Imputing relative abundances via Gaussian random fields

인간의 생물학은 결코 단 한 번의 스냅샷이 아닙니다. 그것은 시간이 흐름에 따라 펼쳐지는 하나의 이야기입니다. 마이크로바이옴 연구와 같은 분야에서 과학자들은 우리 몸속에 살고 있는 박테리아의 작은 공동체를 추적하며, 이들이 주 단위, 월 단위, 또는 년 단위로 어떻게 변화하고 이동하는지 관찰합니다. 이러한 공동체는 개별 박테리아의 수를 세는 것이 아니라, 마치 냄비가 끓어오르면서 국물의 재료 구성이 어떻게 변하는지를 보는 것처럼 서로 다른 유형들의 상대적인 비율을 통해 측정됩니다. 이러한 접근 방식은 한 개인의 내부 생태계가 가진 역동적인 건강 상태를 드러내기 때문에 매우 강력합니다. 그러나 이러한 종류의 장기적인 추적은 완벽하게 유지하기가 매우 어렵기로 유명합니다. 사람들이 진료 예약을 놓치기도 하고, 샘플이 운송 중에 분실되기도 하며, 기계가 데이터를 잘못 읽기도 합니다. 긴 타임라인에서 단 하나의 측정값이 누락되면 이야기는 끊어집니다. 데이터의 연속적인 흐름이 중단되면 건강이나 질병의 진정한 패턴을 파악하기 어려워지며, 종종 연구자들은 단지 데이터 한 조각이 빠졌다는 이유만으로 귀중한 정보를 버려야 하는 상황에 직면합니다.

이 문제를 해결하기 위해 연구자 안드레이 슈테른시스(Andrey Shternshis), 프라샨트 싱(Prashant Singh), 그리고 루이사 W. 휴거스(Luisa W. Hugerth)는 누락된 생물학적 퍼즐 조각을 채울 수 있는 새로운 방법을 개발했습니다. 그들은 기록된 다른 모든 정보를 바탕으로 누락된 샘플이 어떤 모습이었을지를 능숙하게 상상해 낼 수 있는 숙련된 이야기꾼과 같은 수학적 프레임워크를 만들었습니다. 단순히 가장 뻔한 답을 추측하거나 이전의 측정값을 복사하는 대신, 그들의 방법은 가우시안 랜덤 필드(Gaussian random field)라고 불리는 정교한 통계적 접근 방식을 사용합니다. 이 기술은 모델이 단일 샘플 내의 서로 다른 박테리아 간의 복잡한 관계와 특정 개인을 위한 이러한 관계가 시간이 지남에 따라 어떻게 진화하는지를 이해할 수 있게 해줍니다. 또한 이 모델은 데이터가 희소한 상황에서도 작동하도록 설계되었으며, 방대한 양의 데이터를 학습해야 하는 일반적인 인공지능 모델들이 흔히 겪는 노이즈 문제에 휘둘리지 않도록 적절한 수의 매개변수를 사용합니다.

이 새로운 방법의 핵심은 "구성적(compositional)" 데이터를 다루는 능력에 있는데, 이는 샘플의 모든 부분이 합쳐져 전체가 되어야 한다는 규칙을 준수한다는 것을 의미합니다. 만약 한 종류의 박테리아가 증가하는 것처럼 보인다면, 모델은 다른 것들의 상대적 양이 그에 따라 감소해야 함을 이해합니다. 나아가, 일부 박테리아는 너무 적은 수로 존재하여 감지되지 않을 수 있다는 점을 고려하여, 이를 단순히 '0'으로 처리하는 대신 매우 작은 값으로 취급함으로써 수학적 논리를 유지합니다. 모델은 단 하나의 추측치가 아니라 여러 가지 가능한 버전의 누락된 데이터를 생성함으로써 생물학의 자연스러운 불확실성을 포착합니다. 이를 통해 과학자들은 완성된 전체 데이터 세트를 사용하여 분석을 수행할 수 있으며, 결과적으로 최종 결론이 원래 기록의 공백을 고려하면서도 견고하게 도출될 수 있도록 합니다.

연구진은 실제 인간 참가자를 대상으로 한 세 가지 서로 다른 연구의 데이터를 사용하여 이 프레임워크를 테스트했습니다. 한 연구에서는 수백 명의 임신부를 대상으로 장내 박테리아를 조사하여 누가 산후 우울증을 겪을지 예측할 수 있는지 살펴보았습니다. 또 다른 연구에서는 영유아를 조사하여 어떤 아이들이 특정 음식 알레르기를 갖게 될지 예측했습니다. 세 번째 연구에서는 중년 성인의 장 샘플을 분석하여 인구 집단 내에서 가장 다양하게 변하는 종들에 대한 데이터를 얼마나 잘 재구성할 수 있는지 확인했습니다. 결과는 유망했습니다. 모델이 누락된 샘플을 채웠을 때, 생성된 데이터는 마지막 알려진 값을 그대로 가져오는 기존의 단순한 방법들보다 훨씬 더 실제 측정값에 근접했습니다. 더 중요한 것은, 이 재구성된 데이터 세트를 사용하여 건강 결과를 예측했을 때 정확도가 크게 향상되었다는 점입니다. 영유아의 경우, 모델은 0.72의 균형 정확도로 음식 알레르기를 성공적으로 식별해 냈는데, 이는 이전의 시도들보다 눈에 띄는 개선입니다. 임신부의 경우, 모델은 0.64의 균형 정확도로 산후 우울증을 예측하는 데 도움을 주었습니다.

이 연구가 특히 가치 있는 이유는 해석이 불가능한 '블랙박스' 알고리즘에 의존하지 않는다는 점입니다. 이 모델은 투명하여, 연구자들이 샘플 채취 시간이나 참가자의 특정 특성과 같은 가용 정보를 어떻게 사용하여 예측을 수행하는지 정확히 파악할 수 있습니다. 이 프레임ка는 누락된 데이터가 예외가 아닌 일상적인 현상인 인간 연구의 무질서한 현실과, 생물학적 트렌드를 이해하기 위해 완전하고 고품질의 데이터 세트가 필요하다는 요구 사이의 간극을 성공적으로 메워줍니다. 흩어진 기록을 생물학적 변화의 일관된 서사로 바꾸어 놓음으로써, 이 프레임워크는 통계적 엄밀함을 통해 누락된 타임라인을 재구성할 수 있는 실질적인 도구를 제공하며, 과학자들이 손실된 통찰력을 회복하고 더욱 신뢰할 수 있는 예측을 할 수 있도록 돕습니다.