네트워크와 유전자 집합의 기능적 연관성을 정량화하는 SANTA

본 논문은 분자 상호작용 네트워크와 유전자 집합 사이의 기능적 연관성을 정량적으로 평가하기 위한 새로운 통계적 프레임워크인 SANTA(spatial analysis of network associations)를 제안한다. 기존의 유전자 집합 풍부도 분석은 리스트 형태의 유전자에만 적용 가능했으며, 네트워크 자체를 기능적으로 해석하는 방법은 부족했다. 저자들은 공간 통계학에서 사용되는 Ripley K‑함수를 그래프 구조에 맞게 변형함으로써, 네트워크 상의 노드 간 거리와 노드 가중치를 동시에 고려하는 K‑net(s) 함수를 정의한다. 이 함수는 거리 s를 변화시키며 K‑곡선을 생성하고, 곡선 아래 면적(AUK)을 통계량으로 사용한다. 통계적 유의성 검증은 노드 가중치를 무작위로 재배치한 퍼뮤테이션 샘플을 통해 수행된다. 각 퍼뮤테이션에 대해 동일한 K‑곡선을 계산하고, 관측된 AUK가 퍼뮤테이션 분포보다 크게 나타나는 경우 Z‑검정으로 p값을 산출한다. 이를 통해 특정 유전자 집합이 네트워크에 비정상적으로 클러스터링되는지를 객관적으로 판단한다. 또한, K‑node 점수를 도입해 개별 노드가 전체 클러스터링에 기여하는 정도를 정량화함으로써, 기능적으로 중요한 후보 유전자를 직접 추출할 수 있다. 방법론의 타당성을 검증하기 위해 두 가지 시뮬레이션을 수행하였다. 첫 번째 시뮬레이션에서는 Barabási‑Albert 모델로 만든 500노드 네트워크에 인위적인 고가중치 클러스터를 삽입하고, 클러스터 크기와 밀도에 따라 SANTA가 반환하는 p값이 기대대로 변하는지를 확인했다. 결과는 클러스터가 작고 밀도가 높을수록 p값이 낮아지는 형태로, SANTA가 클러스터링을 민감하게 탐지함을 보여준다. 두 번째 시뮬레이션에서는 무작위 샘플링을 통해 귀무 가설 하에서 p값이 균등하게 분포함을 확인하였다. SANTA는 기존의 compactness score와 같은 로컬 거리 평균 기반 방법과 차별화된다. 컴팩트니스는 고차수 노드가 많이 포함된 집합에서 과대평가되는 경향이 있지만, K‑함수는 전체 네트워크 토폴로지를 고려해 전역적인 클러스터링 정도를 평가한다. 또한, 연속형 노드 가중치(예: RNAi 스크리닝 스코어)를 직접 다룰 수 있어, 이진 집합에만 제한되는 기존 방법보다 적용 범위가 넓다. 실제 데이터 적용 사례로는 효모(S. cerevisiae) 유전적 상호작용 네트워크와 인간 암 세포 라인에서 수행된 전장 RNAi 스크리닝이 있다. 효모 네트워크에서는 GO 용어별로 K‑곡선을 그려, 특정 생물학적 과정(예: 리보솜, 세포주기)이 네트워크 상에서 얼마나 뚜렷하게 클러스터링되는지를 정량화했다. RNAi 스크리닝에서는 각 유전자의 스코어를 노드 가중치로 사용해, 암 세포에서 필수적인 경로를 구성하는 유전자 집합이 네트워크에 어떻게 분포하는지를 평가했다. 두 경우 모두 기존 GSEA나 BioNet과 비교했을 때, 다중 클러스터를 동시에 포착하고, 전역 구조를 반영한 p값이 더 의미 있게 도출되었다. SANTA는 Bioconductor 패키지로 구현돼 R 환경에서 손쉽게 사용할 수 있다. 거리 척도(최단 경로, 확산 커널 등), 퍼뮤테이션 횟수, 가중치 재조정 등 사용자 정의 옵션이 풍부하며, 시각화 함수도 제공한다. 따라서 네트워크 기반 고통량 데이터 분석에 있어 기능적 해석을 정량화하고, 후보 유전자를 우선순위화하는 실용적인 도구로 자리매김할 전망이다.