메모리 CD8 T 세포 분화 통계 분석

초록

본 연구는 짧은 시간 코스 마이크로어레이 데이터를 대상으로, 메모리 CD8 T 세포의 분화 과정에서 시간에 따라 발현이 변하는 유전자를 탐지하고, 그 변화의 방향과 크기를 추정하기 위해 계층적 상태공간 모델을 제안한다. 숨은 마르코프 모델과 경험적 베이즈 추정을 결합해 대규모 유전자 데이터의 집단 정보를 활용했으며, 실제 CD8 T‑세포 실험과 시뮬레이션을 통해 모델의 생물학적 타당성과 통계적 성능을 검증하였다.

상세 분석

이 논문은 시간에 따라 비정상적인 변동을 보이는 소수의 불규칙한 시점에서 측정된 마이크로어레이 데이터를 분석하기 위해 새로운 통계 모델을 설계하였다. 핵심은 “계층적 상태공간 모델(Hierarchical State Space Model, HSSM)”이며, 이는 두 층으로 구성된다. 첫 번째 층은 각 유전자의 관측값을 정규분포로 가정하고, 평균이 시간에 따라 변화하는 ‘상태(state)’에 의해 결정된다고 본다. 두 번째 층에서는 이러한 상태 전이를 숨은 마르코프 모델(Hidden Markov Model, HMM)로 기술한다. 즉, 각 시점에서 유전자는 ‘상승’, ‘감소’, ‘정체’ 중 하나의 상태에 놓이며, 이 상태는 이전 시점의 상태에 의존하는 전이 확률 행렬에 의해 움직인다.

경험적 베이즈(Empirical Bayes) 접근법을 도입해 전체 유전자 집단으로부터 사전분포의 하이퍼파라미터를 추정한다. 구체적으로, 전이 확률과 상태별 평균·분산을 전체 데이터의 최대우도 추정값으로 설정함으로써, 개별 유전자에 대한 추정이 데이터가 부족한 경우에도 안정적으로 이루어지도록 한다. 이 과정에서 EM 알고리즘을 변형한 Viterbi‑EM을 사용해 상태 시퀀스와 파라미터를 동시에 최적화한다.

모델이 제공하는 주요 출력은 세 가지이다. (1) 시간에 따라 차등 발현되는 유전자의 리스트(temporal DE genes) – 이는 각 유전자의 상태 시퀀스가 ‘정체’ 상태를 벗어난 경우를 통계적으로 검정해 얻는다. (2) 각 변곡점에서의 변화 방향(상승/감소) – 상태 라벨 자체가 방향 정보를 담고 있다. (3) 변화 크기 – 상태별 평균 차이를 통해 정량화한다. 이러한 정보를 종합하면, 메모리 CD8 T 세포가 항원 노출 후 어떻게 전사 프로그램을 재구성하는지에 대한 시계열적 인사이트를 얻을 수 있다.

논문은 실제 CD8 T‑세포 실험에 모델을 적용해, 초기 활성화 단계에서 인터페론 신호전달 관련 유전자가 급격히 상승하고, 이후 기억 단계로 전이하면서 대사 및 세포주기 조절 유전자가 지속적으로 억제되는 패턴을 발견했다. 또한, 시뮬레이션을 통해 표본 수가 적고 시점이 불규칙한 상황에서도 기존의 독립 t‑검정이나 단순 ANOVA보다 높은 검출력과 낮은 위양성률을 보임을 입증하였다.

이 모델의 장점은 (i) 시간적 연속성을 자연스럽게 반영해 잡음에 강인함, (ii) 상태 전이를 통해 생물학적 의미(활성·억제·정체)를 직접 해석 가능, (iii) 경험적 베이즈를 통한 파라미터 공유로 고차원 저표본 문제를 완화한다는 점이다. 다만, 전이 확률을 고정하거나 3가지 상태에 제한하는 가정이 복잡한 다중 단계 전이를 충분히 포착하지 못할 수 있다는 한계도 논의된다. 향후 확장으로는 비정규 분포, 다중 그룹 비교, 그리고 베이지안 MCMC 기반의 완전 베이즈 추정이 제안된다.