No evidence for discrete biomarker-based subtypes of Parkinson’s Disease

기술 요약: 파킨슨병의 불연속적 바이오마커 기반 아형(Subtype)에 대한 근거 부재

문제 제기
파킨슨병(PD)의 임상적 이질성은 예후 예측, 환자 계층화, 표적 신경보호 치료를 가능하게 할 불연도한 생물학적 아형을 식별하려는 연구를 지속적으로 촉진해 왔다. 데이터 기반 클러스터 분석은 임상적 특징을 바탕으로 수많은 아형 솔루션을 생성해 왔으나, 이러한 결과들은 대부분 방법론적 결함, 재현성 부족, 그리고 생물학적 관련성의 불분명함이라는 문제를 안고 있다. 지배적인 가설은 핵심 생물학적 바이오마커, 즉 in vivo $\alpha$-시누클레인 병리와 도파민성 신경 퇴행을 사용하여 아형을 정의하면 구별되는 동질적 실체를 밝힐 수 있을 것이라는 점이다. 그러나 결정적인 방법론적 간극이 존재한다. 기존 연구들은 기초 데이터가 진정한 클러스터 구조를 보유하고 있는지, 아니면 단순히 연속적인 스펙트럼을 반영하는 것인지 먼저 검증하지 않은 채 분할 알고리즘을 적용하는 경우가 많았다. 본 연구는 $\alpha$-시누클레인 시드 증폭 분석(SAA) 역학, 도파민성 신경 퇴행(DAT 영상법을 통해 측정), 그리고 연령을 결합했을 때 불연속적인 생물학적 아형이 도출되는지, 아니면 연속체의 변이만을 보여주는지를 다룬다.

방법론
본 이차적 관찰 분석은 24시간 SAA 프로토콜을 사용한 일차 코호트($n=595$)와 150시간 프로토콜을 사용한 내부 재현 코호트($n=333$)로 구성된 파킨슨 정밀 의학 이니셔티브(PPMI) 데이터를 활용하였다. 두 코호트 모두 유전적으로 음성이며 SAA 양성인 파킨슨병 환자로 제한되었다.

본 연구는 데이터가 사전에 진정한 클러스터 구조를 보유하고 있는지 테스트하기 위해 설계된 엄격한 다단계 통계 프레임워크를 채택하였다:

1. 클러스터링 경향성 및 안정성: 저자들은 데이터가 구조가 없는 귀무 분포로부터 벗어나는지 결정하기 위해 일련의 통계 테스트를 적용하였다. 여기에는 Hopkins 통계량, Hartigan의 dip test(변수, 주성분 및 1,000개의 무작위 투영에 대해 수행), gap statistic, 예측 강도(prediction strength), 실루엣 지수(silhouette indices), 그리고 가우시안 혼합 BIC(Gaussian-mixture BIC)가 포함된다.
2. 귀무 가설 보정(Null Calibration): 결정적으로, 모든 지표는 잠재적 혼합 멤버십 없이 생성된 (Gaussian-copula nulls) 보정된 참조 분포와 비교되어, 실제 구조와 분할 알고리즘에 의한 인위적 산물을 구분하였다.
3. 민감도 분석 (양성 대조군): 파이프라인 자체가 본질적으로 민감하지 않은 것은 아닌지 확인하기 위해, 알려진 분리도, 크기 및 방향을 가진 합성 클러스터를 실제 데이터셋에 주입하였다. 주입된 클러스터에 반응하여 기준이 유의미한 구조를 신호하는 빈도를 주입이 없는 경우의 행동과 비교하였다.
4. 종단적 및 상관관계 분석: SAA 역학이 종단적 운동, 도파민성 및 비운동성 결과(outcomes)를 예측하는지 선형 혼합 효과 모델을 통해 조사하였다. 또한, SAA 파라미터와 뇌척수액(CSF) 분석물 간의 상관관계를 조사하여 공유된 요인이나 매트릭스 효과를 식별하고자 하였다.

주요 결과

• 불연속적 구조의 부재: 두 코호트 모두에서 통계적 평가 결과, 진정한 하위 그룹 구조의 증거가 발견되지 않았다. Gap statistic은 100%의 귀무 실현(null realizations)에서 $k=1$(클러스터 없음)을 선택하였다. 예측 강도와 실루엣 지수는 기존의 임계값을 초 exceed하거나 귀무 분포와 구별되는 데 실패하였다. Hopkins 통계량은 두 코호트 모두에서 귀무 분포로부터 작은 유의미한 이탈을 보였으나, 이는 분할 재현성이나 안정성을 측정하는 다른 어떤 지표에 의해서도 뒷받받되지 않았다.
• 귀무 결과의 견고성: 귀무 결과는 세 가지 대안적 변수 가중치 적용, 중복 대상자 제거, 그리고 공선성 파라미터 제외 시에도 지속되었다. 양성 대조군 분석에서, SAA 상태(양성/음성)를 입력값으로 사용했을 때 파이프라인은 알려진 2개 그룹 구조를 성공적으로 탐지함으로써 방법론의 민감도를 입증하였다. 그러나 연속적인 바이오마커 차원에 적용했을 때는 구조가 발견되지 않았다.
• 강제된 분할: 연속 데이터에 인위적으로 2개 또는 3개 그룹 분할을 부과했을 때, 그룹 간 외부 변수의 차이가 발생하였다. 그러나 이러한 차이는 대부분 구성 변수(예: 평균 선조체 결합력)의 수학적 파생물이거나 미미한 수준이었으며, 이는 연속적인 기울기를 자르는 행위가 필연적으로 인위적인 그룹 차이를 만들어내며, 이것이 불연속적인 생물학적 실체를 반영하지 않음을 시사한다.
• 종단적 예측: SAA 역학은 종단적 운동 또는 비운동성 진행을 일관되게 예측하지 못했다. 몇몇 명목상의 연관성(amplitude 파라미터와 DAT 결합 감소 사이)이 발견되었으나, 이는 코호트 간에 일관되지 않았으며 기술적 혼란 변수(assay run, center)를 조정한 후 유의성을 상실하는 경우가 많았다. 다중 검정 보정 후 비운동성 결과에 대한 유의미한 상호작용은 발견되지 않았다.
• CSF 상관관계: SAA 역학 파라미터는 동일한 방향으로 움직이는 여러 무관한 CSF 분석물(total tau 및 A$\beta$42 포함)과 양의 상관관계를 보였는데, 이는 뚜렷한 병리적 시그니처와는 양립할 수 없는 패턴이다. 이러한 상관관계는 지배적인 공유 성분을 조정한 후 사라졌다. 또한, 혈액-뇌 장벽 투과성의 마커인 CSF 알부민이 역학 파라미터와 독립적으로 연관되어 있었으며, 이는 특정 생물학적 과정보다는 잠재적인 매트릭스 효과를 시사한다.

의의 및 주장
본 논문은 PD를 정의하는 바이오마커( $\alpha$-syn SAA 역학 및 도파민성 신경 퇴행)가 불연속적인 클러스터 구조를 나타내는 별개의 생물학적 아형이 아니라, 하나의 연속체(continuum)를 따라 정렬되어 있다고 주장한다. 저자들은 자신들의 연구가 중요한 방법론적 구분을 강조한다고 주장한다: 경계의 재현성이 곧 진정한 클러스터의 분리를 의미하는 것은 아니다. 경계선이 매우 재현 가능한 이유는 그것이 불연속적인 아형을 존재시키기 때문이 아니라, 기저의 연속적 분포가 안정적이고 길쭉한 형태를 가지고 있기 때문일 수 있다.

연구는 SAA 역학이 질병의 중증도를 나타내는 정량적 지표라기보다, 병리적 상태(응집 가능한 시드의 존재/부재)를 나타내는 일차적인 정성적, 범주적 마커로서 기능할 가능성이 높다고 상정한다. 관찰된 연속적 변이는 근본적으로 이진적인(binary) 상태 주변의 측정 노이즈와 생화학적 가변성을 반영하는 것일 수 있다.

저자들은 자신들의 주요 기여가 방법론적 엄격성, 즉 데이터가 존재를 가정하기 전에 불연속적인 그룹 구조를 지원하는지 검증하는 데 있다고 강조한다. 그들은 흔한 클러스터링 지표들이 구조가 주입되지 않은 상황에서도 유의성 임계값을 넘을 수 있음을 보여줌으로써, 클러스터링 지표가 무용할 수 있음을 입증하였다. 본 연구는 규모 면에서 겸허함을 유지하며(데이터에 의해 가려진 더 작거나 축 특이적인 아형의 존재를 배제할 수 없음을 인정함), 결론적으로 핵심적인 생물학적 앵커로 정의된 변수 공간 내에서는 파킨슨병의 불연속적인 바이오마커 기반 아형의 존재를 뒷받침하는 근거가 없다고 결론짓는다.