UKBAnalytica: an integrated R package for scalable phenotyping and reproducible epidemiological analysis within the UK Biobank Research Analysis Platform

UKBAnalytica 기술 요약

문제 정의
UK Biobank(UKB)는 연결된 건강 기록, 유전 데이터 및 멀티오믹스 프로파일을 포함하여 약 500,000명의 참가자를 대상으로 하는 방대한 종단적 자원을 제공합니다. 그러나 이러한 데이터의 풍부함은 상당한 분석 병목 현상을 초e합니다. 연구자들은 데이터 정제, 다중 소스 질병 엔드포인트(예: ICD-10/9, 자기 보고, 사망 등록, OPCS-4 코드)의 조화(harmonization), 유병 사례(prevalent cases)와 발생 사례(incident cases)의 구분, 그리고 생존 분석 준비가 된 코호트 구축과 관련된 반복적이고 파편화된 워크플로우에 직면하곤 합니다. ukbtools, PHESANT, FastUKB와 같은 기존 도구들이 로컬 파일 관리, 표현형 전 범위 스캔(phenome-wide scans) 또는 RAP 중심의 추출과 같은 특정 측면을 다루고 있지만, 엔드포인트 정의를 생존 코호트 구축 및 다운스트림 역학 또는 머신러닝 분석으로 직접 연결하는 통합되고 경량화된 표현형 중심 프레임워크는 여전히 부족한 실정입니다.

방법론
저자들은 보안 연구 분석 플랫폼(RAP) 환경에 특화되어 설계된 확장 가능한 R 패키지인 UKBAnalytica를 개발했습니다. 이 패키지는 표현형 중심의 워크플로우를 기반으로 작동하며, 이질적인 데이터 소스를 재사용 가능한 객체로 추상화하여 분석 파이프라인을 표준화합니다.

1. 데이터 추출 및 전처리: 패키지는 RAP 표현형 필드를 검색하는 함수(rap_extract_pheno, get_variable_info)를 포함합니다. 인구통계학, 바이오마커, 생활 방식 및 유전학을 다루는 52개의 사전 정의된 베이스라인 변수와 15개의 큐레이션된 변수 세트(167개 필드 항목 포함)를 제공하여 수동 재코딩 과정을 줄여줍니다.
2. 다중 소스 표현형 정의: 핵심 기능은 331개의 큐레이션된 질병 정의 라이브러리입니다. 이 정의는 ICD-10/9, 자기 보고된 상태, 사망 등록 기록, OPCS-4 코드, 암 등록 데이터 및 알고리즘으로 정의된 결과 등 다양한 증거 소스를 통합합니다. 사용자는 get_predefined_diseases()를 통해 이를 검색하거나 create_disease_definition()을 사용하여 커스텀 정의를 구성할 수 있습니다.
3. 코호트 구축: build_survival_dataset() 함수는 질병 기록을 처리하여 베이스라인 평가 날짜를 기준으로 유병 사례와 발생 사례를 구분합니다. 이 함수는 추적 관찰 시간(follow-up time)을 계산하고, 검열 상태(censoring status)를 할당하며, 전향적 분석에 필요한 시간적 순서를 명시적으로 처리하여 분석 준비가 된 생존 데이터셋을 생성합니다.
4. 다운스트림 분석 모듈: 패키지는 다음과 같은 통합 프레임워크를 제공합니다:
   • 역학: 베이스라인 요약(create_baseline_table), 회귀 모델링(Cox, logistic, linear, GLM, GAM)을 위한 run_regression, 하위 그룹/상호작용 분석, 그리고 민감도 분석(예: 지연된 이벤트 제외)을 제공합니다.
   • 고급 통계: 다중 대체(via mice), 성향 점수 매칭/가중치 부여, 인과 매개 분석을 포함합니다.
   • 머신러닝: 분류 및 생존 모델링(XGBoost, Random Forests, Cox 모델 포함)을 위한 하이퍼파라미터 튜닝, 교차 검증, SHAP 기반 해석성을 갖춘 엔드 투 엔드 워크플로우(ukb_ml_flow)를 제공합니다.
   • 시각화: 포레스트 플롯(forest plots), Kaplan-Meier 곡선, ROC/PR 곡선, SHAP 플롯을 위한 출판 가능한 그래픽을 제공합니다.
5. AI 통합: 패키지는 연구자가 분석 코드를 작성하는 것을 돕는 동시에 엄격한 데이터 프라이버시 프로토콜을 준수(AI 에이전트가 개별 수준의 RAP 데이터에 접근하는 것을 방지)하는 14개의 재사용 가능한 에이전트 스킬(skill pack)을 포함합니다.

주요 결과
UKBAnalytica의 유용성은 UK Biobank RAP 내에서 혈장 단백체 데이터를 이용한 **발생 만성 폐쇄성 폐질환(COPD)**에 대한 엔드 투 엔드 케이스 스터디를 통해 입증되었습니다.

• 코호트: 연구는 50,172명의 참가자(발생 COPD 사례 2,427건)를 분석하였으며, 이를 훈련 세트와 내부 검증 세트로 나누었습니다.
• 단백체 시그니처: Cox 회귀 분석을 통해 훈련 세트에서 발생 COPD와 유의하게 연관된 163개의 단백질을 식별했습니다(Bonferroni 보정 적용). 가장 강력한 신호는 GDF15(HR = 1.51)였습니다. 검증 세트에서는 69개의 단백질이 유의성을 유지했으며, 63개가 훈련 세트와 중복되었고 161개가 일관된 방향성을 보였습니다(Pearson r = 0.895).
• 생물학적 해석: 농축 분석(Enrichment analysis) 결과, 이 단백질들을 면역 및 염증 과정(예: 선천 면역 반응, 보체 활성화)과 연결 지었습니다. 단백질-단백질 상호작용 네트워크는 백혈구 활성화 및 지질 대사와 관련된 4개의 뚜렷한 기능적 클러스터를 식별했습니다.
• 예측 모델링: 임상 공변량과 단백체 데이터를 결부터한 XGBoost 모델은 가장 높은 판별력(AUC = 0.824)을 달성하였으며, 이는 단백질만 사용한 모델(AUC = 0.804)이나 임상 변수만 사용한 모델(AUC = 0.800)보다 우수한 성능을 보였습니다. SHAP 분석은 모델이 생물학적으로 관련 있는 단백질(예: GDF15, ADM, AGER)을 우선순위에 두었음을 확인해 주었습니다.
• 위험 계층화: 보정된 위험 점수는 참가자들을 저위험, 중위험, 고위험 그룹으로 효과적으로 계층화하였으며, 저위험 그룹과 비교했을 때 중위험 및 고위험 그룹의 위험비(hazard ratios)는 각각 4.52와 17.78이었습니다.
• 강건성: 민감도 분석(이른 시기의 이벤트 제외, 흡연 조절, 천식 제외)을 통해 단백질-COPD 연관성의 안정성을 확인했습니다.

의의 및 주장
저자들은 UKBAnalytica를 기존 도구의 대체재가 아닌, 데이터 추출과 복잡한 모델링 사이의 간극을 메우는 보완적이고 통합적인 프레임워크로 정의합니다.

• 재현성 및 투명성: 질병 정의를 추상화하고 코호트 구축을 표준화함으로써, 이 패키지는 반복적인 스크립팅을 줄이고 연구 전반에 걸쳐 일관된 엔드포인트 정의를 보장합니다.
• 워크플로우 효율성: 단일 R 환경 내에서 표현형 큐레이션을 통계 및 머신러닝 모델링으로 직접 연결하여, 모델별 입력 파일을 다시 구축할 필요를 없앱니다.
• 생물학적 타당성: COPD 케이스 스터디는 이 프레임워크가 기존 문헌과 일치하는 생물학적으로 신뢰할 수 있는 신호(예: surfactant protein D, AGER, CEACAM6)를 복구할 수 있음을 보여줌으로써, 바이오마커 기반 연구에서의 유용성을 입증했습니다.
• 접근성: 패키지는 무료로 제공되며, 광범한 문서화가 되어 있고, 로컬 데이터 다운로드 없이도 보안 클라우드 환경에서 재현 가능한 RAP 기반 생물 의학 연구를 촉진하도록 설계되었습니다.

결론적으로, UKBAnalytica는 보안 클라우드 환경에서 UK Biobank 데이터를 활용하여 투명한 엔드 투 엔드 분석을 수행하고자 하는 연구자들에게 실용적이고 확장 가능하며 표현형 중심적인 솔루션을 제공합니다.