Identifiability of metabolic resilience from sparse longitudinal metabolomics

인간의 장은 정적인 용기가 아니라 북적이고 변화하는 생태계입니다. 그 안에서는 수조 개의 미생물이 우리의 식단, 면역 체계, 그리고 약물과 상호작용하며, 건강에 영향을 미치는 대사산물의 화학적 수프를 끊임없이 만들어냅니다. 이러한 화학 물질 중에서도 부티레이트(butyrate)와 같은 단쇄 지방산은 특히 중요한데, 이는 장을 둘러싼 세포의 연료 역할을 하며 염증을 억제하는 데 도움을 줍니다. 과학자들은 오랫동안 이러한 화학 물질의 수치가 시간이 지남에 따라 어떻게 행동하는지, 즉 일정한 리듬으로 안착하는지, 교란 후에 회복되는지, 아니면 서로 다른 안정된 상태 사이를 오가는지를 이해하고자 해왔습니다. 이를 위해 연구자들은 종종 이러한 대사 변화의 '지형(landscape)'을 그려보려 노력하며, 시스템이 자연스럽게 휴식하는 골짜기와 다른 곳으로 이동하기 위해 넘어야 하는 언덕을 상상합니다. 그러나 살아있는 사람에게서 이러한 화학 물질을 측정하는 것은 매우 어렵습니다. 샘플은 불규칙한 간격으로 채취되며, 종종 몇 주 또는 몇 달의 간격을 두고 이루어지기 때문에 연속적으로 일어나는 과정의 파편화되고 희소한 모습만을 보여주게 됩니다.

인간의 희소한 불규칙한 샘플링 속도와 생물학적 변화의 빠르고 연속적인 흐름 사이의 이러한 간극는 해석에 있어 심각한 문제를 야기합니다. 캘리포니아 대학교 버클리 캠퍼스의 자바드 아미니안-데코르디(Javad Aminian-Dehkordi)와 모하마드 모프라드(Mohammad Mofrad)가 수행한 새로운 연구는 이 희소한 데이터가 대사 역학에 대한 우리의 관점을 어떻게 왜곡하는지를 정확히 조사합니다. 컴퓨터 시뮬레이션과 통합 인간 마이크로바이옴 프로젝트(Integrative Human Microbiome Project)의 실제 데이터를 결합하여, 연구진은 근본적인 질문을 던졌습니다. 흩어진 몇 개의 데이터 포인트를 볼 때, 우리는 시스템이 단일한 안정 상태로 돌아가는 것인지, 아니면 완전히 다른 두 개의 안정 상태 사이를 도약할 수 있는 것인지를 진정으로 구별할 수 있는가? 그들의 연구는 우리가 데이터를 샘플링하는 방식이 실제 생물학에는 존재하지 않는 안정성 또는 불안정성의 환상을 만들어낼 수 있음을 밝혀냈습니다.

연구진은 먼저 진실을 통제할 수 있는 디지털 실험실을 구축했습니다. 그들은 공이 두 개의 골짜기 중 하나에 쉴 수 있는 상태처럼, 두 개의 안정 상태를 가진 것으로 알려진 대사 시스템의 컴퓨터 모델을 만들었고, 또한 단 하나의 안정 상태만을 가진 모델도 만들었습니다. 그런 다음 이 시스템들을 인간 연구에서 나타나는 것과 동일한 희소하고 불규칙한 타이밍으로 관찰한다면 어떤 일이 벌어질지 시뮬레이션했습니다. 결과는 극명했습니다. 관찰이 시스템이 두 골짜기 사이를 이동하는 것을 포착할 만큼 빈번할 때는, 컴퓨터가 두 개의 안정 상태를 가진 지형을 정확히 식별했습니다. 그러나 관찰 사이의 시간이 길어질수록, 두 번째 골짜기를 보는 능력은 사라졌습니다. 희소한 데이터가 주어지면, 복잡한 두 개의 골짜기 지형은 마치 하나의 단순한 골짜기처럼 보였습니다. 시스템이 변한 것이 아니라, 관찰자가 전이를 놓친 것입니다. 결정적으로, 연구진은 그 반대의 경우는 일어나지 않는다는 것을 발견했습니다. 즉, 단 하나의 안정 상태만을 가진 시스템은 희소하게 관찰되더라도 결코 두 개의 상태를 가진 것처럼 잘못 나타나지 않았습니다. 이는 무엇을 신뢰할 수 있고 무엇을 신할 수 없는지에 대한 명확한 위계를 설정해 주었습니다. 즉, 단일 안정 상태를 탐지하는 것은 비교적 견고하지만, 다중 안정 상태를 식별하는 것은 가능한 움직임의 전체 범위를 포착할 수 있는 밀도 높고 빈번한 샘플링을 필요로 한다는 것입니다.

그 후 연구팀은 시간 경과에 따라 대변 샘플을 제공한 네 명의 피험자로부터 얻은 실제 데이터에 이 프레임워크를 적용했습니다. 샘플 간격은 14일에서 124일 사이로 매우 불규칙했으며, 중앙값은 41일이었습니다. 이들에 대한 대사 지형을 재구성하려고 했을 때, 데이터는 다중 안정 상태의 증거를 보여주지 않았습니다. 모든 피험자는 단 하나의 단순한 휴식점을 가진 것으로 나타났습니다. 그러나 연구진은 이것이 이 사람들이 실제로 복잡한 역학을 결과적으로 결여하고 있다고 결론 내리지 않도록 주의했습니다. 대신, 그들은 희소한 샘플링 간격이 잠재적인 전이를 포착하기에는 너무 넓었다는 점을 언급했습니다. 시뮬레이션에서와 마찬가지로, 실제 데이터 역시 만약 존재하더라도 복잡한 다중 골짜기 지형을 드러내기에는 너무 파편화되어 있었을 가능성이 큽니다.

연구팀은 또한 시스템이 변화 후에 얼마나 빨리 튀어 오르는지를 설명하기 위한 수치인 '회귀 계수(return coefficient)'를 계산하는 일반적인 관행을 조사했습니다. 네 명의 피험자 중 세 명의 데이터에서 음의 기울기가 나타났는데, 이는 흔히 회복력이나 복원력의 징후로 해석됩니다. 그러나 연구진이 순수한 무작위 행보(random walks)—복원력이 전혀 없는 시스템—를 시뮬레이션했을 때, 음의 기울기가 92% 이상의 사례에서 나타났으며, 측정 오차를 포함하면 거의 98%까지 치솟는다는 것을 발견했습니다. 이는 인간 데이터에서 관찰된 음의 기울기가 생물학적 회복력의 징후라기보다는, 희소한 샘플링과 측정 노이즈에 의한 수학적 인공물일 가능성이 매우 높다는 것을 의미합니다. 연구진은 이러한 수치들이 계산은 가능할지언대, 한 사람의 대사가 얼마나 빠르고 강하게 회복되는지에 대한 증거로서 신뢰될 수는 없다고 결론지었습니다.

마지막으로, 팀은 부티레이트 수치와 다른 대사산물 사이의 연결 고리를 찾아, 이러한 변화를 주도할 수 있는 특정 화학 물질이 있는지 확인하고자 했습니다. 그들은 모델의 적합성을 개선하는 것처럼 보이는 몇몇 후보들을 식별했지만, 무작위 가능성에 대해 엄격하게 테스트했을 때 그 연관성 중 어느 것도 유지되지 않았습니다. 이 결과는 해당 후보들이 향후 연구를 위한 흥미로운 대상이 될 수는 있지만, 현재의 데이터는 그것들을 진정한 대사 변화의 동인으로 확정하기에는 너무 얇다는 것을 시사합니다.

이 연구의 궁극적인 교훈은 과학적 연구를 설계하고 해석하는 방식에 대한 관점의 전환입니다. 저자들은 희소한 데이터에 기반하여 생물학적 시스템에 '안정' 또는 '불안정'이라는 라벨을 강제로 붙이는 일을 멈춰야 한다고 주장합니다. 대신, 특정 샘플링 일정이 실제로 무엇을 드러낼 수 있는지를 먼저 물어야 합니다. 만약 목표가 대사 시스템이 다중 안정 상태를 가지고 있는지 이해하거나 진정한 회복력을 측정하는 것이라면, 본 연구는 훨씬 더 밀도 높고 빈번한 관찰이 가능한 범위 전체를 커버해야 함을 보여줍니다. 이러한 밀도가 없다면, 우리의 모델은 수학적으로는 정밀할지 몰라도 과학적으로는 오도될 수 있으며, 생물학적 신호가 아닌 관찰 과정의 노이즈를 포착하게 될 것입니다. 이 프레임 프레임워크는 미래의 연구들이 자신들이 희망하는 복잡한 주장을 뒷받침할 수 있도록 충분한 시간적 해상도를 갖추어 설계되도록 하는 필수적인 현실 점검을 제공합니다.