모듈 기반과 직접 방법의 전사조절망 역설계 비교

초록

본 연구는 모듈 기반 알고리즘 LeMoNe와 상호정보 기반 직접 알고리즘 CLR을 이용해 대장균과 효모의 전사조절망을 역설계하고, 두 방법의 성능과 특성을 정량·정성적으로 비교한다. 전반적인 정밀도‑재현율 곡선은 두 네트워크의 위상적 차이를 가릴 수 없으며, CLR은 조절자 중심(regulator‑centric)으로 더 많은 조절자를 정확히 예측하고, LeMoNe는 표적 중심(target‑centric)으로 적은 조절자에 대해 더 많은 실제 표적을 회복한다는 점을 확인하였다. 또한, 두 방법이 서로 보완적인 부분을 갖는다는 생물학적 사례를 제시한다.

상세 분석

LeMoNe는 전사 데이터를 먼저 클러스터링하여 공통 발현 패턴을 보이는 유전자 집단(모듈)을 정의하고, 각 모듈에 대해 가장 가능성이 높은 전사인자를 할당하는 모듈‑기반 접근법이다. 이 과정에서 베이지안 네트워크와 기대‑최대화(EM) 알고리즘을 활용해 모듈‑전사인자 연관성을 확률적으로 추정한다. 반면 CLR은 모든 전사인자‑표적 쌍에 대해 상호정보(MI)를 계산하고, 각 전사인자와 각 표적에 대한 MI 분포를 정규화하여 Z‑점수를 얻은 뒤, 두 Z‑점수의 기하 평균을 최종 점수로 사용한다. 즉, 전사인자와 표적 사이의 직접적인 통계적 연관성을 강조한다.

두 알고리즘을 동일한 마이크로어레이 데이터셋(대장균과 효모)과 동일한 금본위(RegulonDB, YEASTRACT 등)으로 평가했을 때, 전반적인 정밀도‑재현율 곡선은 CLR이 약간 높은 재현율을 보였지만, LeMoNe는 특정 조절자에 대해 매우 높은 정밀도를 달성했다. 특히, CLR은 조절자별 예측 수가 많아 “조절자 중심” 특성을 보이며, 많은 조절자를 포괄적으로 스캔한다. 반면 LeMoNe는 모듈을 중심으로 표적을 묶어 예측하기 때문에, 몇몇 핵심 조절자에 대해 다수의 실제 표적을 동시에 회복하는 “표적 중심” 특성을 가진다.

네트워크 위상 분석에서는 CLR이 높은 평균 차수와 넓은 차수 분포를, LeMoNe가 낮은 평균 차수와 뾰족한 차수 분포를 나타냈다. 이는 CLR이 네트워크 전반에 걸쳐 얇게 연결된 구조를, LeMoNe가 소수의 조절자에 집중된 뿌리‑잎 구조를 형성한다는 것을 의미한다. 또한, 두 방법이 예측한 상호작용의 겹침은 전체 예측 중 10~15%에 불과했으며, 이는 서로 보완적인 정보를 제공한다는 강력한 증거가 된다.

생물학적 사례 분석에서는 대장균의 아미노산 대사 조절망과 효모의 세포주기 조절망을 대상으로, CLR이 놓친 특정 조절자‑표적 관계를 LeMoNe가 정확히 포착했으며, 반대로 LeMoNe가 과소평가한 조절자에 대해 CLR이 높은 신뢰도의 예측을 제공함을 확인했다. 이러한 결과는 실제 실험적 검증 없이 단순히 정밀도‑재현율 수치만을 가지고 알고리즘을 평가하는 것이 위험할 수 있음을 시사한다.

결론적으로, LeMoNe와 CLR은 각각 “표적 중심”과 “조절자 중심”이라는 서로 다른 전략을 취하고 있으며, 연구 목적에 따라 적절히 선택하거나 두 결과를 통합하는 것이 전사조절망 역설계의 정확성을 크게 향상시킬 수 있다.