Bayesian Multi-Modal Latent-State Inference for n=4 Deep-Space Crew Analogues: A Reproducible Methodology Pipeline for the NASA Artemis II Human Research Data Challenge

기술 요약: n=4 심우주 승무원 아날로그를 위한 베이지안 다중 모달 잠재 상태 추론

문제 정의
본 논문은 $n=4$ 명의 우주비행사, $p \gg n$ 개의 특징을 가진 "소표본-고차원(small-n, high-p)" 체계로 특징지어지는 NASA Artemis II 인체 연구 데이터 챌린지 데이터셋으로부터 신뢰할 수 있는 과학적 통찰을 추출하는 통계적 과제를 다룬다. 핵심적인 어려움은 혈액, 마이크로바이옴, MRI, 행동 설문 등 고차원의 다중 모달 출력을 가진 세 가지 동시 연구를 분석하는 데 있으며, 여기서는 표본 크기가 불충분하고 피험자 간 이질성이 구조화되어 있어 전통적인 귀무가설 검정이나 점 추정 절차가 실패한다. 저자들은 America COMPETES 법안으로 인해 챌린지 참여 자격이 없었으나, 공공 데이터인 SpaceX Inspiration4 아카이브($n=4$ 명의 민간인, 3일간의 저궤도 미션)를 대체 아날로그로 사용하여 재현 가능한 방법론 파이프라인을 개발하였다.

방법론
제안된 파이프라인은 구조화된 AI 보조, 인간 감독 워크플로우(Zhou et al., 2026의 생성자-평가자 패턴 준수) 내에서 세 가지 통계적 구성 요소를 통합한다:

1. 데이터 조화(Data Harmonization): 9개의 서로 다른 Inspiration4 모달리티(전혈 RNA-seq, 마이크로바이옴, 사이토카인 패널 포함)를 공통의 피험자-시점 그리드(6개 시점: L-92 ~ R+82)에 정렬하여 마스터 테이블($24 \times 1112$)을 구축하였다. 결측치는 베이스라인 모델을 위해 임의의 값으로 채우지 않고 NaN으로 인코딩하였다.
2. 모달리티별 베이스라인: $k$-최근접 이웃($k=5$)을 사용하는 Leave-One-Subject-Out (LOSO) 교차 검증 프로토콜을 적용하였다. 불확실성은 Beta–Binomial 사후 분포를 사용하여 정확도에 대한 95% 신뢰 구간(CrI)을 생성함으로써 정량화하였으며, 이는 작은 테스트 세트($n_{test} \approx 5\text{--}7$)에 부적합한 정규 근사를 피하기 위함이다.
3. 계층적 베이지안 로지스틱 회귀: 규제화된 호스슈 수축(Horseshoe shrinkage, Carvalho et al., 2010)을 적용한 모델을 심혈관 모달리티(18개 특징)에 적합시켰다. 이 접근법은 피험자별 절편과 전역/지역 수축 파라미터를 사용하여 $p \gg n$ 체계에서 정직한 보정(honest calibration)을 회복한다. 추론은 PyMC의 No-U-Turn Sampler (NUTS)를 통해 수행되었다.
4. 다중 모달 잠재 상태 융합: 7개의 모달리티(1110개 특징)를 융합하기 위해 $K=2$인 확률적 요인 모델(Probabilistic factor model)을 적합시켰다. 비행 전후 상태의 분리 가능성을 평가하기 위해 잠재 공간에 선형-가우시안 분류기를 적용하였다.
5. 유의성 검정: 개별 특징 검정의 실패를 해결하기 위해, 융합된 다중 모달 표현에 대해 라벨 순열 검정(Label-permutation test)을 실시하여 결합된 신호가 우연을 초과하는지 결정하였다.

주요 결과

• 모달리티별 성능: 9개 모달리티에 대한 LOSO 정확도는 0.40에서 0.69 사이였다. 오직 소변 사이토카인(정확도 0.688, 95% CrI [0.47, 0.84])과 심혈관 특징(정확도 0.679, 95% CrI [0.49, 0.82])만이 거리 기반 베이스라인 하에서 우연보다 유의미하게 높은 신호를 보였다. 마이크로바이옴 분류학과 같은 고차원 모달리티는 우연 수준(약 0.40)의 성능을 보였다.
• 분류기 민감도: 정보가 풍부한 모달리티의 순위는 추정기에 따라 의존적임이 밝혀졌다. $k$-NN 하에서는 소변 사이토카인이 앞섰으나, Random Forest 분류기 하에서는 혈청 사이토카인 및 마이크로바이옴 모달리티의 성능이 개선됨(각각 최대 0.804 및 0.652)으로써, $k$-NN이 고차원 체계에서 정보를 과소평가함을 시사했다.
• 계층적 보정: 호스슈 모델은 평균 Brier 점수 0.224와 평균 95% CrI 폭 0.775를 달성하여, 점 분류기가 실패하는 지점에서 정직한 불확실성 정량화를 입증하였다. 사후 분포는 18개의 심혈관 특징 중 약 2개가 감지 가능한 신호를 운반하고 있음을 나타냈다.
• 잠재 상태 및 융합: 요인 모델은 4명의 승무원에 대해 뚜렷한 개별 궤적을 회복하였다. 결정적으로, 융합된 다중 모달 표현에 대한 라벨 순열 검정 결과 실증적 $p = 0.026$(정확도 0.708 vs. 영가설 평균 0.489)을 얻었다. 이는 단일 바이오마커가 다중 검정 보정을 통과하지 못했음에도 불구하고(1112개 특징 중 0개가 $q < 0.05$에서 유의함), 융합된 데이터 내에 통계적으로 유의미한 비행 전/후 서명(signature)이 존재함을 나타낸다.
• 특징 효율성: 18개 특징의 심혈관 패널이 406개 특징의 소변 사이토카인 패널과 동등한 분류 효용을 달달성하여, "특징 효율성 경계(feature-efficiency frontier)"를 확립하였다.

의의 및 주장
본 논문은 다중 모달 융합이 개별 특징 분석으로는 보이지 않는 우주 비행 서명을 어떻게 회복할 수 있는지를 극단적인 소표본 체계($n=4$)에서 입증하며, 재현 가능한 오픈 사이언스 방법론 파이프라인을 제공한다고 주장한다.

• 방법론적 기여: 개별 바이오마커가 유의하지 않을 때, 압축된 다중 모달 패널의 결합 모델링이 통계적으로 방어 가능하며 운영적으로 효율적임을 확립한다.
• 데이터 자원: 저자들은 조화되고 분석 준비가 된 마스터 테이블($24 \times 1112$)과 전체 코드베이스를 공개하여, $n=4$ 심우주 아날로그 문제에 대한 재사용 가능한 커뮤니티 자원으로 제공한다.
• 워크플로우 혁신: 본 연구는 생성자-평가자의 명시적 분리와 인간 참여 체크포인트를 포함한 구조화된 AI 보조 워크플로우를 기록하며, 단일 독립 연구자가 저널 수준의 엄밀성을 생산할 수 있음을 보여준다.
• 주장의 겸손함: 저자들은 관찰된 효과 크기가 더 긴 기간의 Artemis II 미션에 대한 하한선임을 명시하며, 유의성이 모집단 효과 크기에 대해 보정된 것이 아니라 고정된 분석 파이프라인에 특화된 것임을 인정한다. 또한 현재 $n=4$ 설정의 방법론적 경계로서 두 번째 잠재 차원의 "rank-1 collapse"를 결함이 아닌 현상으로 인정한다.

본 작업은 향-Artemis II 실제 데이터에 대한 미래 연구를 촉진하기 위해 경쟁적 제출 제한을 우회하여 NASA 인체 연구 프로그램 커뮤니티에 공개적으로 기여하는 바이다.