Do higher-order moments improve inference of population dynamics?

인체 내부에는 끊임없이 움직이며, 매 끼니와 면역 반응, 그리고 환경의 변화에 따라 그 수와 상호작용이 변하는 미생물들의 거대한 미세 세계가 존재합니다. 특히 장내 미생물 군집은 정적인 세포의 집합체가 아니라, 탄생과 죽음이 무작위로 일어나는 자연스러운 기복을 만들어내는 역동적인 시스템입니다. 과학자들은 이러한 미생물 공동체의 규칙을 이해하여, 이들이 어떻게 변화할지 혹은 어떻게 더 건강한 상태로 유도될 수 있을지를 예측하고자 오랫동안 노력해 왔습니다. 이를 위해 연구자들은 미생물의 성장과 상호작용을 설명하려는 수학적 모델을 구축합니다. 그러나 커다란 과제는 항상 데이터 자체였습니다. 침습적인 절차 없이 모든 미생물을 지속적으로 모니터링할 수 없기 때문에, 우리는 단지 몇 개의 시간적 스냅샷만을 얻을 수 있을 뿐입니다. 더욱이, 이러한 스냅샷을 분석하는 전통적인 방식은 종종 집단의 평균적인 행동에만 집중하여, 서로 다른 개체나 실험 반복 사이에서 발생하는 자연스러운 변동성을 무시하곤 합니다. 이러한 접근 방식은 데이터에 숨겨진 상당한 양의 정보를 버리는 것과 같습니다.

독일 막스 플랑크 진화 생물학 연구소의 연구팀은 잃어버린 정보를 복구하여 모델의 정확도를 높일 수 있는지 확인하기 위해 한 가지 근본적인 질문을 던졌습니다. 만약 우리가 단순히 미생물의 평균 수치뿐만 아니라, 샘플 간에 그 수치가 얼마나 변하는지까지 살펴본다면, 미생물 공동체의 근본적인 규칙에 대해 더 많은 것을 배울 수 있을까 하는 점이었습니다. 이 연구에서 연구진은 컴퓨터 시뮬레이션을 사용하여 실제 세계에서 과학자들이 수집하는 것과 유사한 노이즈가 섞인 제한된 형태의 인공 시계열 데이터를 생성했습니다. 그런 다음, 이 데이터에 수학적 모델을 적합시키는 두 가지 서로 다른 방법을 테스트했습니다. 첫 번째 방법은 해당 분야에서 흔히 쓰이는 방식으로, 미생물 군집의 평균적인 추세에만 모델을 맞추는 것이었습니다. 두 번째 방법은 더 야심 찬 것으로, 모델이 평균적인 추세뿐만 아니라 변동의 패턴, 즉 여러 시뮬레이션 실험을 통해 서로 다른 미생물 군집이 어떻게 함께 요동치는지를 모두 일치시키도록 요구하는 것이었습니다.

결과는 명확하고 설득력이 있었습니다. 연구진이 분석에 변동성 정보(2차 모멘트)를 포함했을 때, 평균값에만 의존했을 때보다 올바른 생태학적 매개변수를 찾아낼 확률이 훨씬 높았습니다. 이러한 개선은 미생물의 절대적인 개체 수를 다룰 때 가장 두드러졌으며, 이를 통해 모델은 성장률과 상호작용의 강도를 훨씬 더 정밀하게 짚어낼 수 있었습니다. 변동 데이터의 포함은 단순히 정확도를 높이는 데 그치지 않고, 연구진이 답에 대해 더 확신을 갖게 해주었습니다. 각 매개변수의 가능한 값의 범위가 눈에 띄게 좁아졌는데, 이는 모델이 넓은 오차 범위 내에서 추측하는 것이 아니라 실제 값을 향해 수렴하고 있음을 시사합니다. 이러한 발견은 미생물이 단순히 자원을 두고 경쟁하는 경우든, 혹은 상호 지원과 억제의 복잡한 망을 형성하는 경우든 관계없이 다양한 유형의 공동체 모델에 적용되었습니다.

하지만 이 연구는 이 접근 방식이 모든 상황에서 완벽하게 작동하는 마법의 탄환은 아니라는 점도 밝혀냈습니다. 연구진은 이 방법의 성공 여부가 서로 다른 정보들을 어떻게 결합하느냐에 크게 달려 있다는 것을 발견했습니다. 평균 수치와 변동 수치는 서로 다른 척도로 측정되기 때문에, 수학적 계산 과정에서 한쪽이 다른 쪽을 압도하지 않도록 세심하게 균형을 맞춰야 했습니다. 연구팀은 이 요소들에 가중치를 부여하는 구체적인 방식과 컴퓨터의 최적화 과정을 중단시키는 규칙이 최종적인 추론의 질에 상당한 차이를 만든다는 것을 발견했습니다. 또한, 데이터가 절대적인 개체 수가 아닌 상대적인 비율로 제시될 때 이 방법은 어려움을 겪었습니다. 전체 양은 고정되어 있고 비율만 변하는 상대적 데이터의 경우, 변동성을 포함하더라도 실제 근본 매개변수를 추론하는 능력이 현저히 떨어졌습니다. 이는 변동성을 살펴보는 것이 강력한 도구이긴 하지만, 데이터가 상대적인 점유율이 아닌 실제 인구 규모를 명확히 보여줄 때 가장 효과적임을 시사합니다.

또한 이 연구는 해당 분야의 지속적인 난제를 강조했습니다. 공동체 내 미생물 유형의 수가 증가함에 따라 그들의 구체적인 상호작용을 파악하는 작업은 점점 더 어려워집니다. 연구진은 희귀하거나 개체 수가 적은 미생물과 관련된 매개변수가 풍부한 미생물보다 훨씬 더 정확하게 추론하기 어렵다는 것을 관찰했습니다. 이는 실제 미생물 군집이 수백 종의 종을 포함하며 그중 다수가 매우 적은 수로 존재한다는 점을 고려할 때 매우 중요한 한계입니다. 연구팀은 자신들의 방법이 지배적인 종들에 대한 추론은 개선했지만, '롱 테일(long tail)'이라 불리는 희귀 종들을 이해하는 문제는 완전히 해결하지 못했다고 언급했습니다. 아울러, 이들의 시뮬레이션은 노이즈의 유일한 원인이 탄생과 죽음 사건의 자연스러운 무작위성이라고 가정했다는 점도 지적했습니다. 현실 세계에서는 측정 오차와 환경적 변동이 이 연구에서 다루지 못한 또 다른 복잡성의 층위를 더합니다.

궁극적으로, 이 연구는 미생물 생태계를 이해하기 위한 정교한 길을 제시합니다. 미생물 군집의 수치 변동 속에 생명의 규칙에 대한 귀중한 단서가 들어있음을 입증함으로써, 이 연구는 과학자들이 단순한 평균을 넘어 보아야 한다고 독려합니다. 장내 미생물 군집이나 이와 유사한 공동체의 역동성을 진정으로 이해하려면, 신호(signal)뿐만 아니라 소음(noise)에도 주목해야 한다는 것입니다. 비록 이 방법이 세심한 조정이 필요하고 절대적인 데이터를 사용할 때 가장 잘 작동하지만, 이는 복잡한 생물학적 시스템을 움직이는 숨겨진 매개변수들을 추정하는 데 있어 더 강력한 토대를 제공합니다. 이 연구는 미생물 생태계라는 퍼즐 전체를 풀었다고 주장하는 것이 아니라, 생명의 자연스러운 변동성을 모델에 통합함으로써 우리가 이 보이지 않는 공동체가 어떻게 기능하는지에 대한 더 명확하고 확실한 이해에 다가갈 수 있음을 보여줍니다.