2,234 attempts to harmonize a multi-platform B-cell lymphoma bulk transcriptomic dataset: ComBat is superior by cross-batch prediction quality

현대 의학의 세계에서 과학자들은 종종 세포 내부의 유전적 지침을 읽음으로써 질병을 이해하려고 노력합니다. 유전자 발현이라고 알려진 이 지침은 특정 순간에 세포가 무엇을 하고 있는지 보여주는 상세한 기록부와 같습니다. 연구자들이 림프종과 같은 혈액암 유형을 연구할 때, 그들은 이 기록에서 환자가 치료에 어떻게 반응할지 또는 얼마나 오래 생존할지를 예측할 수 있는 패턴을 찾기를 희고 합니다. 그러나 이러한 발견 앞에는 커다란 장애물이 놓여 있습니다. 바로 데이터 자체가 종종 일관되지 않다는 점입니다. 유전자 발현 기록은 서로 다른 기계에 의해, 서로 다른 화학적 레시피를 사용하여 작성되며, 전 세계의 다양한 실험실에 서로 다른 방식으로 저장됩니다. 마치 한 나라에서 수은 온도계로 측정한 온도와 다른 나라에서 디지털 온도로 측정한 온도가 일치하지 않을 수 있는 것처럼, 서로 다른 출처의 유전자 기록은 동일한 생물학적 실체를 설명하고 있음에도 불구하고 서로 전혀 다르게 보일 수 있습니다. 배치 효과(batch effect)라고 불리는 이러한 불일치는 질병의 미묘한 신호를 숨기거나 가짜 신호를 만들어내어, 신뢰할 수 있는 답을 찾기 위해 여러 연구의 데이터를 결합하는 것을 거의 불가능하게 만듭니다.

이를 해결하기 위해 과학자들은 이러한 차이점을 매끄럽게 다듬기 위해 설계된 수학적 도구인 '조화(harmonization)' 과정을 개발했습니다. 목표는 건강한 세포와 병든 세포 사이의 진정한 생물학적 차이를 지우지 않으면서도, 서로 다른 출처의 데이터가 마치 모두 동일한 실험실에서 생성된 것처럼 보이게 만드는 것입니다. 하지만 여기에는 함정이 있습니다. 이러한 도구들이 잘 작동하는지 측정하는 데 있어 합의된 단 하나의 방법이 없다는 점입니다. 어떤 과학자들은 데이터 포인트들이 지도상에서 얼마나 잘 군집을 이루는지 관찰하는 반면, 다른 이들은 데이터를 조정한 후에도 컴퓨터 프로그램이 암의 종류를 여전히 정확하게 식으로 식별할 수 있는지 확인합니다. 이러한 성공 측정 방식이 서로 다른 해결책을 제시하는 경우가 많기 때문에, 연구자들은 어떤 도구를 믿어야 할지 갈팡질팡해 왔습니다. 다니일 니키틴(Daniil Nikitin)과 아르센 아라켈리안(Arsen Arakelyan)의 새로운 연구는 수천 가지의 서로 다른 데이터 조화 방법을 테스트함으로써, "최선의" 도구는 전적으로 무엇을 측정하려 하는지에 달려 있으며, 가장 인기 있는 방법들이 환자의 예후를 예측하는 데 있어 반드시 가장 신뢰할 수 있는 것은 아니라는 사실을 밝혀냈습니다.

연구진은 88개의 서로 다른 연구 그룹에서 수집된 7,000명 이상의 B세포 림프종 환자로부터 얻은 방대한 유전 데이터 컬렉션으로 시작했습니다. 이 데이터셋은 다양한 기술로 처리된 샘플들이 뒤섞인 패치워크였으며, 복잡한 기술적 노이즈의 퍼즐을 형성하고 있었습니다. 그들은 이 데이터를 정화하기 위해 2,234가지의 서로 다른 수학적 방법 조합을 사용했습니다. 각 조합은 고유한 전략을 나타냈습니다. 어떤 방법은 기술적 노이즈를 부드럽게 제거하려 했고, 어떤 방법은 모든 것을 균일한 패턴으로 강제하기 위해 데이터를 공격적으로 재형성했습니다. 연구팀은 이 2,234가지의 모든 시도를 매우 다양한 테스트를 사용하여 평가했습니다. 그들은 단 하나의 자(ruler)만을 사용하지 않았습니다. 대신 다섯 가지 범주의 측정 기준을 사용했습니다. 어떤 테스트는 데이터가 얼마나 매끄럽고 균일해 보이는지를 확인했고, 다른 테스트는 생물학적 그룹이 여전히 뚜렷하게 유지되는지를 확인했으며, 세 번째 세트의 테스트는 컴퓨터가 한 번도 본 적 없는 샘플 배치에 대해 컴퓨터가 여전히 암의 종류를 정확하게 예측할 수 있는지 시뮬레이션하여 실제 임상 테스트를 수행했습니다.

결과는 놀라웠으며, 성공을 판단하는 서로 다른 방식들 사이에 깊은 갈등이 있음을 드러냈습니다. 연구진이 데이터를 공격적으로 재형성하여 모든 배치가 동일해 보이도록 만드는 방법들을 살펴보았을 때, 이 방법들은 데이터 포인트들이 얼마나 잘 섞이는지를 측정하는 테스트에서 매우 높은 점수를 받았습니다. 그러나 이와 동시에 이 공격적인 방법들은 진정한 생물학적 신호를 보존하는 데 있어서는 처참하게 실패했습니다. 이들은 의사들이 반드시 확인해야 하는 바로 그 차이점들을 깎아내 버린 것입니다. 반대로, 데이터에 매우 작고 부드러운 변화만을 준 방법들은 생물학적 신호를 완벽하게 보존했지만, 배치를 하나로 섞는 데는 실패하여 기술적 노이즈가 여전히 눈에 보이게 남겨두었습니다. 연구는 단 하나의 완벽한 영웅이 되는 방법은 없다는 것을 발견했습니다. 대신, 한 유형의 테스트에서 가장 잘 작동하는 도구가 다른 유형의 테스트에서는 형편없는 성적을 내는 경우가 많았습니다. 예를 들어, 데이터를 균일하게 만드는 데 탁월했던 방법들이 어떤 환자가 어떤 유형의 암을 가졌는지 예측하는 데는 엉망이었다는 것입니다.

가장 결정적인 발견은 연구진이 새로운, 보지 못한 데이터에서 질병의 하위 유형을 예측하는 능력에 초점을 맞추었을 때 나타났습니다. 이것은 의료 도구에 대한 궁극적인 테스트입니다. 만약 컴퓨터를 한 세트의 병원 데이터로 학습시켰을 때, 완전히 다른 병원의 환자들을 정확하게 진단할 수 있는가 하는 문제입니다. 이 특정 테스트에서, ComBat으로 알려진 도구군이 다른 모든 도구보다 일관되게 우수한 성능을 보였습니다. 이 방법들은 생물학적 신호를 온전히 유지하면서 기술적 노이즈를 제거함으로써 컴퓨터가 정확한 예측을 할 수 있도록 했습니다. 반면, 다른 연구에서 데이터를 섞는 능력으로 찬사를 받았던 일부 방법들은 해로운 것으로 드러났습니다. 그 방법들은 유전 정보를 너무 심하게 왜곡하여 서로 다른 유형의 림프종을 구별하는 능력을 파괴했습니다. 또한 연구는 시각적 검사나 단순한 클러스터링 맵에 의해 선택된 가장 인기 있는 방법들이 이러한 예측 테스트에서 최선이 아닐 수도 있다는 것을 보여주었으며, 이는 그래프상에서 좋아 보이는 것이 항상 실제 현장에서의 유용성으로 이어지지는 않는다는 점을 시사합니다.

연구진은 유전 데이터를 조화시키는 데 있어 보편적인 "최선의" 방법은 없다고 결론지었습니다. 방법의 선택은 전적으로 목표에 달려 있습니다. 목표가 단순히 데이터를 균일하게 보이게 하는 것이라면 공격적인 방법이 효과적일 수 있지만, 이는 생물학적 진실을 파괴할 위험이 있습니다. 만약 목표가 새로운 환자에 대한 질병을 예측할 수 있는 모델을 구축하는 것이라면, ComBat과 같은 부드럽고 특정한 방법이 훨씬 더 우수합니다. 이 연구는 향후 연구를 위한 새로운 6단계 프레임워크를 제안합니다. 이 프레임워크는 과학자들이 자신의 데이터를 판단하기 위해 단 하나의 테스트에만 의존해서는 안 된다고 제안합니다. 대신, 그들은 여러 가지를 확인해야 합니다. 데이터가 여전히 원래의 생물학적 형태를 유지하고 있는가? 서로 다른 배치들이 서로 일치하는가? 그리고 가장 중요한 것은, 정화된 데이터가 여전히 질병을 정확하게 예측할 수 있는가? 이러한 다층적인 접근 방식을 사용함으로써, 연구자들은 종이 위에서는 좋아 보이지만 실제 임상에서는 실패하는 도구의 함정을 피하고, 그들이 발견한 유전적 통찰력이 실제적이고 신뢰할 수 있는 것임을 보장할 수 있습니다.