A Two-step Feature Selection Framework for Computationally Efficient Machine Learning on Genome-wide SNP Data

인간 게놈은 네 가지 화학적 문자로 쓰인 생물학적 지침의 거대한 도서관입니다. 이 코드 안에는 단일 염기 다형성(SNP)이라 불리는 아주 작은 변이들이 존재하며, 이는 한 사람을 다른 사람과 구별 짓는 고유한 표식 역할을 합니다. 이러한 표식들은 전체 게놈에 걸쳐 흩어져 있으며, 과학자들이 수천 명의 사람으로부터 이를 수집하면 수천만 개의 유전적 지점을 포함하는 매우 방대한 데이터셋이 만들어집니다. 연구자들의 과제는 단순히 이 정보를 저장하는 것이 아니라, 그 의미를 파악하는 것입니다. 유전적 표식의 수가 연구 대상인 사람의 수를 훨씬 초과할 때, 표준 컴퓨터 프로그램은 노이즈 속에서 신호를 찾는 데 어려움을 겪습니다. 프로그램들은 종종 과부하가 걸려 오류를 일으키거나, 아예 존재하지 않는 수준의 컴퓨팅 파워를 요구하기도 합니다. 이는 유전적 차이가 한 사람의 조상이 어디에서 왔는지와 어떻게 연관되는지를 이해하는 데 있어 병목 현상을 일으키며, 이 질문은 현대 인구 유전학의 핵심을 관통하고 있습니다.

한국의 한 연구팀은 이 디지털 황무지를 항해할 수 있는 새로운 방법을 개발하여, 유전 데이터라는 거대한 산을 관리 가능한 경로로 바꾸어 놓았습니다. 그들은 26개국을 대표하는 3,000명 이상의 개인으로부터 얻은 유전 정보를 보유한 '1000 게놈 프로젝트(1000 Genomes Project)'의 데이터셋에 집중했습니다. 원시 데이터에는 약 6,100만 개의 SNP가 포함되어 있었는데, 이는 너무 큰 숫자여서 고급 머신러닝 도구를 사용하여 한꺼번에 분석하는 것은 일반적인 컴퓨터로는 불가능했습니다. 연구진은 이 유전적 표식들 중 대부분이 특정 지리적 기원을 식별하는 작업에는 중복되거나 정보 가치가 없다는 점을 깨달았습니다. 이를 해결하기 위해 그들은 데이터를 필터링하는 2단계 프로세스를 설계했는데, 먼저 명백한 노이즈를 제거한 다음 스마트한 알고리즘을 사용하여 가장 가치 있는 단서들을 찾아내는 방식이었습니다.

그들의 방법 중 첫 번째 단계는 가장 활발한 유전적 표식을 걸러내는 체 역할을 하는 광범위한 훑기였습니다. 연구팀은 각 SNP가 연구 대상자들 사이에서 얼마나 변이하는지를 계산했습니다. 변화가 거의 없는 표식들은 집단 간의 차이를 구별하는 데 도움이 되지 않기 때문에 제외되었습니다. 이 단순한 분산 기반 필터링을 통해 데이터셋은 6,100만 개의 표식에서 약 100만 개로 줄어들었습니다. 이는 엄청난 감소였지만, 여전히 가장 정교한 분석 도구들이 빠르게 처리하기에는 너무 큰 규모였습니다. 그러나 이 예비 단계는 불가능한 과제를 실질적인 과제로 전환해주었으며, 연구진이 막대한 비용이 드는 슈퍼컴퓨터 없이도 다음 단계로 넘어갈 수 있게 해주었다는 점에서 매우 중요했습니다.

두 번째 단계에서 연구진은 남은 100만 개의 표식에 XGBoost라는 강력한 머신러닝 도구를 적용했습니다. 이 도구는 어떤 특징이 예측을 수행하는 데 가장 중요한지를 학습하도록 설계되었습니다. 축소된 데이터셋을 통해 컴퓨터를 학습시킴으로써, 시스템은 사람이 어느 국가 출신인지 예측하는 데 얼마나 잘 도움이 되는지에 따라 SNP의 순위를 매길 수 있었습니다. 연구팀은 이처럼 거친 첫 번째 필터링 후에 스마트한 두 번째 선택 과정을 거치는 방식이, 전체 데이터셋에 바로 스마트한 도구를 사용하거나 무작위 선택을 사용하는 것보다 훨씬 더 효과적이라는 것을 발견했습니다. 실제로, 6,100만 개의 전체 표식에 스마트한 도구를 직접 적용했다면 약 1,250시간의 컴퓨터 시간과 방대한 양의 메모리가 필요했을 것이나, 그들의 2단계 방식은 약 50시간 만에 작업을 완료했습니다. 이는 효율성을 25배나 향상시킨 것으로, 고도의 유전 분석을 일반적인 하드웨어에서도 접근 가능하게 만들었습니다.

이 간소화된 프로세스의 결과는 놀라웠습니다. 엄선된 SNP의 부분 집합을 사용하여 연구진은 개인의 지리적 기원을 추측하는 분류기를 훈련시켰습니다. 많은 인구 집단에 대해 이 모델은 완벽에 가까운 정확도를 달ace했습니다. 예를 들어, 이 시스템은 핀란드, 일본, 그리고 여러 아프리카 집단의 개인들을 매우 적은 수의 유전 표식만을 사용하고도 거의 오류 없이 정확하게 식별해 냈습니다. 나이지리아의 에산(Esan) 부족 같은 일부 집단은 단 128개의 SNP만으로도 식별이 가능했던 반면, 푸에르토리코 인구와 같은 다른 집단은 동일한 수준의 정확도에 도달하기 위해 최대 8,192개의 표식이 필요했습니다. 이러한 차이는 서로 다른 집단이 서로 다른 유전적 구조를 가지고 있음을 시사하며, 어떤 집단은 이웃 집단보다 더 뚜렷한 특징을 가질 수 있음을 보여줍니다. 또한 이 연구는 영국인과 같이 서로를 구별하기 어려운 집단이 존재한다는 사실도 밝혀냈는데, 이는 공유된 유전적 역사와 인구 집단 내의 높은 다양성 때문인 것으로 보입니다.

이러한 성공에도 불구하고, 연구진은 자신들의 작업이 가진 한계를 명시하는 데 주의를 기울였습니다. 그들은 자신들의 방법이 모든 유전적 질문에 대한 완벽한 해결책이라기보다는, 분석을 가능하게 만드는 도구라는 점을 인정했습니다. 일부 국가에 대한 정확도가 여전히 보통 수준이었던 것에 대해, 그들은 표본 크기가 작다는 점과 정치적 국경이 항상 유전적 경계와 일치하지 않는 복잡한 현실 때문이라고 설명했습니다. 또한 그들은 이 연구가 현대 사회에서 증가하고 있는 혼혈 인구, 즉 단순한 지리적 라벨링을 복잡하게 만드는 인구 통계적 특성을 완전히 고려하지 못했다는 점도 지적했습니다. 그럼에도 불구하고, 이 연구는 방대한 유전 데이터를 다루는 방법에 대한 명확하고 실질적인 청사진을 제공합니다. 2단계 필터링 전략이 정확도를 유지하면서도 컴퓨팅 시간을 획기적으로 단축할 수 있음을 증명함으로써, 연구팀은 가장 비싼 컴퓨팅 자원을 사용할 수 없는 연구자들에게 실행 가능한 길을 제시했습니다.