Decoupling Accuracy and Explainability: Machine Learning Strategies for HbA1c Prediction and Biomarker Discovery in Blood FTIR Spectroscopy

기술 요약: FTIR 분광법을 통한 HbA1c 예측의 정확도와 설명 가능성 분리

문제 정의
당화 헤모글로빈(HbA1c)은 장기적인 혈당 조절 및 당뇨 관리를 위한 표준 바이오마커이다. 현재의 임상 정량화는 고성능 액체 크로마토그래피(HPLC) 및 면역 분석법과 같은 실험실 집약적 방법에 의존하고 있으며, 이는 특수 시약, 기기 및 시간을 필요로 하여 자원이 부족한 환경에서의 확장성을 제한한다. 푸리에 변환 적외선(FTIR) 분광법은 단백질 당화의 분자적 신호를 포착하는 시약이 필요 없는 신속한 대안을 제공한다. 그러나 복잡하고 중첩된 FTIR 스펙트럼을 임상적으로 해석 가능한 HbA1c 값으로 변환하는 것은 여전히 도전 과제이다. 기존의 접근 방식들은 종종 트레이드오프(trade-off)에 직면한다: 부분 최소 제곱 회귀(PLSR)와 같은 통계 모델은 예측력은 높지만 기계적 해석력이 부족한 반면, 피크 분해 방법은 생화학적 통찰력을 제공하지만 예측 정확도가 낮아질 수 있다. 따라서 높은 예측 정확도와 생화학적 설명 가능성의 균형을 맞추는 프레임워크가 필요하다.

방법론
본 연구는 건강한 참가자, 당뇨 전 단계 참가자, 당뇨병 환자로부터 수집된 673개의 전혈 샘플(이상치 제거 전 685개) 데이터셋을 활용하였다. 참조 HbA1c 값은 고성능 이온 액체 크로마토그래피를 통해 얻었다. FTIR 스펙트럼은 ATR-FTIR 분광기(Nicolet iS50)를 사용하여 4000–400 cm⁻¹ 범위에서 획득하였으며, 생물학적으로 유의미한 영역에 특히 집중하였다.

저자들은 세 가지 구별되고 시너지 효과가 있는 머신러닝 전략을 평가하였다:

1. 부분 최소 제곱 회귀 (PLSR): 800–1800 cm⁻¹ 및 2800–3400 cm⁻¹ 스펙트럼 영역에 대해 학습되었다. 데이터는 Savitzky-Golay 필터링(1차 미분)과 벡터 정규화를 사용하여 전처리되었다. 모델은 최적의 잠재 성분 수를 결정하기 위해 10-겹 교차 검증을 통해 최적화되었다(9개가 선택됨).
2. 합성곱 신경망 (CNN): McHardy 등의 연구에서 채택된 1D-CNN 구조를 사용하여 PLSR과 동일한 스펙트럼 영역에 대해 학습되었다. 모델은 두 개의 순차적인 합성곱 유닛(64개 필터, 커널 크기 5)을 사용하였고, ReLU 활성화 함수, 배치 정규화, 맥스 풀링(max-pooling), 그리고 완전 연결 밀집층(fully connected dense layers)을 거친다. 학습에는 Adam 옵티마이저와 평균 제곱 오차(MSE) 손실 함수가 사용되었다.
3. H2O AutoML을 이용한 곡선 피팅 (Curve Fitting): "지문(fingerprint)" 영역(1000–1720 cm⁻¹)에 집중하였다. 스펙트럼은 평활화(smoothing)되었고, 러버밴드(rubberband) 방식으로 기선 보정(baseline correction)되었으며 정규화되었다. 피크 분해는 JAXFit 패키지를 사용하여 pseudo-Voigt 함수를 통해 수행되었다. 결과로 도출된 피크 파라미터(위치, 면적, 높이, FWHM)가 H2O AutoML 모델의 특징(feature)으로 사용되었다.
4. 설명 가능한 AI (XAI): H2O AutoML 모델에 SHAP(SHapley Additive exPlanations) 값을 적용하여 특징의 기여도 크기와 방향을 정량화함으로써, 스펙트럼 피크를 생화학적 메커니즘에 연결하였다.

주요 결과

• 예측 성능: PLSR 모델은 독립 테스트 세트에서 가장 높은 예측 정확도($R^2 = 0.76$, RMSE = 1.16, MAE = 0.89)를 달성하였다. CNN 모델은 유사한 성능($R^2 = 0.73$, RMSE = 1.22, MAE = 0.94)을 보였으며, 이는 이 데이터셋에서 HbA1c를 결정짓는 주요 스펙트럼 관계가 주로 선형적이며, 비선형 효과는 부차적인 역할을 한다는 것을 시사한다. 곡선 피팅 접근법은 낮은 예측 성능($R^2 = 0.59$, RMSE = 1.51, MAE = 1.11)을 나타냈으나, 고품질의 스펙트럼 피팅($R^2 > 0.9999$)을 제공하였다.
• 생화학적 해석 가능성: SHAP 분석은 예측을 주도하는 특정 스펙트럼 특징들을 식별하였다. 주요 기여 요소는 다음과 같다:
  • 탄수화물/당화 밴드: 1011 cm⁻¹ 및 1030 cm⁻¹ (C–O/C–N 신축 진동)로, 포도당 유래 부가물 및 초기 당화와 관련이 있다.
  • 단백질 2차 구조: Amide III 영역(1302–1313 cm⁻¹) 및 Amide I/II 영역(1574, 1678, 1687 cm⁻¹)은 헤모글로빈과 혈청 단백질의 구조적 재배열(예: $\beta$-turn, $\alpha$-helix의 상실)을 나타낸다.
  • 지질/카르복실레이트 상호작용: 1366 cm⁻¹ 및 1390–1402 cm⁻¹의 피크는 지질 조성 및 아미노산(Asp/Glu)의 카르복실레이트 그룹과 연결된다.
• 모델 비교: PLSR과 CNN이 일반화 능력에서 뛰어났던 반면, 곡선 피팅 방법은 복잡한 스펙트럼을 분해하여 특정 당화 민감 피크를 격리하는 데 성공함으로써 예측의 생화학적 근거를 검증하였다.

의의 및 주장
본 논문은 이러한 모델링 접근 방식들을 서로 경쟁하는 대안으로 취급하는 것은 최선이 아니라고 주장한다. 대신, 저자들은 상호 보완적인 다중 모델 전략을 제안한다.

• 강점의 통합: 본 연구는 예측 모델(PLSR/CNN)과 메커니즘 분석(곡선 피팅)을 통합하는 것이 단일 모델만 사용하는 것보다 더 유익한 프레임워크를 제공한다는 것을 입증한다. PLSR과 CNN은 견고한 임상 예측에 필요한 광범위한 선형 및 비선형 패턴을 포착하며, 피크 분해 분석은 생화학적 해석 가능성과 메커니즘 검증을 보장한다.
• 임상적 잠재력: 이 전략은 비침습적 HbA1c 평가를 위한 확장 가능한 시약 없는 경로를 강조한다. 예측 성능과 설명 가능성을 결합함으로써, 이 접근 방식은 FTIR을 단순히 HbA1c의 대리물로 사용하는 것을 넘어, 단 한 번의 측정으로 더 넓은 생화학적 프로파일(지질, 단백질 구조, 핵산 등)을 밝혀낼 수 있는 다재다능한 스크리닝 플랫폼으로 활용할 수 있게 한다.
• 한계점: 저자들은 FTIR의 내재적 제약(물 흡수, 기선 변화), 곡선 피팅 시 특정 피크 형태 가정에 대한 의존성, 그리고 다양한 인구 집단에 대한 일반화 가능성을 확인하기 위한 더 크고 다양한 데이터셋의 필요성 등 한계점을 겸허히 인정하였다.

결론적으로, 본 연구는 다중 모델 프레임워크가 정확도와 설명 가능성 사이의 트레이드오프를 해소할 수 있음을 입증하며, FTIR 분광법을 이용한 당뇨 모니터링에 대한 메커니즘 기반의 접근 방식을 제시한다.