다중 대립유전자 좌위 기반 군집화와 좌위 선택 모델

초록

본 논문은 다대립유전자(loci) 유전 데이터에 대해 모델 기반 군집화와 동시에 군집에 기여하는 좌위를 선택하는 방법을 제안한다. 베이지안 정보 기준(BIC)을 이용해 후보 모델을 비교하고, 최적 모델을 통해 군집 수, 각 군집 비율, 군집별 대립유전자 빈도를 추정한다. 샘플 크기가 무한히 커질 때 선택된 모델이 진정한 모델에 수렴함을 이론적으로 증명했으며, C++ 구현인 MixMoGenD를 통해 시뮬레이션 실험을 수행해 좌위 선택 절차의 효용성을 확인하였다.

상세 분석

이 연구는 유전학적 데이터 분석에서 흔히 마주치는 두 가지 난제, 즉 군집 수와 군집에 유의미하게 기여하는 좌위(loci)의 선택을 통합적으로 해결하고자 한다. 기존 모델 기반 군집화(MBC) 방법들은 주로 다변량 정규분포나 다항분포를 가정하고 군집 수를 BIC, AIC 등 정보 기준으로 결정한다. 그러나 유전 데이터는 다대립유전자를 포함하는 다항형태이며, 각 좌위마다 알레일 수가 다르고, 일부 좌위는 군집 구분에 거의 기여하지 않는다. 이러한 특성을 무시하면 과적합과 군집 해석의 불명확성을 초래한다.

논문은 먼저 전체 좌위 집합을 포함하는 완전 모델을 정의하고, 부분집합을 선택하는 일련의 후보 모델을 구성한다. 각 후보 모델은 (1) 군집 수 K, (2) 선택된 좌위 집합 S, (3) 각 군집의 비율 π_k, (4) 각 군집 내 선택된 좌위의 알레일 빈도 θ_{k,l,a} 로 파라미터화된다. 여기서 l∈S, a는 l좌위의 알레일을 의미한다. 모델의 우도는 독립성 가정 하에 각 좌위별 다항분포의 곱으로 표현되며, EM 알고리즘을 이용해 파라미터를 최대우도 추정한다.

핵심은 BIC를 이용해 모델 선택을 수행한다는 점이다. BIC는 −2·log(L̂)+p·log(n) 형태로, 여기서 L̂는 최대우도, p는 자유 파라미터 수, n은 표본 크기다. 논문은 BIC 차이가 충분히 큰 경우, 즉 BIC가 최소인 모델이 진정한 모델에 확률적으로 수렴한다는 정리를 제시한다. 이 정리는 “단일 현실적인 가정”이라 명시된, 데이터가 실제로 혼합 다항분포를 따른다는 전제와, 표본이 충분히 크면 각 군집의 알레일 빈도가 일정하게 수렴한다는 가정에 기반한다.

알고리즘적 구현 측면에서 저자는 C++로 MixMoGenD를 개발했으며, 효율적인 메모리 관리와 병렬화 기법을 적용해 대규모 유전 데이터셋에도 적용 가능하도록 설계했다. 시뮬레이션에서는 다양한 군집 수(K=25), 좌위 수(L=50200), 알레일 다양성 등을 변형시켜 실험했으며, 좌위 선택을 수행하지 않은 기존 MBC와 비교했을 때, 정확도(Adjusted Rand Index)와 파라미터 추정 오차가 현저히 개선됨을 보고했다. 특히, 불필요한 좌위가 많을수록 BIC 기반 선택이 군집 구조를 복원하는 데 큰 이점을 제공한다는 점이 강조된다.

이 논문의 의의는 두 가지이다. 첫째, 유전 데이터 특성을 반영한 다항 혼합 모델을 체계적으로 구축하고, 군집 수와 좌위 선택을 동시에 최적화함으로써 모델 복잡도를 자동으로 조절한다는 점이다. 둘째, BIC 기반 선택의 일관성(consistent)과 수렴성을 이론적으로 증명함으로써 실무 적용 시 신뢰성을 확보한다는 점이다. 향후 실제 유전체 데이터, 예를 들어 SNP 패널이나 마이크로새틀라이트 데이터에 적용한다면, 군집 기반 질병 서브타입 탐지, 개체군 구조 분석 등에 유용한 도구가 될 것으로 기대된다.