 가지치기 경우의 수"를 계산합니다. 흔한 바이러스가 있는 가지에는 경우의 수가 훨씬 많으므로, 그쪽으로 붙일 때 점수를 더 높게 줍니다.

방법 2: "빈도를 직접 반영하라" (HnZ2)

• 아이디어: 진화 나무를 그릴 때, "이 바이러스가 얼마나 많이 발견되었는지"를 미리 정해진 규칙 (우선순위) 으로 적용합니다.
• 비유: 공항에서 탑승객을 분류할 때, "이 비행기에 탄 사람이 1,000 명인데, 그중 900 명은 A 팀이고 100 명은 B 팀이야. 새로 온 사람이 A 팀과 B 팀 모두와 비슷하다면, 당연히 A 팀에 넣어야지."라고 생각하는 것과 같습니다.
• 작동 원리: 유전자가 많이 발견된 가지 (다분지가 큰 곳) 에 새로운 유전자를 붙일 때, 그 확률을 높게 계산합니다.

3. 결과: "정확도가 압도적으로 좋아졌다"

이 방법을 실제 코로나19 데이터 (200 만 개 이상의 유전자) 에 적용해 보니 놀라운 결과가 나왔습니다.

1. 불확실성 10 배 감소: 기존 방법으로는 "어디에 붙일지 모르겠다"라고 했던 부분들이, 이 방법을 쓰면 "여기에 붙이는 게 맞다"라고 확신하게 되었습니다.
2. 오류 수정: 기존 방법으로는 "이 바이러스가 이렇게 변이되었구나"라고 잘못 추론했던 부분들이, 흔한 바이러스의 흐름을 따라가며 자연스럽게 수정되었습니다.
   • 예시: 어떤 유전자 위치에서 "돌연변이가 600 번이나 일어났다"라고 잘못 계산했던 것이, "아, 사실은 흔한 바이러스가 2 번 변이된 것인데, 그 흔한 바이러스가 300 번 발견되어서 600 번으로 착각한 거구나"라고 바로잡혔습니다.
3. 간단한 진화 역사: 복잡한 진화 나무가 훨씬 깔끔하고 논리적으로 정리되었습니다.

4. 요약 및 의의

이 논문은 **"데이터의 양 (빈도) 을 무시하지 말고, 그 정보를 진화 나무 그리는 데 활용하자"**고 말합니다.

• 기존: "유전자만 보고 판단하자." (드문 얼룩말도 흔한 말과 똑같이 취급)
• 새로운 방식: "유전자도 보되, 흔한 바이러스 (말) 일 확률이 훨씬 높으니 그쪽으로 먼저 생각하자."

이 방법은 코로나19 같은 대규모 팬데믹 상황에서, 수백만 개의 유전자를 분석할 때 오류를 줄이고, 더 정확한 전파 경로를 추적하는 데 큰 도움을 줍니다. 마치 의사가 환자를 진단할 때, 흔한 감기부터 먼저 의심하는 것처럼, 과학자들도 바이러스의 진화를 추적할 때 '흔한 것'을 먼저 고려해야 더 정확한 답을 얻을 수 있다는 것을 증명했습니다.

이 연구는 MAPLE이라는 무료 소프트웨어에 적용되어, 누구나 더 정확한 바이러스 진화 분석을 할 수 있게 해줍니다.

기술 요약

이 논문은 최대우도법 (Maximum Likelihood, ML) 을 이용한 계통 발생 분석에서 계통의 풍부도 (lineage abundance) 정보를 활용하여 추론의 정확도를 높이는 새로운 방법론을 제안합니다. 저자는 이를 "Horse, not zebra" (희귀한 질병보다는 흔한 질병을 먼저 생각하라) 라는 의학 원칙에 빗대어 설명하며, HnZ (Horse not Zebra) 방법론을 개발했습니다.

주요 내용은 다음과 같습니다.

1. 문제 제기 (Problem)

• 기존 ML 방법의 한계: 전통적인 최대우도법 계통 발생 분석은 계통의 형태나 표본 추출 과정에 대한 사전 가정을 하지 않습니다. 이는 진화 생물학에서 유용하지만, 게놈 역학 (Genomic Epidemiology) 분야, 특히 SARS-CoV-2 와 같은 대유행 (Pandemic) 상황에서는 한계가 있습니다.
• 샘플링 편향과 풍부도: 게놈 역학에서는 특정 시점과 장소에서 병원체 균주 (strain) 의 풍부도가 시퀀싱된 게놈의 수에 비례한다고 가정할 수 있습니다. 즉, 흔한 균주 (Horse) 는 드문 균주 (Zebra) 보다 훨씬 많이 샘플링됩니다.
• 불확실성: 높은 샘플링 밀도와 낮은 진화 거리로 인해 많은 다분기 (multifurcations) 가 발생하고, 불완전한 시퀀스 데이터로 인해 계통적 위치를 결정하는 데 큰 불확실성이 존재합니다. 기존 ML 방법은 우도 (Likelihood) 가 동일한 여러 가지 배치 (placement) 를 구별하지 못해 불필요한 불확실성을 초래합니다.

2. 방법론 (Methodology)

저자는 최대우도법 프레임워크 내에서 계통의 풍부도를 고려하기 위해 두 가지 새로운 접근법 (HnZ1과 HnZ2) 을 제안했습니다. 이 방법들은 계통의 우도 점수에 곱셈 인자 (multiplicative factor) 를 추가하여, 흔한 계통 (다분기 노드가 큰 곳) 에 샘플을 배치하도록 유도합니다.

• HnZ1 (다분기의 분해 해석):

  • 개념: 계통树上的 다분기 (multifurcation) 는 순간적인 분기 사건이 아니라, 분해할 수 있는 이분기 (bifurcating) 위상들의 집합으로 해석합니다.
  • 수식: 노드 크기 $n$에 대해 가능한 이분기 위상의 수 $H(n) = (2n-3)!!$를 계산합니다.
  • 작동 원리: 나무의 전체 점수를 각 노드의 $H(n)$의 곱으로 재조정합니다. 샘플을 큰 다분기 노드에 배치하면 $H(n)$이 크게 증가하므로, ML 알고리즘이 큰 다분기 (흔한 균주) 에 샘플을 배치하도록 장려합니다.

• HnZ2 (사전 확률 기반 접근):

  • 개념: 베이지안 접근법의 '트리 사전 (tree prior)' 개념을 차용합니다. 게놈이 샘플링될 확률은 그 풍부도에 비례한다고 가정합니다.
  • 수식: 노드 $i$의 풍부도 $f_i$를 노드 크기 $n_i$로 근사하고, 사전 확률을 $n^n$에 비례하도록 정의합니다.
  • 작동 원리: HnZ1 과 유사하게 큰 다분기를 선호하지만, HnZ1 보다 더 공격적으로 (aggressive) 큰 다분기를 형성하도록 유도합니다.

• 구현: 이 두 방법은 오픈 소스 계통 발생 소프트웨어인 MAPLE v0.7.5.4에 구현되었습니다.

3. 주요 기여 (Key Contributions)

1. 새로운 해석: 다분기를 단순한 불확실성이 아닌, 여러 가능한 이분기 위상의 집합으로 해석하여 ML 분석에 풍부도 정보를 통합했습니다.
2. 효율적인 알고리즘: 베이지안 MCMC 방법의 높은 계산 비용 없이, 최대우도법의 확장성 (scalability) 을 유지하면서 풍부도 정보를 반영하는 두 가지 효율적인 방법론을 제시했습니다.
3. 소프트웨어 통합: MAPLE 소프트웨어를 통해 실제 대규모 데이터셋에 적용 가능한 형태로 제공했습니다.

4. 결과 (Results)

• 시뮬레이션 기반 벤치마크:

  • SARS-CoV-2 시뮬레이션 데이터에서 HnZ1 과 HnZ2 를 적용한 결과, 기존 ML 방법 대비 위상 추론 오류를 약 40% 감소시켰습니다.
  • HnZ1 이 HnZ2 보다 약간 더 높은 정확도를 보였습니다.
  • 계산 시간은 약 2 배 증가했으나, 메모리 사용량은 거의 증가하지 않았습니다.

• 실제 SARS-CoV-2 데이터 분석 (200 만 개 이상의 게놈):

  • 불확실성 감소: HnZ1 을 적용한 결과, 지지도 (support) 가 50% 미만인 가지의 비율이 약 6.91% 에서 1.04% 로 급격히 감소했습니다. 이는 계통적 불확실성이 약 10 배 감소했음을 의미합니다.
  • 진화 역사 단순화: AY.4 (Delta 변이) 및 BA.1.1 (Omicron 변이) 계통의 분석에서, 기존 방법은 많은 수의 역전 (reversion) 과 복잡한 진화 경로를 추론했으나, HnZ1 은 훨씬 단순하고 생물학적으로 타당한 진화 역사를 제시했습니다.
  • 오류 수정: 기존 방법에서 빈번하게 관측되던 T17040C 재역전 (re-reversion) 같은 비현실적인 진화 패턴이 HnZ1 을 통해 제거되었습니다. 이는 흔한 균주 배경에서 발생한 돌연변이를 더 확률적으로 높은 것으로 간주함으로써 발생했습니다.

5. 의의 및 결론 (Significance)

• 계통 발생 추론의 정확도 향상: 게놈 역학 분야에서 시퀀싱된 게놈의 풍부도가 실제 병원체의 풍부도를 반영한다는 전제를 활용함으로써, 대규모 데이터셋에서의 계통 추론 정확도를 획기적으로 높였습니다.
• 계산 효율성: 베이지안 방법의 높은 정확도를 최대우도법의 계산 효율성과 결합하여, 수백만 개의 게놈을 다루는 팬데믹 규모의 분석에 실용적인 솔루션을 제공합니다.
• 확장 가능성: 이 방법론은 SARS-CoV-2 를 넘어 메타게놈, 단일 세포 유전체학, 암 유전체학 등 샘플링 밀도가 높고 동일한 시퀀스가 반복되는 다른 분야에도 적용될 수 있습니다.

요약하자면, 이 논문은 **"흔한 것을 먼저 생각하라 (Think of horses, not zebras)"**는 직관을 수학적 모델에 적용하여, 대규모 바이러스 계통 발생 분석에서 발생하는 불확실성을 해결하고 진화 역사를 더 정확하게 재구성하는 혁신적인 방법론을 제시했습니다.