CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

대장암은 전 세계적으로 주요한 사망 원인이며, 종종 치료가 완전히 효과적이기에는 너무 늦게 발견된다는 점 때문에 발생합니다. 대변 속의 숨겨진 혈액을 찾는 것과 같은 현재의 선별 검사 방법들은 유용하지만 불완전합니다. 이러한 검사들은 질병의 초기 징후를 놓치거나, 건강한 사람들을 불필요하고 침습적인 후속 조치로 몰아넣을 수 있습니다. 최근 몇 년 동안 과학자들은 우리 장 속에 살고 있는 수조 개의 미세한 생물체, 즉 마이크로바이옴(microbiome)에 주목해 왔습니다. 이러한 미생물 군집은 암이나 전암 단계의 성장이 발생할 때 변하는 독특한 화학적 서명을 남깁니다. 과학자들의 희망은 이러한 미생물 패턴을 분석함으로써 의사들이 혈액 검사만으로 하는 것보다 더 정확하게 고위험군 개인을 식별할 수 있게 되는 것입니다. 그러나 이러한 생물학적 신호를 신뢰할 수 있는 의료 도구로 전환하는 과정은 매우 어렵습니다. 데이터는 무질서하고, 암 환자보다 건강한 사람이 훨씬 더 많으며, 연구자들이 데이터를 처리하는 방식에 따라 결과가 급격히 달라질 수 있어 어떤 방법이 실제로 효과적인지 알기 어렵기 때문입니다.

이러한 복잡성을 헤쳐 나가기 위해 리즈 대학교의 연구팀은 CrcBiomeScreen이라는 새로운 오픈 소스 도구를 개발했습니다. 이들은 단순히 단 하나의 "최선"의 암 예측 방법을 제안하는 대신, 다양한 전략을 나란히 테스트하여 어떤 전략이 압박 속에서도 견뎌내는지 확인할 수 있는 유연한 프레임워크를 구축했습니다. 연구진은 이 시스템을 사용하여 영국에서 진행 중인 실제 선별 검사 프로그램에 참여한 2,200명 이상의 대변 샘플과 전 세계 9개의 독립적인 데이터 세트를 분석했습니다. 그들의 목표는 데이터를 어떻게 정제하는지, 서로 다른 유형의 박테리아를 어떻게 측정하는지, 그리고 컴퓨터 모델이 암 사례가 드문 상황을 어떻게 처리하는지와 같은 구체적인 단계들이 어떻게 가장 정확하고 신뢰할 수 있는 예측을 이끌어내는지 알아내는 것이었습니다.

연구진은 컴퓨터가 학습을 시작하기 전의 선택이 매우 중요하다는 것을 발견했습니다. 그들은 각 샘플에서 채취된 유전 물질의 양 차이를 조정하는 과정인 데이터 정규화(normalization) 방의 여러 가지 방법을 테스트했습니다. 연구진은 미생물 군집의 독특한 구조를 고려하는 GMPR이라는 특정 방법이 기존의 더 단순한 방법들보다 일관되게 더 나은 결과를 생성한다는 것을 발견했습니다. 또한, 실험실에서 성공적으로 배양되지 않은, 흔히 "미배양(uncultured)"이라고 불리는 박테리아를 포함하는 것이 중요한지도 조사했습니다. 연구 결과, 이 신비로운 미배양 박테리아를 분석에 포함하는 것이 모델의 성능을 해치지 않으며, 오히려 그렇지 않으면 손실될 수 있는 질병에 대한 귀중한 단서를 보존할 수 있음을 보여주었습니다. 나아가, 연구진은 관련 종들을 하나의 그룹으로 묶는 넓은 범주인 속(genus) 수준에서 박테리아를 관찰하는 것이 최적의 균형을 제공한다는 것을 확인했습니다. 이 수준의 상세함은 생물학적으로 의미가 있을 만큼 구체적이면서도, 서로 다른 실험실과 시퀀싱 기술 간에 일관되게 인식될 수 있을 만큼 광범위했습니다.

암 선별 검사의 주요 장애물은 건강한 사람과 질병을 가진 사람 사이의 엄청난 불균형입니다. 실제 선별 검사 프로그램에서는 암 환자 한 명당 수백 또는 수천 명의 건강한 개인이 존재합니다. 만약 컴퓨터 모델이 암 사례가 너무 많은 데이터 세트로 학습된다면, 실험실에서는 잘 작동할지 몰라도 일반 대중에게 적용되었을 때는 처참하게 실패할 수 있습니다. 연구팀은 건강한 대조군이 암 사례보다 훨씬 더 많은 경우를 만들어 이 극단적인 불균형을 시뮬레이션했습니다. 그들은 클래스 가중치(class weighting)라는 기법이 필수적이라는 것을 발견했습니다. 이 접근 방식은 컴퓨터가 학습 중에 희귀한 암 사례에 더 많은 주의를 기울이도록 지시하여, 건강한 사람을 올바르게 식별하는 능력을 잃지 않으면서도 질병에 대한 민감도를 효과적으로 높여줍니다. 이 가중치를 적용했을 때, 모델은 암 사례를 포착하는 능력을 유지하면서도 건강한 사람이 병이 있는 것으로 잘못 분류되는 횟수를 크게 줄였습니다. 이러한 정밀도의 향상은 선별 검사에서 매우 중요한데, 이는 불필요한 대장 내시경과 그로 인한 불안감을 피하는 데 도움을 주기 때문입니다.

연구진은 이 모델들이 영국의 데이터 세트에서 전 세계 9개국의 완전히 다른 인구 집단으로 옮겨졌을 때 얼마나 잘 작동하는지 테스트했습니다. 여기서 컴퓨터 알고리즘의 선택이 놀라운 차이를 만들었습니다. 랜덤 포레스트(Random Forest)라고 알려진 한 유형의 모델은 학습 데이터가 제한적이거나 인구 집단이 매우 다른 상황에서도 매우 안정적이고 신뢰할 수 있는 성능을 보였습니다. 또 다른 유형인 XGBoost는 크고 다양한 데이터 세트로 학습되었을 때 더 강력한 성능을 발휘하여 높은 정확도를 달 데이터가 적을 때는 더 많은 변동성을 보였습니다. 이 연구는 모든 상황에서 가장 잘 작동하는 단 하나의 "마법의 탄환" 알고리즘은 없다는 것을 시사합니다. 대신, 최선의 접근 방식은 가용한 데이터의 크기와 성격에 달려 있습니다.

궁극적으로 CrcBiomeScreen의 가치는 투명성과 유연성에 있습니다. 이 도구는 연구자들에게 단 하나의 경직된 방법을 강요하지 않습니다. 대신, 다양한 옵션을 비교할 수 있는 구조화된 방법을 제공하여, 최종적으로 선택된 도구가 해당 데이터 세트에 가장 적합한 것임을 보장합니다. 데이터 처리, 미배양 박테리아의 포함, 그리고 클래스 가중치의 사용에 대한 세심한 주의가 성능을 크게 향м상시킬 수 있음을 입증함으로써, 이 연구는 더 신뢰할 수 있는 마이크로바이옴 기반 선별 도구를 개발하기 위한 로드맵을 제시합니다. 이러한 모델들이 아직 기존의 검사들을 대체할 준비가 된 것은 아니지만, 이는 단순한 대변 검사를 통해 누가 긴급한 의료 조치를 필요로 하는지를 더 정확하게 식별하여 대장암을 더 일찍 발견하고 더 많은 생명을 구하는 미래를 향한 중요한 진전입니다.