Large-scale automated detection reveals pervasive sex imbalance in biomedical research

기술 요약: 생물 의학 연구의 성별 불균형에 대한 대규모 자동 탐지

문제 정의
수십 년간의 생물 의학 연구는 남성 피험자에 불균형적으로 의존해 왔으며, 이는 여성 특이적 질병 생물학에 대한 이해에 상당한 공백을 야기했습니다. 성별은 질병 위험, 진행 및 치료 반응에 영향을 미치는 중요한 생물학적 변수임에도 불구하고, 이러한 불균형을 정량화하려는 기존의 노력은 규모와 방법론 측면에서 한계가 있었습니다. 이전의 접근 방식들은 다음과 같은 방식에 의존했습니다:

1. 명시적으로 보고된 성별 수치: 이는 종종 불완전하거나 일관성이 없습니다 (예: ClinicalTrials.gov 기록의 약 50%에서 누락됨).
2. 저장소 제공 성별 주석: 대부분의 공개 샘플에서 부재합니다.
3. 텍스트 매칭을 통한 발현 데이터로부터의 직접 예측: 이는 메타데이터 내의 동의어나 관련 용어를 포착하는 데 실패합니다.

결과적으로, 수천 개의 질병 용어와 수백만 개의 생물학적 샘플에 걸쳐 성별 불균형이 발생하는 연구 분야를 식별할 수 있는 자동화된 대규모 프레임워크가 부족한 실정입니다.

방법론
저자들은 생물학적 성별을 추론하고 연구 유래 성별 불균형을 대규모로 정량화하기 위한 다중 모드 계산 프레임워크를 제시합니다. 워크플로우는 네 가지 주요 단계로 구성됩니다:

1. 데이터 수집 및 전처리:

   • 본 연구는 Gene Expression Omnibus (GEO) 및 refine.bio로부터 229,528개의 인간 전사체 샘플(마이크로어레이 124,748개 및 RNA-Seq 104,780개)을 분석했습니다.
   • 수동으로 큐레이션된 성별 및 연령 라벨이 포함된 30,339개의 샘플로 구성된 "골드 스탠다드(gold-standard)" 하위 집합을 사용하여 추론 모델을 훈련하고 검증했습니다.

2. 발현 프로파일로부터의 성별 추론:

   • 메타데이터에 의존하는 대신, 발현 데이터로부터 직접 성별을 추론했습니다.
   • 저자들은 11개 연령 그룹 전체에서 남성과 여성 샘플을 분리하는 데 가장 높은 균형 정확도(>0.82)를 보이는 9개의 유전자를 식별했습니다. 이 유전자들은 주로 Y 염색체(예: RPS4Y1, KDM5D, EIF1AY)에 위치하며, 하나는 X 염색체(XIST)에 위치합니다.
   • 성별 라벨은 이 9개 유전자에 대한 발현 임계값에 대한 다수결 원칙에 따라 할당되었습니다. 이 방법은 골드 스탠다드 하위 집합에서 마이크로어레이에 대해 98%, RNA-Seq에 대해 95%의 정확도를 달 achievement 했습니다.
   • 샘플 품질은 저품질 샘플(낮은 Y-염색체 발현으로 인해 오분류를 초래할 수 있음)이 결과를 왜곡하지 않도록 평가되었으며, 극히 일부의 샘플만이 "저품질"로 간주되었습니다.

3. 질병 용어 추출 및 매핑:

   • 질병 용어는 두 가지 메타데이터 소스인 약 9,000개의 연구 설명 및 약 5,000개의 논문 초록에서 추출되었습니다.
   • 용어를 추출하기 위해 NLP 도구(spaCy의 "en_core_sci_md" 모델 및 PubTator3)가 사용되었습니다.
   • 추출된 용어는 동의어, 약어 및 자유 형식의 변형을 처리하기 위해 OpenAI API 호출과 결합된 커스텀 검색 증강 생성(RAG) 파이프라인을 사용하여 Mondo 질병 온톨로지에 매핑되었습니다.

4. 불균형 정량화:

   • 연구 유래 불균형: 각 연구 또는 출판물 내의 질병 용어의 TF-IDF 점수와 여성 대 남성 샘플 비율 사이의 Spearman 순위 상관관계로 계산되었습니다.
   • 생물학적 성별 불균형: 연구 편향을 생물학적으로 정당화된 차이(예: 전립선암)와 구별하기 위해, 연구 유래 값은 Global Health Data Exchange(GHDx)의 글로벌 성별 특이적 질병 유병률 데이터를 사용하여 조정되었습니다. 이 조정을 통해 성별 특이적 유병률이 알려진 질병에 대한 불균형의 크기를 줄여, 정당화되지 않은 과소 대표성을 가진 영역을 분리해 냈습니다.
   • 클러스터링: 질병 용어는 node2vec과 Louvain 알고리즘을 사용하여 임베딩 및 클러스터링되었으며, 이를 통해 유사한 불균형 패턴을 가진 질병 그룹을 식별했습니다.

주요 결과

• 검증: 성별 추론 방법은 견고함이 입증되었으며, 골드 스탠다드 세트에서 97%의 샘플 라벨이 정확하게 추론되었습니다. 전체 컴펜디움은 추론된 성별에 대해 양봉 분포(bimodal distribution)를 보였으며, 대다수 샘플에서 높은 신뢰도를 나타냈습니다.
• 남성 편향의 유병률: 모든 메타데이터 코퍼스에서, 남성 쪽으로 치우친 용어가 여성 쪽으로 치우친 용어보다 더 많았습니다.
  • 출판 메타데이터에서, 불균형 강도가 가장 높은 상위 100개 용어 중 **54~61%**가 생물학적 근거 없이 남성 편향적이었습니다.
  • 글로벌 질병 유병률을 조정한 후에도, RNA-Seq 관련 출판물에서 최대 58%, 마이크로어레이 관련 출판물에서 **최대 57%**의 질병 용어가 남성 편향적 연관성을 보였습니다.
• 특정 저조 연구 분야:
  • 남성 편향 (생물학적으로 정당화되지 않음): 교모세포종(glioblastoma), 간경변(cirrhosis), 특발성 폐섬유증(idiopathic pulmonary fibrosis), 조현병(schizophrenia), 심근경색(myocardial infarction), 간세포암(hepatocellular carcinoma) 등의 질병이 두 성별 모두에 유사하게 영향을 미침에도 불구하고 여성에 대해 심각하게 저조하게 연구되는 것으로 나타났습니다.
  • 여성 편향 (생물학적으로 정당화되지 않음): 췌장암(pancreatic cancer), 대장암(colorectal cancer), 안구 흑색종(uveal melanoma) 등의 용어는 여성 과잉 대표성을 보였습니다.
• 클러스터링: 분석 결과, 성별 불균형은 무작위가 아니라 특정 생물학적 영역에 집중되어 있음이 드러났습니다. 심장 질환, 간 질환, 정신 건강 장애를 포함한 클러스터는 남성 편향을 보였고, 유방/난소 암 및 자가면역 질환을 포함한 클러스터는 여성 편향을 보였습니다.

의의 및 주장
본 논문은 원칙적이고 데이터에 기반한 보상적 연구 우선순위 설정의 근거를 제공한다고 주장합니다. 몇몇 학술지를 수동으로 모니터링하는 것에서 벗어나 수십만 개의 샘플에 대한 확장 가능하고 반복 가능한 계산적 감사로 전환함으로써, 이 프레임워크는 성별 대표성을 지속적으로 모니터링할 수 있는 재사용 가능한 도구를 제공합니다.

저자들은 본 연구의 결과가 여성 모델에 대한 엄격한 연구가 부족하여 심각한 공중 보건상의 결과를 초래할 수 있는 특정 질병 영역(예: 교모세포종에서의 에스트로겐 보호 효과나 조현병에서의 차별적인 부작용 등 성별이 치료 반응에 결정적 역할을 하는 경우)을 강조한다고 강조합니다. 이 프레임워크를 통해 연구자, 자금 지원 기관, 학술지는 보상적 연구가 가장 시급히 필요한 곳을 식별하고, 투자가 그 격차를 좁히고 있는지 추적할 수 있습니다.

저자가 인정한 한계점

• 추론 편향: 방법론은 전체 컴펜디움에서 골드 스탠다드보다 약간 더 높은 비율의 여성 샘플을 추론했습니다. 저품질 샘플이 주요 원인이 아님을 확인했으나, Y-염색체를 소실한 세포주나 공공 저장소에 존재하는 실제 여성 유래 샘플의 과잉이 기여했을 수 있다고 언급했습니다.
• 용어 추출: NLP 파이프라인은 "성인(adult)", "손상(damage)"과 같은 비질병 용어 및 약어를 추출했으며, 이는 수동 수정이나 AI 보조 매핑이 필요하여 온톨로지 매핑에 미세한 오류를 도입할 수 있습니다.
• 단조성 가정: 상관관계 접근 방식은 질병 용어의 관련성과 성별 비율 사이에 단조적 관계가 있다고 가정합니다. 만약 질병 용어가 서로 다른 생물학적 이유로 남성 및 여성 지배 연구 모두에 등장한다면, 상관관계는 실제 불균형을 과소평가할 수 있습니다.