XG-PUL: A Network-Based Framework for Disease Gene Prioritization Using Graph Representation Learning and Positive-Unlabeled Learning

XG-PUL의 기술적 요약: 질병 유전자 우선순위 지정을 위한 네트워크 기반 프레임워크

문제 정의
질병 관련 유전자의 식별은 약물 표적 발굴 및 바이오마커 개발에 매우 중요하지만, 실험적 검증에는 많은 비용과 시간이 소나됩니다. 생물학적 네트워크에 기반한 계산적 방법들이 대안을 제시하고 있으나, 이들은 근본적인 문제에 직면해 있습니다: 바로 신뢰할 수 있는 음성 예시(negative examples)의 부재입니다. 질병 유전자 우선순위 지정에서, 확인된 질병 관련 유전자는 제한적인 반면(양성 클래스), 나머지 대다수의 유전자는 확정된 음성이 아니라 레이블이 지정되지 않은 상태(unlabeled)입니다. 이러한 미지정 유전자를 신뢰할 수 있는 음성으로 취급하는 것은 체계적인 편향과 레이블 불확실성을 초래하여, 표준 지도 학습 모델의 성능을 저하시킵니다. 기존 방식들은 특히 복잡한 네트워크 토폴로지를 통합하는 과정에서 이러한 "양성-미지정(Positive-Unlabeled, PU)" 환경을 효과적으로 처리하는 데 어려움을 겪는 경우가 많습니다.

방법론
저자들은 단백질-단백질 상호작용(PPI) 네트워크를 사용하여 PU 학습 조건 하에서의 질병 유전자 우선순위 지정을 해결하기 위해 설계된 머신러닝 프레임워크인 XG-PUL을 제안합니다. 이 프레임워크는 다단계 파이프라인을 통해 작동합니다:

1. 데이터 큐레이션: 본 연구는 BioGRID에서 유래한 인간 PPI 네트워크(약 19,761개의 유전자 및 682,195개의 상호작용 포함)와 DisGeNET의 유전자-질병 연관성을 활용합니다. 유방암, 조현병, 대장암을 포함한 10가지 복합 질환을 분석했습니다.
2. 그래프 표현 학습: 클래스 레이블에 의존하지 않고 잠재적인 구조적 관계를 포착하기 위해, 프레임워크는 Node2Vec을 사용하여 저차원 노드 임베딩을 생성합니다. 저자들은 네 가지 임베딩 구성(차원 및 워크 파라미터 변화)을 체계적으로 평가하였으며, 다양한 질병에 대해 안정적인 성능을 보인 HighDim 구성($d=256$)을 선택했습니다.
3. 특징 통합: Node2Vec 임베딩은 차수 중심성(degree centrality), 매개 중심성(betweenness centrality), PageRank, 근접 중심성(closeness centrality), 클러스터링 계수(clustering coefficient)와 같은 명시적인 그래프 토폴로지 특징들과 결러됩니다. Random Forest 분류기를 사용하여 불순도 기반 중요도 점수에 따라 특징을 순위화하며, 예측 성능과 계산 효율성의 균형을 맞추기 위해 가장 정보력이 높은 상위 150개 특징을 유지합니다.
4. Bagging 기반 PU 학습: 음성 샘플의 부재를 처리하기 위해, XG-PUL은 bagging 기반 PU 분류기를 사용합니다. 이 전략에서는 다음과 같이 진행됩니다:
   • 알려진 질병 유전자(시드 유전자)가 양성 훈련 세트 역할을 합니다.
   • 미지정 유전자 풀(unlabeled gene pool)을 부트스트래핑을 통해 반복적으로 재샘플링하여 대리 음성 세트를 생성합니다.
   • 이러한 부트스트랩 샘플들에 대해 여러 분류기를 훈련시킵니다.
   • 발견되지 않은 질병 유전자를 음성으로 취급함으로써 발생하는 편향을 줄이기 위해 최종 예측을 집계(예: 확률 평균화)합니다.
   • 이 분류기에 사용되는 기본 학습기는 XGBoost입니다.
5. 유전자 순위 지정: 앙상블 모델은 모든 후보 유전자에 대해 질병 연관 점수를 할당하여, 각 대상 질병에 대한 순위 리스트를 생성합니다.

주요 결과
XG-PUL은 DIAMOnD, RWR(Random Walk with Restart), MCL, 그리고 XGDAG의 변형들(GNNExplainer 및 GraphSVX)을 포함한 대표적인 네트워크 기반 및 그래프 학습 베이스라인들과 비교 평가되었습니다.

• 수치적 성능: 10가지 복합 질환 전체에서 XG-PUL은 AUPR(Precision-Recall 곡선 아래 면적)과 F1-score at K=500에서 일관되게 우수한 성능을 달연했습니다. 예를 들어, 유방암의 경우 XG-PUL은 AUPR 0.6522, F1@500 0.1768을 달성하여, 각각 0.5442와 0.1152를 기록한 차순위 방법(XGDAG-GraphSVX)을 능가했습니다. 또한 경쟁력 있거나 우월한 AUC-ROC 점수를 유지했습니다.
• 강건성: 프레임워크는 다양한 순위 임계값(K)에 걸쳐 일관된 성능을 보여주었으며, 이는 다양한 후보 리스트 크기에 대해 관련 유전자를 효과적으로 우선순위화할 수 있는 능력을 나타냅니다.
• 생물학적 검증: Enrichr를 이용한 기능적 농축 분석 결과, 상위 순위 후보들은 질병 관련 경로(예: 조현병의 신경 신호 전달, 유방암의 면역 조절)에 유의미하게 농축되어 있었습니다. 특정 질병의 상위 10개 후보에 대한 문헌 검토 결과, 알려진 질병 관련 유전자(예: 유방암의 MAP2K6, USP15; 조현병의 GRID2, ITGB2)가 우선순위 리스트의 상단에 등장하여, 모델이 생물학적으로 의미 있는 표적을 회복할 수 있음을 확인했습니다.

주요 기여

• 새로운 프레임워크: 레이블 독립적인 네트워크 임베딩(Node2Vec)을 PU 학습 환경 내에서 명시적인 토폴로지 특징과 독특하게 통합한 XG-PUL을 도입했습니다.
• 레이블 불확실성 처리: 신뢰할 수 있는 음성 샘플의 부재로 인한 편향을 완화하기 위해 XGBoost를 사용한 bagging 기반 PU 전략을 적용했습니다. 이는 질병 유전자 발견의 흔한 병목 현상입니다.
• 특징 시너지: 잠재적 네트워크 임베딩을 명시적 토폴로지 기술자와 결합하는 것이 임베딩만을 사용하는 것보다 더 나은 예측 성능을 낸다는 것을 입증했습니다.
• 포괄적 평가: 10가지 다양한 복합 질환에 대한 엄격한 벤치마킹을 통해, 최신 상태(state-of-the-art)의 네트워크 기반 및 그래프 학습 방법들을 지속적으로 능가함을 보여주었습니다.

의의 및 주장
본 논문은 XG-PUL이 불완전한 생물학적 지식으로 특징지어지는 시나리오에서 질병 유전자 우선순위 지정을 위한 강력한 프레임워크를 제공한다고 주장합니다. 미지정 유전자를 음성으로 가정하는 것을 피함으로써, 이 방법은 체계적인 편향을 줄이고 진정한 질병 관련 유전자의 회복을 개선합니다. 저자들은 이 접근 방식이 현재의 주석을 넘어 질병 관련 경로 및 분자 기전에 관여하는 유전자를 효과적으로 식별한다고 주장합니다.

연구는 네트워크 표현 학습을 PU 학습과 통합하는 것이 새로운 질병 관련 유전자를 발견하기 위한 실행 가능한 전략임을 결론짓습니다. 다만, 저자들은 프레임워크가 정적이고 맥락 독립적인 PPI 네트워크 및 큐레이션된 데이터베이스에 의존한다는 점을 언급하며, 이것이 잘 연구된 유전자에 대한 편향을 유발하거나 조직 특이적 또는 아형(subtype) 특이적 변이를 포착하지 못할 수 있다는 한계를 겸허히 인정했습니다. 그들은 향후 연구에서 멀티오믹스 데이터와 맥락 특이적 발현 프로파일을 통합하여 질병 모듈 식별을 더욱 정교화할 수 있을 것이라고 제안합니다.