샘플링 편향 모델의 MCMC 추정과 SAGE 데이터 적용

초록

본 논문은 직접 표본을 얻기 어려운 모집단을 간접적인 편향 샘플링을 통해 관측하는 상황에서 베이지안 추정을 수행한다. 관측값을 태그된 모집단의 다항분포 샘플로 보고, 이 태그된 모집단 자체가 원 모집단의 편향된 표본이라고 가정한다. 저자는 Gibbs 샘플링 기반 여러 알고리즘을 제시해 고차원 다항 파라미터 벡터의 사후분포를 효율적으로 샘플링하고, 이를 통해 결합 및 주변 사후 추론을 수행한다. 또한 Gibbs 샘플러의 조건부 분포를 이용한 최적화 절차로 사후 모드도 직접 계산한다. 방법론을 SAGE(Serial Analysis of Gene Expression) 데이터에 적용해 효모 Saccharomyces cerevisiae의 mRNA 발현 수준을 추정한다.

상세 분석

이 연구는 표본 편향(biased sampling) 문제를 베이지안 프레임워크 안에서 다루는 새로운 접근법을 제시한다. 기존의 직접 표본 추출이 불가능한 경우, 관측된 데이터는 실제 관심 모집단이 아닌 ‘태그된’ 하위 모집단에서 추출된 것으로 모델링한다. 여기서 핵심은 두 단계의 확률 과정이다. 첫 번째 단계는 원 모집단에서 태그된 모집단으로의 편향 전이이며, 두 번째 단계는 태그된 모집단에서 관측값이 다항분포로 추출되는 과정이다. 이러한 이중 구조는 전체 파라미터 공간을 원-태그-관측 3층 모델로 확장시켜, 전통적인 최대우도법으로는 다루기 어려운 고차원 비선형 관계를 만든다.

베이지안 관점에서 저자는 사전분포를 다항 파라미터 θ에 대해 Dirichlet 형태로 설정하고, 편향 전이 확률을 별도의 파라미터 φ로 두어 공동 사후분포 p(θ, φ | 데이터)를 정의한다. Gibbs 샘플러는 조건부 사후분포 p(θ | φ, 데이터)와 p(φ | θ, 데이터)를 순차적으로 샘플링함으로써 전체 사후를 탐색한다. 특히 p(θ | φ, 데이터)는 Dirichlet-다항 공액성에 의해 직접 샘플링이 가능하고, p(φ | θ, 데이터)는 메타베르누이 혹은 베타-이항 형태로 변환해 효율적인 샘플링 루틴을 설계한다.

알고리즘 구현상의 핵심은 ‘큰’ 다항 파라미터 벡터(수천~수만 차원)를 다루면서도 메모리와 계산량을 최소화하는 것이다. 저자는 sparse count 구조를 활용해 충분히 압축된 형태로 충분통계량을 저장하고, 각 Gibbs 단계에서 필요한 충분통계만을 업데이트한다. 또한, 사후 모드 추정을 위해 조건부 기대값을 이용한 좌표 상승(coordiante ascent) 방식의 최적화 절차를 제안한다. 이는 Gibbs 샘플러의 수렴성을 활용해 사후 분포의 MAP 추정값을 빠르게 얻을 수 있게 한다.

SAGE 데이터 적용에서는 mRNA 태그 카운트가 매우 희소하고, 전체 유전자 수가 수천 개에 달한다는 점을 고려한다. 저자는 실제 SAGE 실험에서 얻은 태그 카운트를 입력으로, 편향 전이 파라미터를 실험적 효율성(예: 태그 생성 확률)과 연계시켜 모델링한다. 결과적으로, 기존 단순 비율 추정법에 비해 신뢰구간이 좁아지고, 낮은 빈도 유전자의 발현 수준도 보다 안정적으로 추정된다.

이 논문의 기여는 (1) 편향 샘플링 상황을 베이지안 다층 모델로 명시화, (2) 고차원 다항 파라미터에 대한 효율적인 Gibbs 샘플링 알고리즘 제시, (3) 사후 모드 직접 계산을 위한 조건부 최적화 절차 도입, (4) 실제 고통량 유전체 데이터에 적용해 실용성을 검증한 점이다. 향후 확장 가능성으로는 비정형 편향 전이 함수, 시간적 동역학을 포함한 시계열 데이터, 그리고 다른 고통량 ‘태깅’ 기술(예: RNA‑seq)에도 적용할 수 있다.