💻 생물정보학

A Benchmark of Unsupervised Circadian Phase Inference Methods for Bulk Transcriptomic Data

본 연구는 25개의 데이터셋에 걸쳐 10가지 비지도 생체 리듬 위상 추론 방법을 체계적으로 벤치마킹하여 CHIRAL이 가장 낮은 평균 오차를 보이는 최우수 성능의 방법임을 확인하는 한편, 방법론의 정확도가 데이터셋의 특성에 따라 달라지며 최우수 방법들이 샘플 수집 시간을 알 수 없는 경우에도 리듬 유전자 패턴을 효과적으로 복원해 낸다는 점을 입증하였다.

원저자: Purohit, S., Grant, G. R., Brooks, T. G.

게시일 2026-10-15

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Purohit, S., Grant, G. R., Brooks, T. G.

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

인체의 거의 모든 세포 내부에서는 조용한 내부 시계가 작동하며, 대략 24시간마다 반복되는 일일 활동 주기를 조절하고 있습니다. 서카디언 주기(circadian cycle)라고 알려진 이 리듬은 유전자가 언제 켜지고 꺼지는지를 결정하며, 대사 작용부터 약물 투여 시기까지 모든 것에 영향을 미칩니다. 서로 다른 조직에서 이 시계가 어떻게 작동하는지, 혹은 질병 상황에서 어떻게 잘못될 수 있는지를 이해하기 위해 과학자들은 조직 샘플이 하루 중 정확히 몇 시에 채취되었는지 알아야 합니다. 그러나 기존의 많은 의료 기록과 공공 데이터베이스에는 이 중요한 정보가 누락되어 있습니다. 연구자들은 샘플에 존재하는 유전자 패턴만을 바탕으로 하루 중 시간을 추측하는 컴퓨터 프로그램을 개발해 왔지만, 지금까지는 이러한 추측 도구들 중 어떤 것이 실제로 가장 잘 작동하는지를 체계적으로 테스트한 사례가 없었습니다.

펜실베이니아 대학교의 연구팀은 열 가지의 서로 다른 컴퓨터 프로그램을 엄격한 테스트에 부침으로써 이 문제를 해결하고자 했습니다. 그들은 이미 채취 시간이 알려진 인간과 생쥐의 실제 조직 샘플을 포함하여, 정교하게 구축된 컴퓨터 시뮬레이션을 포함한 25개의 서로 다른 데이터 세트를 수집했습니다. 목표는 각 프로그램이 유전자 목록을 보고 샘플이 채취된 시간을 얼마나 정확하게 식별할 수 있는지 확인하는 것이었습니다. 연구진은 프로그램의 추측값과 실제 시간 사이의 평균 시간 차이를 계산하여 성공 여부를 측정했습니다. 또한, 그들은 프로그램들이 개별 유전자의 일일 리듬을 올바르게 재구성할 수 있는지도 확인했는데, 이는 신체 시계가 어떻게 기능하는지 이해하는 데 필수적인 작업입니다.

결과는 도구들 사이에 명확한 계층 구조가 있음을 보여주었습니다. CHIRAL이라는 이름의 한 프로그램이 평균 오차 단 1.80시간으로 가장 정확한 것으로 나타났습니다. 이는 만약 샘플이 정오에 채취되었다면, CHALR는 보통 오전 10시 15분에서 오후 1시 45분 사이로 시간을 추정한다는 것을 의미합니다. TEMPO, CYCLOPS, CYCLOPS 2.0과 같은 프로그램들을 포함한 그다음 순위의 성과자들은 약 2.5에서 2.8시간 사이의 평균 오차를 보였습니다. 이들도 여전히 유용하긴 했지만, CHIRAL보다는 정밀도가 떨어졌습니다. 복잡한 알고리즘을 사용하지 않고 특정 12개 '시계 유전자'의 알려진 행동에만 의존하는 단순한 기준 방법(baseline method)은 약 2.15시간의 오차를 기록하며 상위 컴퓨터 프로그램들과 거의 대등한 성능을 보였습니다. 이 발견은 핵심 시계 유전자에 대한 깊은 지식이 그 자체로 강력한 도구가 될 수 있음을 시사합니다. 나머지 6개의 프로그램은 거의 4시간에서 5시간에 달하는 오차를 보이며 현저히 낮은 성능을 보였는데, 이는 무작위 확률보다 겨우 나은 수준의 부정확함입니다.

연구는 또한 이러한 프로그램들의 성공 여부가 제공받는 데이터의 품질에 크게 의존한다는 것을 밝혀냈습니다. 프로그램들은 조직 내 유전자들이 강하고 뚜렷한 일일 리듬을 보일 때 가장 잘 작동했습니다. 특정 인간 뇌 조직처럼 리듬이 약하거나 노이즈가 많은 데이터 세트에서는 가장 우수한 프로그램들조차 고전하며 오차가 거의 3시간까지 상승했습니다. 연구진은 상위 도구들의 정확도가 다양한 유형의 조직과 종에 걸쳐 일관되게 유지된다는 것을 발견했지만, 일부 프로그램은 데이터 준비 방식에 민ý한하다는 점도 발견했습니다. 예를 들어, 샘샘플 배치 간의 기술적 차이를 보정하는 것이 어떤 프로그램의 추측력을 향상시킨 반면, 다른 프로그램들의 정확도는 오히려 떨어뜨렸습니다. 또한, 연구진은 서로 다른 무작위 시작점을 사용하여 프로그램을 여러 번 실행함으로써 결과의 안정성을 테스트했습니다. 그 결과, 어떤 도구들은 매번 동일한 결과를 생성했지만, 어떤 도구들은 사용된 무작위 시드(random seed)에 따라 크게 달라졌는데, 이는 해당 도구들의 단일 실행이 신뢰할 수 없을 수도 있음을 의미합니다.

이러한 발견이 실제 세계에서도 유효한지 확인하기 위해, 연구팀은 채취 시간이 완전히 알려지지 않은 생쥐의 두 가지 대규모 데이터 세트에 프로그램을 적용했습니다. 그들은 프로그램의 추측값을 간 기능과 지방 조직에서 유전자가 일반적으로 정점에 도달하는 시기에 대한 기성 참조 자료와 비교했습니다. CHIRAL은 간 조직의 알려진 패턴과 일관되게 일치하는 유일한 프로그램이었던 반면, 어떤 프로그램도 지방 조직의 패턴을 신뢰성 있게 맞추지 못했는데, 이는 지방의 시계를 읽기가 더 어렵거나 참조 데이터가 불충분함을 시사합니다. 연구는 단일 도구가 완벽할 수는 없지만, 현재 벌크 조직 샘플로부터 시간을 추정하는 데 있어 CHIRAL이 가장 신뢰할 수 있는 선택이라고 결론짓습니다. 그러나 연구진은 어떤 추정치의 정확도라도 연구 대상이 되는 특정 조직의 생물학적 리듬의 강도에 달려 있다고 경고하며, 가장 중요한 응용 분야를 위해서는 여러 가지 방법이나 단순한 시계 유전자 기준법을 사용하는 것이 오류에 대비한 필수적인 점검 수단이 될 수 있다고 덧붙였습니다.

기술 요약: 벌크 전사체 데이터를 위한 비지도 생체 리듬 위상 추론 방법론의 벤치마크

문제 제기
유전자 발현의 생체 리듬(circadian rhythms)은 생물학적 타이밍, 약물 대사 및 질병 메커니즘을 이해하는 데 매우 중요하다. 그러나 많은 공개 전사체 데이터셋은 샘플 수집 시간이 누락되어 있어 직접적인 시계열 분석이 불가능하다. 수집 시간 없이 유전자 발현 행렬로부터 생체 리듬 위상을 추론하는 비지도 학습 방법들이 존재하지만, 이들에 대한 체계적인 비교는 이루어지지 않았다. 기존의 평가들은 개발자가 자신의 데이터셋을 사용하여 서로 다른 전처리 및 지표를 적용해 수행되었기에 잠재적인 편향이 발생할 수 있었다. 또한, 이러한 방법들이 다양한 생물학적 맥락에서 샘플 위상이나 하위 유전자 수준의 리듬(acrophase, amplitude, rhythmicity)을 얼마나 정확하게 재구성할 수 있는지는 여전히 불분명하다.

방법론
저자들은 10가지 비지도 위상 추론 방법과 2가지 클락 유전자(clock-gene) 베이스라인 접근법에 대한 체계적인 벤치마크를 수행하였다.

데이터셋: 평가는 알려진 참조 시간(reference times)이 포함된 25개의 데이터셋(인간 및 마우스 조직에 걸친 5개 연구의 실제 데이터 16개와 9개의 시뮬레이션 데이터)과 수집 시간이 없는 두 개의 마우스 데이터셋(Diversity Outbred 간 및 지방 조직)을 활용하였다. 데이터셋은 연구 간 의존성을 고려하여 6개의 "패밀리(families)"로 그룹화되었다.
평가 대상 방법:
- 비지도 방법: CHIRAL, TEMPO, CYCLOPS, CYCLOPS 2.0, COFE, DCPR, PENN, PROTECT, Cyclum, reCAT. 이들은 확률적 모델링, 신경망/오토인코더, 행렬 분해, 기하학적 순서 지정 등 다양한 전략을 사용한다.
- 베이스라인: 12개의 정형화된 클락 유전자 또는 단 2개의 유전자(ARNTL 및 NR1D1)의 주성분 분석(PCA)을 기반으로 위상을 할당하는 두 가지 단순 베이스라인.
평가 지표:
- 주 지표: 정렬된 원형 평균 절대 오차(Aligned Circular Mean Absolute Error, MAE). 이는 전역적 회전(global rotation)과 반사(reflection)를 최적화한 후 추론된 위상과 참조 위상 사이의 최단 원형 거리를 측정한다.
- 부 지표: 절대 피셔-리(Absolute Fisher–Lee) 원형 상관계수, 참조 시간으로부터 1시간 이내에 있는 샘플의 비율, 유전자 수준의 acrophase 및 amplitude 재구성, 그리고 리듬성 탐지(ROC AUC).
- 강건성 검증: 우연 수준의 성능을 설정하기 위한 순열 검정(Permutation tests), 무작위 시드(random seeds)에 대한 민감도 분석, 배치/공변량 조정(ComBat-seq, 회귀 분석), 그리고 시뮬레이션 변형(샘플링 설계, 샘플 크기, 파형 모양).
재현성: 저자들은 모든 방법의 발표된 결과를 재현하려고 시도하였으며, 8가지 방법에 대해서는 성공적으로 재현하였으나, 공개된 코드로 PENN와 PROTECT는 재현할 수 없었다.

주요 결과

성능 순위: CHIRAL은 가장 낮은 평균 정렬 MAE(1.80 h)를 기록하며 두 가지 클락 유전자 베이스라인(2.15 h 및 2.20 h)보다 우수한 성능을 보였다. TEMPO, CYCLOPS, CYCLOPS 2.0이 평균 오차 2.49–2.80 h로 그 뒤를 이었다. 나머지 6가지 방법(COFE, DCPR, PENN, PROTECT, Cyclum, reCAT)은 평균 오차가 3.91–4.86 h로 나타났으며, 이는 우연 수준(5.08–5.23 h)보다 약간 높은 수준이었다.
통계적 유의성: CHIRAL이 가장 낮은 평균 오차를 보였으나, 상위 방법들의 신뢰 구간은 상당 부분 겹쳤다. 사후 비교 결과, CHIRAL은 하위 성능 그룹(COFE, PENN, PROTECT)보다 통계적으로 우월했으나, TEMPO, CYCLOPS 또는 CYCLOPS 2.0과는 통계적으로 구분되지 않았다.
유전자 수준 재구성: 상위 4가지 방법(CHIRAL, TEMPO, CYCLOPS, CYCLOPS 2.0)과 베이스라인들은 중앙값 오차 0.18–0.64 h로 유전자 acrophase를 성공적으로 재구성하였고, 중앙값 ROC AUC 0.64–0.70으로 리드미컬한 유전자를 식별하였다.
정확도에 영향을 미치는 요인:
- 리듬 강도: 정확도는 데이터셋 내 클락 유전자의 리듬 강도와 강한 상관관계를 보였다(Spearment $\rho = -0.58$ ). 리듬이 약한 데이터셋(예: 인간 선조체)의 경우 모든 방법에서 높은 오차가 발생했다.
- 배치/공변량 조정: 조정의 영향은 방법에 따라 달랐다. ComBat-seq 보정은 CYCLOPS와 CYCLOPS 2.0의 성능을 크게 향상시켰으나, TEMPO의 성능은 저하시켰다. 특히, 시간과 상관관계가 있는 공변량(예: 사후 경과 시간)을 회귀 분석하여 제거하면 생체 리듬 신호가 제거되어 CHIRAL과 베이스라인의 오차가 우연 수준 이상으로 증가했다.
- 시뮬레이션 민감도: 시뮬레이션에서 CYCLOPS와 COFE는 매우 뛰어난 성능(오차 0.3–0.4 h)을 보였으나, 이것이 실제 데이터로 이어지지는 않았다. 이는 시뮬레이션 모델이 특정 방법의 가정에 유리할 수 있음을 시사한다.
- 무작위 시드: DCPR, TEMPO, PENN, PROTECT, Cyclum은 무작위 시드에 대한 민감도가 높았으나(표준편차 0.27–0.49 h), CHAL과 CYCLOPS는 매우 안정적이었다.
수집 시간이 없는 데이터셋: Diversity Outbred 마우스 데이터셋에서 CHAL은 간 조직에 대한 외부 참조 acrophase와 일치하는 유일한 방법이었다. 그러나 어떤 방법도 지방 조직의 참조 값과 일치하지 않았으며, 최상위 방법조차 조직 간 위상 일치도가 낮았다(상관계수 0.47).

의의 및 주장
본 논문은 통일된 프로토콜을 사용하여 비지도 생체 리듬 위상 추론 방법들을 독립적이고 체계적으로 비교한 첫 사례이다. 저자들은 다음과 같이 주장한다:

CHIRAL은 현재 벌크 RNA-seq을 위한 선도적인 방법으로, 가장 낮은 평균 오차와 데이터셋 전반에 걸친 일관된 성능을 제공하지만, TEMPO, CYCLOPS, CYCLOPS 2.0 또한 합리적인 대안이 될 수 있다.
클락 유전자에 대한 사전 지식은 유익하지만 충분하지는 않다. 클락 유전자를 사용하는 베이스라인들도 우수한 성능을 보였지만, CHIRAL에 의해 능가되었다. 그러나 생체 리듬 사전 지식에만 의존하는 방법들(예: DCPR)이 그렇지 않은 방법들보다 반드시 더 나은 성능을 보이는 것은 아니었으며, 이는 모델 구조와 데이터 처리가 똑같이 중요하다는 것을 나타낸다.
맥락이 중요하다. 이러한 방법들의 정확도는 데이터셋의 리듬 강도와 적용된 특정 전처리 단계(예: 배치 교정)에 크게 의존한다.
해석 시 주의 필요. 저자들은 이 순위가 테스트된 특정 구성 하에서의 성능을 반영하며, 일부 도구가 원래 설계된 목적이었던 다른 데이터 유형(예: 싱글 셀 또는 단백질체 데이터)으로 일반화되지 않을 수 있음을 강조한다. 또한, PENN와 PROTECT의 재현 실패가 해당 도구들에 대한 결론을 제한한다는 점을 언급한다.

연구는 비지도 위상 추론이 주석이 달리지 않은 전사체 데이터를 분석하기 위한 실행 가능한 도구이지만, 사용자는 선택한 방법의 안정성과 데이터셋의 특정 특성을 신중하게 고려해야 한다고 결론짓는다.

유사한 논문