이진 형질 데이터로 본 연대가 있는 조상 트리와 언어 다양성 연구

초록

이진 형질 데이터는 개체가 특정 형질을 가지고 있는지 여부를 기록한다. 우리는 이진 형질 데이터를 이용해 연대가 부여된 조상 트리를 추정하는 문제를 다룬다. 이러한 데이터에 대한 단순 분석은 문제를 일으킨다. 형질의 동형군마다 트리 상에서 하나의 탄생 사건만 존재하는데, 잎사귀에 보이는 형질의 탄생 사건은 잎에 편향된다. 우리는 이러한 데이터를 모델 기반으로 분석하고, 결과적인 사후 분포에서 샘플링할 수 있는 MCMC 알고리즘을 제시한다. 우리의 모델은 형질 집합의 원소 진화를 설명하기 위해 출생-소멸 과정을 이용한다. 또한 실제 데이터에서 흔히 제외되는 단일tons(한 번만 나타나는 형질)의 제거 효과를 정확히 반영한다. 우리는 역사 언어학에서 얻은 두 개의 이진 형질 데이터 세트를 대상으로 베이지안 추론을 시연한다. 베이지안 접근법은 조상 언어에 대한 정보를 통합할 수 있게 해준다. 루트 시간에 대한 주변 사전분포는 균등하게 설정한다. 모델 오차에 대한 강건성을 검증하기 위해 외부 데이터에 대한 예측 분포와 대체 관측 모델로 시뮬레이션된 데이터를 이용한 적합을 수행한다. 결과적으로 트리 노드의 연대 추정은 비교적 강건하지만, 위상에 대한 사후 확률은 신뢰하기 어렵다.

상세 요약

이 논문은 이진 형질(binary trait) 데이터를 이용해 고대 언어 혹은 생물 종의 계통수를 시간축과 함께 복원하는 새로운 통계적 프레임워크를 제시한다. 전통적인 방법은 형질이 잎(현존 종)에서 관측되는 빈도만을 이용해 트리 구조를 추정하는데, 이는 형질이 트리 상에서 한 번만 ‘탄생’하고 이후 사라지는 과정을 무시한다는 근본적인 한계를 가진다. 특히, 관측 가능한 형질은 대부분 최근에 발생한 것일 가능성이 높아, 트리의 말단에 편향된 정보를 제공한다는 점이 문제이다. 저자들은 이러한 편향을 보정하기 위해 ‘출생‑소멸(birth‑death) 과정’을 형질 집합의 진화 메커니즘으로 채택한다. 이 과정에서는 각 형질이 트리의 어느 내부 노드에서 처음 나타나고, 일정 확률로 소멸하거나 후손에 전달되는 확률을 모델링한다.

핵심 아이디어는 관측된 형질이 실제 트리 상에서 언제, 어디서 발생했는지를 잠재 변수로 두고, 전체 트리와 형질 발생·소멸 과정을 동시에 추정하는 것이다. 이를 위해 베이지안 프레임워크 하에 사전분포를 설정하고, 사후분포를 MCMC(Markov chain Monte Carlo) 샘플링으로 근사한다. 특히 루트 시간에 대한 사전분포를 균등하게 두어 ‘연대가 없는’ 트리 구조가 아니라, 실제 연대 정보를 포함한 ‘dated tree’를 얻을 수 있다.

또 하나의 중요한 기여는 ‘싱글톤(singleton) 형질’—즉, 하나의 잎에서만 관측되는 형질—을 데이터에서 제외하는 관행을 모델에 명시적으로 반영한 점이다. 실제 언어 데이터베이스에서는 오류나 불완전한 기록을 방지하기 위해 싱글톤을 제거하지만, 이는 형질 탄생 시점에 대한 정보를 왜곡한다. 저자들은 관측 모델에 싱글톤 제거 과정을 포함시켜, 사후 추정이 이러한 데이터 전처리 효과를 보정하도록 설계하였다.

실증 분석에서는 두 개의 역사 언어학 데이터셋을 사용하였다. 첫 번째는 인도-유럽어족의 고대 언어와 현대 언어 사이의 이진 형질을, 두 번째는 남아시아 언어군의 형질을 다룬다. 베이지안 추론을 통해 각 노드의 연대와 위상에 대한 사후 확률을 얻었으며, 조상 언어에 대한 사전 지식을 사전분포에 통합함으로써 추정 정확도를 높였다.

모델의 강건성을 검증하기 위해 외부 데이터에 대한 예측 분포를 계산하고, 대체 관측 모델(예: 형질 관측 오류가 다른 형태인 경우)로부터 시뮬레이션된 데이터를 이용해 적합성을 평가하였다. 결과는 트리 노드의 연대 추정은 다양한 모델 오차 하에서도 비교적 안정적인 반면, 트리 위상(분기 구조)에 대한 사후 확률은 데이터 양과 관측 모델에 크게 민감함을 보여준다. 이는 특히 언어계통학에서 ‘어떤 언어가 어느 시점에 분기했는가’보다 ‘분기 시점 자체는 어느 정도 신뢰할 수 있다’는 실용적인 결론을 제공한다.

전체적으로 이 연구는 형질 기반 계통수 추정에 대한 통계적 기반을 강화하고, 특히 연대 정보를 동시에 추정할 수 있는 방법론을 제시함으로써, 고대 언어의 진화와 같은 복잡한 역사적 현상을 정량적으로 분석하는 데 중요한 도구가 될 것으로 기대된다.