📄 evolutionary biology

Unlocking a flexible set of phylogenetic models for discrete and continuous trait evolution using discretized stochastic diffusion

이 논문은 반사 한계가 있는 브라운 운동을 위해 원래 개발된 "이산화 확산 근사(discretized diffusion approximation)" 방법을 확장하여, 임계값, 반-임계값, 그리고 진화율이 공진화하는 형질에 의존하는 결합 모델을 포함하여 이산 및 연속 형질 진화를 분석하기 위한 유연한 새로운 계통 발생 모델 세트를 구현한다.

원저자: Revell, L. J., Alencar, L. R. V., Alfaro, M. E., Dain, J., Hill, N. J., Jones, M., Martinet, K. M., Romero-Alarcon, V., Harmon, L. J.

게시일 2026-08-17

📖 6 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Revell, L. J., Alencar, L. R. V., Alfaro, M. E., Dain, J., Hill, N. J., Jones, M., Martinet, K. M., Romero-Alarcon, V., Harmon, L. J.

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

당신이 수백만 년 동안 생명이 어떻게 변하는지 그 미스터리를 풀려는 탐정이라고 상상해 보십시오. 당신에게는 동물들의 가계도가 있습니다. 마치 누가 누구와 친척인지 보여주는 거대한 가지 모양의 도표와 같습니다. 당신의 임무는 부리의 크기, 꼬리의 길이, 혹은 깃털의 색깔과 같은 특정 형질이 이 가계도의 가지를 따라 어떻게 진화했는지 알아내는 것입니다. 오랫동안 과학자들은 "브라운 운동(Brownian motion)"이라는 수학적 도구를 사용하여 이를 모델링해 왔습니다. 브라운 운동을 안개 낀 공원에서 비틀거리며 무작위로 걷는 취한 사람이라고 생각해 보십시오. 그들은 목적지가 없습니다. 그저 무작위 방향으로 발걸음을 옮길 뿐입니다. 시간이 흐름에 따라 출발점에서 떨어진 거리는 커지지만, 그들이 정확히 어디에 도착할지는 예측할 수 없으며, 오직 그들이 있을 수 있는 확률만을 알 수 있습니다. 이 "무작위 행보(random walk)"는 형질이 어떻게 진화하는지 추측하는 표준적인 방법이었습니다.

하지만 실제 삶은 항상 탁 트인 공원에서의 무작위 행보처럼 흘러가지 않습니다. 때로는 벽이 존재합니다. 도마뱀은 자신의 몸보다 긴 꼬리를 가질 수 없고, 새의 부리는 두개골을 부술 정도로 커질 수 없습니다. 이것들이 바로 "경계(boundaries)" 또는 "제약(constraints)"입니다. 오랫동안, 벽에 부딪혀 튕겨 나오는 무작위 행보를 계산하는 것은 매우 어렵거나 거의 불가능에 가까운 일이었습니다. 그것은 마치 공원에 보이지 않는 탄성 있는 벽들이 곳곳에 있는 상황에서 그 취한 사람의 정확한 경로를 계산하려고 애쓰는 것과 같았습니다. 수학이 너무 어려웠기 때문에, 과학자들은 종종 이 벽들을 무시하곤 했고, 이는 형질이 얼마나 빠르게 변하는지에 대한 잘못된 추측으로 이어졌습니다. 이 논문은 바로 그 수학적 퍼즐을 해결하는 영리한 새로운 방법을 다루며, 훨씬 더 복잡하고 현실적인 방식으로 진화를 이해할 수 있는 문을 열어줍니다.

논문: 디지털 사다리로 진화 모델의 잠금을 해제하다

진화 생물학자 팀이 작성한 이 논문은, 이전에 깨뜨리기 너무 어려웠던 문제들을 해결하기 위해 영리한 수학적 기교를 사용하는 법을 보여주는 일종한 마스터클래스입니다. 저자들은 "이산화된 확산 근사(discretized diffusion approximation)"라고 설명하는, 2016년 부셰(Boucher)와 데메리(Démery)가 도입한 방법에 기초하여 연구를 진행하고 있습니다. 이것이 무엇을 의미하는지 이해하려면, 당신이 흐르는 강의 매끄러운 움직임을 측정하려고 한다고 상상해 보십시오. 강물은 연속적입니다. 물은 멈추지 않고 흐릅니다. 하지만 컴퓨터가 정수만을 이해한다면, 당신은 그 강을 작고 뚜렷한 단계나 "빈(bin)"으로 나누어야 할 것입니다. 당신은 "물이 여기에 있다가, 다음 빈으로 이동하고, 그다음 빈으로 이동한다"라고 말하게 될 것입니다.

저자들은 만약 이 단계들을 아주 작게, 즉 거의 보이지 않을 정도로 작게 만든다면, 이 "단계적" 시뮬레이션이 실제의 매끄러운 강과 구별할 수 없을 정도가 된다는 것을 보여줍니다. 그들은 이를 "이산화된 확산 근사"라고 부릅니다. 이것은 매끄러운 미끄럼틀을 오르기 위해 디지털 사다리를 사용하는 것과 같습니다. 만약 가로대(rung)들이 충분히 가깝다면, 당신은 미끄럼틀을 타고 내려가는 것만큼이나 매끄럽게 미끄럼틀을 오를 수 있습니다.

여기서 중요한 소식은, 이 기교가 이전에는 작동하는 수학 공식이 없었던 모든 종류의 진화 시나리오에 적용 가능하다는 점입니다. 저자들은 단순히 이 기교를 설명하는 데 그치지 않고, 다섯 가지 새로운 형질 진화 모델링 방식을 열어젖힙니다.

첫째, 그들은 **유계 브라운 운동(Bounded Brownian Motion)**을 재검토합니다. 이것이 바로 "벽이 있는 취한 사람" 시나리오입니다. 과거에는 형질이 한계(예: 최대 크기)에 부딪히면 수학적 모델이 무너졌습니다. 저자들은 이 사다리 기법을 사용하여 형질이 벽에 부딪혀 튕겨 나가는 것을 시뮬레이션할 수 있습니다. 그들은 만약 벽을 무시한다면, 형질이 진화하는 속도를 체계적으로 과소평가하게 될 것이라는 시뮬레이션을 수행했습니다. 이는 마치 주자가 벽에 계속 부딪히며 튕겨 나오고 있기 때문에 느리다고 생각하는 것과 같습니다. 실제로는 전력 질주하고 있지만 단지 그 장벽을 넘어가지 못할 뿐인데 말이죠. 그들의 새로운 방법은 이 문제를 해결하여, 형질이 제약을 받더라도 정확한 진화 속도를 추정할 수 있게 해줍니다.

다음으로, 그들은 **임계값 모델(Threshold Model)**을 다룹니다. 어떤 형질은 실제로는 연속적이지만 표면적으로는 이산적으로 보이는 경우를 상상해 보십시오. 예를 들어, 도마뱀이 발가락을 몇 개 가지고 있는지에 대한 "잠재적 성향(liability)"을 생각해 봅시다. 아마도 근본적인 생물학적 구조는 매끄러운 발달 척도일 수 있지만, 일단 특정 "임계값"을 넘어서면 도마뱀은 발가락 4개 혹은 5개를 가진 상태로 태어납니다. 논문은 우리가 최종적인 발가락 수만을 볼 때, 이 보이지 않는 임계값을 찾아내는 데 그들의 사다리 방법을 어떻게 사용할 수 있는지 보여줍니다. 그들은 데이터를 시뮬레이션하여, 자신들의 방법이 이러한 숨겨진 임계값을 올바르게 식별할 수 있으며, 이를 다른 무작위 진화 패턴과 구별할 수 있음을 발견했습니다.

그 후, 그들은 완전히 새로운 아이디어인 **준-임계값 모델(Semi-Threshold Model)**을 소개합니다. 이것은 앞선 두 아이디어의 혼합입니다. "뿔의 길이"와 같은 형질을 상상해 보십시오. 뿔은 매끄럽게 자라거나 줄어들 수 있지만, 만약 0으로 줄어든다면 뿔은 사라집니다. 당신은 음수의 뿔 길이를 측정할 수 없으며, 그것은 단지 "부재(absent)" 상태가 됩니다. 그러나 뿔을 키울 수 있는 *잠재력(liability)*은 뿔이 사라진 상태에서도 밑바닥에서 여전히 진화하고 있을 수 있습니다. 저자들은 이 "정체된" 상태를 위한 모델을 만들었습니다. 그들은 형질이 측정 가능하거나 혹은 "검열된(censored, 0이나 최댓값에 갇힌)" 상태인 데이터를 시뮬레이션했으며, 자신들의 방법이 진화율을 성공적으로 추정해 낸 반면 기존 방식들은 실패했음을 보여주었습니다.

논문은 또한 두 가지 다른 유형의 형질이 서로 영향을 미치는 **공동 진화(Joint Evolution)**를 탐구합니다.

이산-의존 연속형(Discrete-Dependent Continuous): 탁 트인 물에 사느냐 산호초에 사느냐에 따라 달라지는 물고기를 상상해 보십시오. 논문은 물고기의 체형이 변하는 속도가 어떤 서식지에 있느냐에 따라 달라질 수 있다고 제안합니다. 탁 트인 물에서는 체형 변화가 느릴 수 있고, 산호초에서는 빠를 수 있습니다. 저자들은 연속적 형질(체형)의 "사다리"가 이산적 형질(서식지)에 따라 서로 다른 가로대를 갖는 모델을 구축했습니다. 그들의 시뮬레이션은 이 방법이 서식지 역사를 먼저 추측한 뒤에 체형을 측정하려 했던 기존 방식보다, 각 서식지에서 물고기가 얼마나 빨리 진화했는지를 더 정확하게 파악할 수 있음을 보여주었습니다.
연속-의존 이산형(Continuous-Dependent Discrete): 이것은 그 반대입니다. 알을 낳거나 새끼를 낳는 파충류를 상상해 보십시오. 논문은 종이 알에서 새끼를 낳는 방식으로 전환되는 속도가 온도(연속적 형질)에 달려 있을 수 있다고 제안합니다. 온도가 높으면 전환이 더 빨리 일어날 수도 있습니다. 그들은 이 전환 확률이 온도에 따라 어떻게 변하는지 보여주기 위해 "시그모이드(sigmoidal)" 곡선(S자 형태)을 사용하여 모델링했습니다. 엄청난 규모의 시뮬레이션을 실행하지는 못했지만, 수학적으로 작동하며 데이터를 적합시킬 수 있음을 보여주었습니다.

마지막으로, 그들은 **다중 추세 모델(Multi-Trend Model)**을 제시합니다. 이것은 형질이 단순히 무작위로 헤매는 것이 아니라 방향성을 갖는 상황을 위한 것입니다. 지도를 따라 퍼져나가는 바이러스를 상상해 보십시오. 바이러스는 무작위로 표류할 수도 있지만, 숙주 동물(이산적 형질)이 바뀌면 바이러스는 갑자기 북쪽이나 남쪽으로 흐르는 "추세(trend)"를 가질 수 있습니다. 저자들은 숙주에 따라 변하는 이 "방향성이 있는 표류"를 모델링할 수 있음을 보여주었습니다. 그들은 비균일한 계통수(non-uniform trees)에서 이를 시뮬레이션했으며, 자신들의 방법이 표류의 속도와 추세의 방향을 모두 정확하게 추정할 수 있음을 발견했습니다.

이 논문이 하는 것과 하지 않는 것

저자들은 자신들이 달성한 바를 매우 명확하게 밝히고 있습니다. 그들은 이 "사다리" 방법이 이러한 특정 모델들에 대해 작동한다는 것을 시뮬레이션을 통해 **개념 증명(proof of concept)**했습니다. 그들은 알려진 규칙에 따라 생성된 데이터를 통해, 자신들의 방법이 그 규칙들을 상당히 정확하게 다시 찾아낼 수 있음을 보여주었습니다. 예를 들어, 경계를 무시하는 것이 잘못된 답을 낳는다는 것을 입증했고, 자신들의 방법이 이를 바로잡는다는 것도 보여주었습니다. 또한, 자신들의 공동 모델이 한 가지 형질을 먼저 추측한 뒤 다른 형질을 측정하는 기존의 "2단계" 방식보다 더 정확하다는 것도 입증했습니다. 그러나 그들은 이 분석들이 **예비적(preliminary)**이며, 통계적 특성에 대한 포괄적인 조사가 아니라 접근 방식의 타당성을 입증하기 위한 것임을 분명히 명시했습니다.

또한 그들은 이것이 단순히 연속적인 데이터를 단순한 범주로 바꾸는 방법이 아니라는 점을 명확히 배제했습니다. 그들은 "큰 도마뱀은 '크다', 작은 도마뱀은 '작다'라고 분류해서 분석하자"는 것이 아님을 강조합니다. 그것은 실수입니다. 그들의 방법은 "사다리"를 오직 연속적인 실체의 확률을 계산하기 위한 일시적인 수학적 도구로만 사용합니다. 최종적인 답은 언제나 연속적인 형질에 관한 것이지, 빈(bin)에 관한 것이 아닙니다.

마지막으로 그들은 이 접근 방식이 빙산의 일각일 뿐이라고 제안합니다. 그들은 이 방법이 "숨겨진 속도(hidden-rate)" 모델(우리가 변화를 일으키는 형질을 직접 보지 못하는 경우)이나 심지어 갑작스럽게 도약하는 형질(discontinuous jumps)에도 적용될 수 있음을 언급했지만, 아직 완전히 테스트하지는 않았습니다. 그들은 연속-의존 이산형 모델과 같이 일부 더 복잡한 모델의 경우, 계산량이 많아 대규모 시뮬레이션 연구를 아직 수행하지 못했음을 인정합니다. 그들은 미래의 연구자들이 해당 한계점들을 테스트해 볼 것을 권장합니다.

요약하자면, 이 논문은 진화의 모든 미스터리를 해결했다고 주장하는 것이 아닙니다. 대신, 과학계에 강력하고 유연한 새로운 도구를 건네주는 것입니다. 즉, 이전에는 계산하기 너무 어려웠던 복잡하고 무질서한 진화 과정을 근사할 수 있는 방법입니다. 이 "이산화된 확산" 기교를 사용함으로써, 우리는 자연계의 벽과 임계값, 그리고 숨겨진 연결 고리들을 존중하는 모델을 구축할 수 있으며, 이를 통해 생명이 시간이 흐름에 따라 어떻게 변해왔는지에 대한 더 명확한 그림을 그릴 수 있다는 것을 이 논문은 시사하고 있습니다.

기술 요약: 이산화된 확률 확산을 이용한 이산 및 연속 형질 진화의 유연한 계통 모델 해제

문제 제기
계통 비교 방법론의 실질적인 유용성은 진화 과정을 정확하게 포착할 수 있는 수학적 모델을 적합시킬 수 있는지 여부에 달려 있습니다. 그러나 많은 생물학적으로 실재적인 형질 진화 모델들은, 특히 경계가 있는 연속 형질, 임계값(threshold) 모델, 또는 이산 및 연속 형질의 복잡한 공동 진화를 다룰 때, 그 우도 함수(likelihood function)에 대한 해석적 해(analytic solution)를 갖지 못하는 경우가 많습니다. 예를 들어, 평평한 적응 지형과 단단한 제약을 설명하는 "유계 브라운 운동(bounded Brownian motion)" 모델(Boucher and Démery 2016)은 해석적 확률 함수가 존재하지만, 적당한 크기의 계통수에서는 계산이 불가능합니다. 마찬가지로, 표준 임계값 모델은 고차원 다변량 정규 분포의 적분을 필요로 하는데, 이는 분류군(taxa)의 수가 증가함에 따라 계산적으로 실행 불가능해집니다. 결과적으로 연구자들은 편향을 초래하거나 진화 과정의 전체 복잡성을 포착하지 못할 수 있는 단순화된 모델이나 2단계 추정 절차에 의존하도록 강요받곤 합니다.

방법론: 이산화된 확산 근사법(The Discretized Diffusion Approximation)
본 논문의 핵심 방법론적 기여는 Boucher와 Démery(2016)에 의해 처음 확인되고 Boucher 등(2018)에 의해 확장된 "이산화된 확산 근사법"의 적용 및 확장입니다. 이 접근법은 연속 시간의 대칭적이고 순서가 있는 마르코프 체인(격자 위의 랜덤 워크)이 격자 상태의 수( $n$ )가 무한대로 증가하거나(또는 빈 너비 $\delta$ 가 0으로 수렴할 때) 연속적 확률 확산(브라운 운동)으로 수학적으로 수렴한다는 점을 활용합니다.

절차는 다음과 같습니다:

이산화(Discretization): 연속적인 형질 공간을 너비 $\delta$ 를 가진 $n$ 개의 빈(bin)으로 나눕니다.
마르코프 체인 구축: 이 그리드 상에 연속 시간 마르코프 체인을 정의합니다. 인접한 빈 사이의 전이율(transition rates)은 $q_c = \sigma^2 / (2\delta^2)$ 로 설정됩니다 (여기서 $\sigma^2$ 는 순시 확산율입니다). 경향성( $\mu$ )이 있는 모델의 경우, 비율은 비대칭적( $q_+$ 및 $q_-$ )이 됩니다.
우도 계산: 이산화된 데이터( $x'$ )의 확률은 이산 형질 진화에 표준적으로 사용되는 펠센의 가지치기 알고리즘(Felsenstein's pruning algorithm, 1981)을 사용하여 효율적으로 계산됩니다.
밀도 근사(Density Approximation): 원래의 연속 데이터의 확률 밀도 $f(x)$ 는 $\hat{f}_\delta(x) = p(x') / (\delta^N)$ 로 근사됩니다 (여기서 $N$ 은 분류군의 수입니다). $\delta \to 0$ 일 때, 이 근사는 실제 확률 밀도로 수렴합니다.

이 방법은 그에 상응하는 마르코프 체인 표현을 구축할 수 있다면, 해석적 해를 구할 수 없는 모델들에 대한 우도 계산을 가능하게 합니다.

주요 기여 및 새로운 모델
본 논문은 이 추정 기술의 다재다능함을 입증하기 위해 다섯 가지 특정 모델에 적용하였으며, 그중 네 가지는 계통 비교 생물학에 있어 새롭거나 유의미하게 확장된 응용 사례로 제시되었습니다:

유계 브라운 운동 (반사적 한계): 본 논문은 반사적 경계를 가진 브라운 운동에 대한 이산화된 확산 근사의 유용성을 재확립합니다. 이 방법은 유계 데이터를 적합시킬 때 발생하는 확산율( $\sigma^2$ )의 체계적인 과소 추정을 방지함을 확인시켜 줍니다.
임계값 모델 (The Threshold Model): 저자들은 관찰되지 않는 연속적 "잠재 형질(liability)"이 브라운 운동을 통해 진화하고 고정된 임계값을 통과하여 이산 상태를 생성하는 진화 양적 유전학의 고전적 임계값 모델에 이 근사법을 적용합니다. 이 방법은 고차원 수치 적분이나 몬테카를로 샘플링의 필요성을 대체하여 효율적인 모델 적합과 파라미터 추정을 가능하게 합니다.
"세미-임계값" 모델 (The "Semi-Threshold" Model): 형질이 특정 범위 내에서는 연속적인 값으로 관찰되지만, 범위를 벗어나면 고정된 값으로 검열(censored)되는 새로운 모델을 도입합니다. 이때 잠재 형질은 계속 진화합니다. 논문은 혼합 데이터 유형을 처리하기 위해 우도를 계산할 때 $\delta^N$ 대신 $\delta^m$ 으로 나누는 방법을 보여줍니다 (여기서 $m$ 은 검열되지 않은 팁의 수입니다).
이산 형질 의존적 연속 형질 진화: 공진화하는 이산 형질의 상태에 따라 연속 형질의 브라운 운동 속도( $\sigma^2$ )가 결정되는 결합 모델을 제시합니다. 기존의 2단계 접근 방식(확률적 매핑 후 속도 적합)과 달리, 이 방법은 결합 우도를 직접 계산하므로, 특히 이산 전이가 빈번할 때 속도 이질성에 대한 더 편향이 적은 추정치를 제공합니다.
연속 형질 의존적 이산 형질 진화: 이산 형질의 전이율이 연속 형질의 값(시그모이드 함수로 모델링됨)에 의존하는 새로운 역 모델을 제안합니다. 계산적 제약(대규모 행렬 지수 연산)으로 인해 광범위한 시뮬레이션은 수행할 수 없었으나, 논문은 미분 생성자 행렬(infinitesimal generator matrix)의 구축을 보여주고 시뮬레이션된 데이터에 대한 최대 우도 적합을 제시합니다.
다중 경향 모델 (Multi-Trend Directional Model): 이산 형질 상태에 따라 연속 형질의 확산율( $\sigma^2$ )과 선형 경향( $\mu$ )이 모두 변하는 이산 형질 의존적 모델을 개발했습니다. 이 모델은 비울트라메트릭(non-ultrametric) 트리에서도 식별 가능함을 보여주며, 이산 체제(regime)에 따라 전환되는 방향성 경향을 추정할 수 있게 합니다.

결과
시뮬레이션 연구를 통해 저자들은 이산화된 확산 근사가 신뢰할 수 있는 파라미터 추정치를 산출함을 입증했습니다:

유계 모델: 유계 모델을 적합시킬 때 $\sigma^2$ 와 루트 상태( $x_0$ )를 정확하게 회복하는 반면, 무계 모델은 유계 데이터에 적합될 때 $\sigma^2$ 를 체계적으로 과소 추정합니다.
임계값 모델: 이 방법은 임계값 모델과 순서형 Mk 모델을 성공적으로 구별하며, 추정된 임계값은 생성된 값의 중심에 위치합니다.
결합 모델: 이산 형질 의존적 연속 형질 모델에서, 이산화된 확산 근사를 통한 결합 추정은 상태별 속도( $\sigma^2_a, \sigma^2_b$ )와 전이율( $q_{ab}$ )에 대해 편향되지 않은 추정치를 제공합니다. 결정적으로, 이 방법은 전통적인 2단계 확률적 매핑 접근 방식보다 우수한 성능을 보입니다. 2단계 방식은 특히 이산 전이가 빈번할 때 두 체제 간의 속도 비율을 과소 추정하는 경향이 있습니다.
세미-임계값 및 방향성 모델: 예비 분석 결과, 세미-임계값 및 다중 경향 모델에 대해 합리적인 추정 특성을 보였으나, 저자들은 이에 대한 추가적인 종합 연구가 필요하다고 언급했습니다.

의의 및 주장
저자들은 본 연구를 해석 가능한 우도 함수 때문에 이전에 접근 불가능했던 유연한 계통 모델들을 해제하기 위한 "개념적 작업(concept piece)"으로 규정합니다. 저자들은 이산화된 확산 근사가 수학적 확률 과정 이론(예: Ethier and Kurtz 1986; Risken 1996)에 뿌리를 두고 있으면서도 계통학 분야에서는 참신한 방식이었으며, 그동안 과소평가되어 왔다고 주장합니다. 임계값, 세미-임계값, 그리고 복잡한 결합 진화 모델로 적용 범위를 확장함으로써, 저자들은 이 방법이 "빙산의 일각에 불과하다"고 단언합니다. 또한 이 접근법이 은닉 속도 모델(hidden-rate models), 파라미터가 변하는 Ornstein-Uhlenbeck 과정, 흡수 경계(absorbing boundaries) 또는 불연속적 도약(discontinuous jumps)을 가진 모델로 확장될 수 있음을 시사합니다.

저자들은 마지막으로 은유적인 관찰을 덧붙입니다. "도구의 법칙(law of the instrument)"은 하나의 도구(망치)를 가지면 모든 문제를 못(nail)으로 보게 된다고 경고하지만, 본 연구의 탐색은 계통학의 많은 복잡한 진화 가설들(못)이 실제로 이 특정 근사법(망치)에 의해 효과적으로 해결될 수 있다는 "역의 법칙"을 보여준다고 결론짓습니다. 이 방법들은 R 패키지 phytools에 구현되어 있어, 더 넓은 연구 커뮤니티가 이러한 고급 모델들을 사용할 수 있도록 되어 있습니다.

유사한 논문