The GRACE Cycle: A General Large-Language-Model Framework for Phenotype Discovery with Unknown Cluster Number

기술 요약: GRACE 사이클 (The GRACE Cycle)

문제 정의
표현형 발견(phenotype discovery)—데이터로부터 임상적 또는 생물학적으로 유의미한 하위 그룹을 식별하는 것—은 정밀 의료를 위해 필수적이지만, 세 가지 지속적인 병목 현상에 직면해 있습니다:

1. 알 수 없는 클러스터 수 ($K$): 기존의 클러스터링 알고리즘(예: k-means, 잠재 계층 궤적 모델링)은 $K$를 사전에 지정해야 합니다. 실루엣 점수(silhouette scores)와 같은 휴리스틱은 이질적인 모달리티 간에 전이되는 데 실패하는 경우가 많으며, 복잡한 만성 질환에서 진정한 표현형의 수는 연구자가 학습하고자 하는 바로 그 변수입니다.
2. 데이터 이질성: 임상 코호트는 표 형식의 인구통계학적 정보, 불규칙한 종단적 점수, 연속적인 웨어러블 스트림, 자유 텍스트 기록 등을 혼합합니다. 표준 파이프라인은 이러한 다양한 모달리티를 단일 거리 메트릭으로 강제하여, 해석에 필요한 구조적 정보를 종종 폐기합니다.
3. LLM 컨텍스트 제한에 대한 확장성: 대규모 언어 모델(LLM)은 이질적인 증거를 합성하는 데 탁월하지만, 컨텍스트 창(context window)의 제약을 받습니다. 임상 코호트는 $10^4$에서 $10^6$개의 엔티티를 초과할 수 있으며, 이는 단일 LLM 호출로 전체 데이터셋을 처리하는 것을 불가능하게 만듭니다. 나이브한 무작위 배칭(random batching)은 서로 다른 표현형을 섞일 위험이 있어 클러스터링의 목적을 저해합니다.

방법론: GRACE 사이클
저자들은 가설, LLM, 그리고 증거 기반이 서로 일치할 때까지 반복적으로 정제되는 프레임워크인 GRACE 사이클(가설 생성, 증거 검색, 정렬, 수렴, 평가)을 소개합니다. 이 프레임워크는 폐쇄 루프(closed loop) 내에서 작동합니다:

1. 가설 시딩(Hypothesis Seeding): 작동 가설이 루프를 시작합니다.
2. 증거 검색(Evidence Retrieval): LLM은 현재 가설 하에 엔티티의 배치를 읽습니다.
3. 정렬 및 반복(Alignment & Iteration): LLM은 가설을 확인, 거부 또는 부분적으로 지지하며, 특징(feature)의 추가 또는 제거를 제안합니다. 가설과 특징 집합은 업데이트됩니다.
4. 수렴(Convergence): 가설과 증거가 독립적인 재표본(resamples) 간에 일치할 때까지 루프가 반복됩니다.

알 수 없는 $K$ 문제를 해결하기 위해, GRACE는 이 사이클을 그래프-오브-소트(Graph-of-Thought, GoT) 정제 단계로 감쌉니다:

• 시드 클러스터링(Seed Clustering): 작은 시드 수($K_0$)에 대한 스펙트럴 클러스터링(spectral clustering)을 통해 각 클러스터에 대한 요약 카드(summary cards)를 생성합니다.
• LLM 정제: LLM은 이 요약 카드와 클러스터 간 유사도 행렬을 읽습니다.
• 결정 동작(Decision Moves): LLM은 세 가지 동작 중 하나를 제안합니다: 분할(SPLIT) (내부 이질성이 감지된 경우), 병합(MERGE) (클러스터가 중복되는 경우), 또는 확정(COMMIT) (파티션이 안정적인 경우).
• 종료(Termination): 두 개의 독립적인 무작위 서브샘플(subsamples) 간에 클러스터 수가 안정화될 때까지 프로세스가 반복됩니다.

기술적 기여

1. 프롬프트 설계: 다음을 통합하는 4개 구성 요소의 프롬프트 템플릿:
   • 작업 프레이밍(도메인 특화 역할).
   • 직렬화된 엔티티 히스토리(관찰값의 연대기적 시퀀스).
   • 명시적인 활성 가설 문구.
   • 구조화된 JSON 출력(라벨, 근거, 그리고 SPLIT/MERGE/COMMIT 동작 포함).
   • 도구화(Instrumentation): 공정성 전처리(fairness pre-processing)와 쌍별 비교(pairwise-comparison) 배칭을 포함하여, LLM이 개별적으로 라벨을 붙이는 대신 유사한 엔티티들을 비교하도록 보장합니다.
2. 데이터 피딩 전략: $k$-최근접 이웃($k$-nearest-neighbour, $k$-NN) 유사도 그래프를 사용하여 대규모 코호트($10^4$–$10^6$ 엔티티)를 컨텍스트 예산 내의 배치로 압축합니다. 엔티티를 $k$개의 최근접 이웃과 함께 제시함으로써, 시스템은 대규모 환경에서도 비교 기반 학습의 신호 대 잡음비(signal-to-noise advantage)를 보존합니다.

주요 결과
프레임워크는 세 가지 이질적인 표현형 문제에 대해 검증되었습니다:

1. 롱 코비드(Long COVID) 하위 표현형(NIH RECOVER 코호트, $n=13,511$):

   • GRACE는 $K$를 지정하지 않고 세 가지 하위 표현형을 발견했습니다: 보호군(Protected) (낮은 부담, 높은 활동성), 반응군(Responder) (중간 정도의 부담, 시간 경과에 따른 회복), 불응군(Refractory) (지속적으로 높은 부담, 낮은 활동성).
   • 메커니즘: 이 하위 유형들은 단일 자율신경/포스트 바이럴 피로 축(autonomic/post-viral-fatigue axis)으로 설명됩니다. 불응군은 보호군에 비해 자율신경 실조증(dysautonomia)이 25배 더 풍부하게 나타났습니다.
   • 웨어러블 신호: 분리는 심박수 지표보다는 신체 활동량(일일 걸음 수)의 붕괴에 의해 주도되었습니다.
   • 매개 분석: 매개 분석 결과, 감염 전 BMI와 증상 부담 사이의 연관성은 급성 중증도(57.6%)에 의해 부분적으로 매개되지만, 여전히 유의미한 직접 효과를 유지함을 확인했습니다.
   • 안정성: 부트스트랩 자카드(Bootstrap Jaccard) 안정성이 0.97을 초과했습니다.

2. 파킨슨병 운동 하위 유형(PhysioNet gaitpdb, $n=93$):

   • GRACE는 사전 $K$ 지정 없이 두 가지 보행 하위 유형(불안정한 보행-Unstable-gait 및 보존된 보행-Preserved-gait)을 발견했습니다.
   • 검증: 추출된 하위 유형은 보류된 임상 점수(Timed-Up-and-Go, Hoehn–Yahr 단계, UPDRS)에 대해 외부 검증되었으며, 유의미한 분리($p=0.002$ for TUG)를 보여주었습니다.
   • 일반성: 이는 별도의 재지정 없이 질병과 센서 모달리티(발 센서 보행)를 가로질러 전이되는 프레임워크의 능력을 입증했습니다.

3. 추가 웨어러블 코호트:

   • 제2형 당뇨병(CGM): 보류된 HbA1c 수치에 대해 검증된 두 가지 혈당-일(glycemic-day) 하위 유형을 발견했습니다.
   • 우울증(Actigraphy) 및 심장(Holter HRV): GRACE는 이러한 구조가 범주형 진단 라벨을 완벽하게 예측하지 못할 때조차도, 생리학적으로 실재하는 구조(예: 자율신경 균형 축)를 식별하여 웨어러블 전용 하위 유형화의 경계를 명확히 했습니다.

의의
본 논문은 GRACE가 LLM이 가설 수정 에이전트, 증거 독자, 그리고 소프트 클러스터 할당 오라클(oracle) 역할을 동시에 수행하는 최초의 프레임워크라고 주장합니다. 주요 의의는 다음과 같습니다:

• $K$ 출력: GRACE는 $K$를 입력 하이퍼파라미터로 취급하는 대신, 검증 가능한 그래프 컷(graph-cut) 기준을 통해 표현형의 수를 출력으로서 회복합니다.
• 확장성: $n=13,511$의 코호트까지 로컬 LLM 호환 아키텍처를 사용하여 확장 가능하며, 엄격한 데이터 사용 협약(예: RECOVER) 하에 개인정보를 보호합니다.
• 도메인 불가지론(Domain Agnosticism): LLM 유도 반복 추론이 종단적, 보행 및 대사 데이터 모달리티 전반에서 전통적인 클러스터링을 대체할 수 있음을 입증했습니다.
• 해석 가능성: 결과적인 표현형은 통계적으로 분리 가능하며, 외부 검증을 거쳤고, 일관된 임상 메커니즘(예: 롱 코비드의 자율신경 구배)에 근거합니다.