Graph-Regularised Multi-Omics Autoencoders Improve Stability and Clinical Coherence of Breast Cancer Patient Embeddings

기술 요약: 유방암 환자 임베딩을 위한 그래프 정규화 다중 오믹스 오토인코더

문제 정의
다중 오믹스 암 데이터를 이용한 비지도 학습 기반의 환자 계층화는 독립적인 훈련 실행 간에 동시에 안정적이고, 기하학적으로 조직되어 있으며, 임상적으로 유의미한 학습 표현(representation)을 필요로 한다. 표준 오토인코더 프레임워크는 일반적으로 분자 입력을 구조화되지 않은 평면 벡터로 취급하여, 단백질-단백질 상호작용(PPI) 네트워크에 인코딩된 풍부한 상호작용 토폴로지를 버린다. 기존의 그래프 기반 접근 방식들이 존재하지만, 이들은 종종 구조적 사전 지식(structural priors)을 지도 학습 목적 함수나 아키텍처 복잡성과 혼동하여, 구조적 편향(structural bias)의 구체적인 기여도를 분리해내는 데 어려움을 겪는다. 본 연구는 생물학적으로 동기 부여된 유도 편향(inductive bias)이—학습 목적 함수와 특정 아키텍처 설계를 통해 도입되었을 때—비지도 다중 오믹스 임베딩의 안정성, 기하학 및 임상적 관련성에 미치는 영향을 이해하는 격차를 해결하고자 한다.

방법론
저자들은 TCGA-BRCA 코호트(941명의 환자, 13,001개 유전자, 4가지 오믹스 양상: RNA-seq, 복제수 변이(CNV), DNA 메틸화, 체세포 돌연변이)를 대상으로 세 가지 오토인코더 변형 모델에 대한 통제된 비교를 수행하였다. 모든 모델은 잠재 차원($d=64$)을 일치시켰으며, 엄격하게 비지도 하이퍼파라미터 선택 방식을 따랐다.

1. 베이스라인 오토인코더 (BAE): 입력 손상(corruption)과 생물학적 사전 지식이 없는 표준 오토인코더로, 모든 유전자 특징을 독립적인 것으로 취급한다. 이는 평탄화된 환자 수준의 MLP를 활용한다.
2. 디노이징 오토인코더 (DAE): BAE와 동일한 아키텍처(평탄화된 환자 수준 MLP)를 공유하지만, 명시적인 구조적 사전 지식 없이 통계적 견고성을 높이기 위해 확률적 입력 손상(가우시안 노이즈, $\sigma=0.3$)을 도입한다.
3. 그래프 정규화 디노이징 오토인코더 (GR-DAE): 이 모델은 수정된 아키텍처와 손실 함수를 통해 PPI 구조를 도입한다.
   • 아키텍처: 베이스라인의 평탄화된 환자 수준 MLP와 달리, GR-DAE는 각 유전자의 4차원 오믹스 벡터를 독립적으로 처리하는 공유 가중치 기반의 유전자별 MLP 인코더를 사용하며, 이를 통해 유전자 수준의 잠재 표현($Y \in \mathbb{R}^{G \times 64}$)을 생성한다. 환자 임베딩은 이러한 유전자 표현들에 대한 평균 풀링(mean pooling)을 통해 도출된다.
   • 손실 함수: 훈련 목적 함수는 유전자별 재구성 평균 제곱 오차(MSE)에 라플라시안 평활도 페널티(Laplacian smoothness penalty)를 추가한다(STRING v11, 신뢰도 $\ge 0.85$에서 유도된 대칭 정규화 라플라시안 $L_{sym}$ 사용):
     $$L_{GR-DAE} = L_{recon} + \lambda \text{Tr}(Y^\top L_{sym} Y)$$
     이 항은 PPI 네트워크에서 연결된 유전자들 사이의 잠재적 불일치를 처벌하여, 상호작용하는 유전자들이 잠재 공간 내에서 유사한 위치를 점유하도록 강제한다.
   • 하이퍼파라미터 선택: 정규화 강도 $\lambda$는 임상 라벨을 사용하지 않고, 순수하게 비지도 안정성 기준(교차 재시작 클러스터링 안정성 및 기하학적 보존)에 기반한 그리드 서치를 통해 선택되었다. 최적의 값은 $\lambda = 10^{-6}$으로 결정되었다.

주요 기여

• 유도 편향의 격리: 본 연구는 PPI 기반 라플라시안 정규화의 효과를 디노이징 및 라벨 기반 목적 함수로부터 격리하는 실험적 프레임워크를 설계하였다. 프레임워크에는 아키텍처 변화를 부분적으로 고려하기 위한 비정규화된 유전자별 변형 모델($\lambda=0$)이 포함되어 있으나, 저자들은 유전자별 아키텍처와 명시적 그래프 사전 지식의 기여를 완전히 분리하는 것은 향후 연구 과제로 남겨두었다고 명시하였다.
• 안정성의 정량화: GR-DAE가 유전자별 아키텍처와 결합되었을 때, 라벨이 없는 프로토콜 하에서도 비구조화된 베이스라인에 비해 교차 재시작 안정성(across-restart stability)과 잠재 기하학 보존 능력을 실질적으로 개선함을 입증하였다.
• 임상 인코딩 분석: PPI 정보가 반영된 구조가 잠재 공간에 인코딩된 임상 정보를 어떻게 재형성하는지 정량화하였으며, 특히 전이 상태(metastatic status)가 지배적인 조직화 요인으로 부상함을 강조하였다.
• PAM50과의 상보성: PPI 정보 기반 임베딩과 확립된 PAM50 분자 아형 간의 관계를 규명하여, 이들이 중복되는 것이 아니라 상보적인 조직화를 보여준다는 것을 입증하였다.

결과

• 표현 안정성: GR-DAE는 DAE에 비해 교차 재시작 안정성에서 월등한 성능을 보였다. 5회의 독립적인 훈련 시드에 대한 클러스터링의 조정 랜드 지수(ARI)는 DAE의 0.861에서 GR-DAE의 0.980으로 증가하였다. 마찬가지로, 잠재 기하학 보존(쌍별 거리 행렬의 스피어먼 상관계수)은 0.915에서 0.997로 향상되었다.
• 잠재 기하학: 라플라시안 항의 도입은 "차원 붕괴(dimensionality collapse)"를 일으켰다. DAE는 분산의 90%를 설명하기 위해 13개의 주성분이 필요했던 반면, GR-DAE는 단 3개만을 필요로 했다. 첫 번째 주성분은 DAE의 24.6%와 비교하여 GR-DAE에서는 59.5%의 분산을 설명하였으며, 이는 더 조직화되고 비등방성(anisotropic)인 잠재 공간을 나타낸다.
• 임상 연관성:
  • 클러스터 수준: GR-DAE의 비지도 클러스터는 전이 상태(M 분류, $p = 9.5 \times 10^{-8}$)와 매우 유의미한 연관성을 보였으나, DAE는 어떤 임상 변수와도 유의미한 연관성을 보이지 않았다.
  • 차원 수준: GR-DAE에서는 FDR 보정 후 64개 잠재 차원 중 60.9%가 전이 상태를 인코딩하고 있었던 반면, DAE에서는 0%였다.
• PAM50 정렬: GR-DAE 클러스터와 PAM50 아형 간의 파티션 수준 일치도(ARI/NMI)는 (비지도 대 지도 방식의 특성상 예상대로) 0에 가까웠으나, 카이제곱 검정 결과 매우 유의미한 통계적 의존성($\chi^2 = 108.7, p = 7.9 \times 10^{-16}$)이 드러났다. 이는 PAM50 아형가 PPI 정보 기반 클러스터에 비무작위적으로 분포되어 있음을 의미하며, 임베딩이 상보적인 분자 구조를 포착하고 있음을 시사한다.

의의 및 주장
본 논문은 생물학적으로 동기 부여된 단일 정규화 항이 유전자별 아키텍처 설계와 결합될 때, 비지도 다중 오믹스 임베딩의 잠재 기하학 및 임상 인코딩을 실질적으로 재형성할 수 있다고 주장한다. 저자들은 PPI 토폴로지가 가설 공간을 좁히는 "부드러운 구조적 자극(gentle structural nudge)" 역할을 하여, 국소 최솟값(local minima)의 다양성을 줄이고 더 재현 가능한 환자 계층화를 이끌어낸다고 상정한다.

연구는 PPI 기반 라플라시안 정규화가 비지도 표현 학습 파이프라인에서 저비용 고효율의 구성 요소로 고려되어야 한다고 결론짓는다. 나아가, 저자들은 비지도 임상 표현에 대해 독립적인 훈련 실행 간의 표현 안정성을 필수적인 평가 기준으로 채택해야 한다고 주장한다. 불안정한 임베딩은 다운스트림 모델이 성능이 좋아 보이더라도 일관되지 않은 임상적 결론을 초래할 수 있기 때문이다. 본 연구의 결과는 코호트 특이적이며, 추가적인 독립 데이터셋 검증을 목적으로 하는 가설 생성적 성격을 띤다.