베이지안 계층 모델을 이용한 잠재 경로 네트워크에서의 교란 탐지

본 논문은 고처리량 유전자 발현 데이터를 이용해 세포 내 교란(perturbation) 메커니즘을 추정하는 새로운 베이지안 계층 모델을 제안한다. 연구 배경으로는 기존의 차등 발현 분석이나 GSEA와 같은 방법이 교란의 직접적인 원인보다는 결과적인 유전자 변화를 포착한다는 한계가 있다. 이를 극복하기 위해 저자들은 세 단계의 확률 모델을 설계하였다. 첫 번째 레벨은 확인적 요인 분석(CFA)으로, 사전에 정의된 생물학적 경로(예: KEGG, Reactome)를 잠재 요인으로 설정하고, 각 유전자의 발현을 이 요인들의 선형 결합으로 모델링한다. 요인 적재 행렬 Λ는 경로‑유전자 매핑 정보를 반영해 제약을 두어, 의미 없는 요인‑유전자 연결을 차단한다. 두 번째 레벨에서는 경로 간 상호작용을 조건부 자기회귀(CAR) 모델로 기술한다. 여기서 각 경로 요인 ω_j는 인접 경로들의 가중합 B_{jj'}·ω_{j'}와 교란 효과 ρ_j의 합으로 표현된다. B 행렬은 알려진 경로 네트워크(단백질‑단백질 상호작용, 신호 전달 네트워크 등)에서 추출된 인접 행렬을 기반으로 하며, 대각선은 0으로 설정해 자기 자신에 대한 자기회귀를 방지한다. 이 단계는 “블러링 연산자”와 유사하게 교란 신호가 네트워크를 통해 퍼지는 과정을 수학적으로 구현한다. 세 번째 레벨은 교란 효과 ρ_j에 대한 스파이크‑앤‑슬랩 사전분포를 부여한다. 대부분의 경로는 0에 가까운 스파이크 성분을 갖고, 실제 교란된 소수 경로만 슬랩 성분에서 비제로 값을 갖도록 설계함으로써 변수 선택을 자연스럽게 수행한다. 베이지안 추론은 Gibbs 샘플링과 Metropolis‑Hastings 단계를 결합한 MCMC 알고리즘으로 구현된다. 사후 확률이 높은 ρ_j를 교란 경로 후보로 선정하고, 이를 기반으로 약물의 주요 작용 메커니즘을 해석한다. 모델 식별성을 위해 요인 평균을 0으로 고정하고, B 행렬의 대각선은 0으로 두어 과잉 파라미터화를 방지한다. 시뮬레이션 연구에서는 네트워크 정보를 포함한 모델이 네트워크‑프리 탐색적 요인 분석(EFA)보다 교란 경로 검출 정확도가 크게 향상됨을 보였다. 또한, 네트워크 정보에 일부 오류가 포함되더라도 모델의 성능 저하가 미미하여 견고함을 확인했다. 실제 데이터 적용으로는 DREAM7 약물 민감도 예측 챌린지 데이터셋을 사용했다. 14가지 약물에 대해 다양한 농도와 시간 조건에서 측정된 LY3 세포주 마이크로어레이 데이터를 분석하였다. 모델은 DNA 손상제인 카프토프테신에서 P53 신호 경로를 성공적으로 식별했으며, 이는 기존 GSEA가 놓친 결과이다. 또한, DNA 손상제, 세포 이동 억제제, HSP90 억제제 등 서로 다른 메커니즘을 가진 약물들이 교란 경로 프로파일 기반으로 군집화되어, 약물 간 작용 메커니즘의 유사성을 정량적으로 평가할 수 있었다. 결론적으로, 이 연구는 (i) 유전자‑경로 매핑을 통한 차원 축소, (ii) 경로 네트워크를 고려한 자기회귀 구조, (iii) 스파이크‑앤‑슬랩을 이용한 교란 변수 선택이라는 세 가지 핵심 요소를 결합함으로써, 고차원 유전자 데이터에서 교란 원인을 효과적으로 추정한다. 향후에는 보다 정교한 네트워크 구축, 시간‑연속 데이터 확장, 그리고 임상 데이터에의 적용 가능성을 탐색할 수 있다.