세포 집단 내 생화학 네트워크의 밀도 기반 모델링 및 식별

초록

이 논문은 개별 세포를 ODE로 기술하고, 세포 간 파라미터와 초기조건의 이질성을 확률분포로 표현한다. 파라미터 분포와 단일세포 모델을 결합해 상태·출력 공간의 밀도 변화를 기술하는 PDE를 도출하고, 흐름세포계측(FACS) 데이터로부터 얻은 노이즈‑섞인 관측값을 기반으로 밀도 기반 통계 모델을 구축한다. 이후 볼록 최적화 기법을 이용해 파라미터 분포를 추정한다. 카스파제 활성화 연쇄 모델을 사례로 사용해, 알려진 노이즈 특성 하에서 제안 방법이 파라미터 분포를 정확히 복원함을 실증한다.

상세 분석

본 연구는 세포 집단 내 이질성을 정량적으로 다루기 위해 두 단계의 모델링 프레임워크를 제시한다. 첫 번째 단계는 각 세포를 독립적인 ODE 시스템으로 기술하고, 파라미터와 초기조건을 확률분포 함수 ϕ(θ, x₀) 로 정의한다. 여기서 θ는 반응 속도 상수 등 생물학적 파라미터, x₀는 초기 상태 벡터이며, 두 변수 모두 집단 수준에서 연속적인 분포를 가진다고 가정한다. 두 번째 단계에서는 이러한 미시적 모델을 집단 수준의 거시적 표현으로 승화시키기 위해 Liouville 방정식 형태의 편미분방정식(PDE)을 유도한다. 구체적으로, 상태 변수 x와 출력 y = h(x,θ) 의 결합 밀도 p(t, x, y) 가 시간에 따라 어떻게 전파되는지를 기술하는 연속 방정식 ∂p/∂t + ∇·(f(x,θ)p) = 0 를 도출한다. 이 PDE는 파라미터 분포와 초기조건 분포가 시간에 따라 어떻게 변형되는지를 정확히 포착한다는 점에서 기존의 평균화 모델(mean‑field)이나 샘플링 기반 시뮬레이션과 차별화된다.

데이터 측면에서는 흐름세포계측(FACS)에서 얻는 대규모 단일세포 측정값을 활용한다. FACS 데이터는 일반적으로 측정 노이즈와 검출 한계가 존재하므로, 저자들은 관측값 ŷ 를 확률밀도 함수 g(ŷ|y) 로 모델링하고, 전체 관측 데이터의 로그우도 함수를 기반으로 한 밀도 기반 통계 모델을 구축한다. 이때 g는 Gaussian 혹은 Poisson‑like 형태로 가정될 수 있으며, 실제 실험 조건에 맞게 파라미터화된다.

파라미터 분포 추정은 최적화 문제로 전환된다. 구체적으로, 관측된 출력 밀도와 모델이 예측하는 출력 밀도 사이의 Kullback‑Leibler 발산 혹은 L₂ 거리 등을 최소화하는 목적함수를 정의하고, ϕ(θ, x₀) 를 비음수이며 적분이 1이 되도록 하는 제약조건 하에 볼록 최적화(convex optimization) 문제로 변형한다. 이때 변수 공간이 고차원일 수 있으므로, 저자들은 사전 정의된 베이시스 함수(예: 다항식, 가우시안 커널) 위에 ϕ 를 전개하고, 계수들을 최적화 변수로 설정한다. 이렇게 하면 문제는 선형/이차 형태의 제약조건을 갖는 표준 형태의 볼록 프로그램이 되며, 효율적인 interior‑point 알고리즘이나 ADMM을 이용해 전역 최적해를 얻을 수 있다.

실험 검증으로는 세포 사멸 경로의 핵심인 카스파제 활성화 연쇄 모델을 사용한다. 이 모델은 다중 단계의 효소 활성화와 억제 메커니즘을 포함하며, 파라미터로는 반응 속도 상수와 초기 효소 농도가 있다. 저자들은 인위적으로 알려진 파라미터 분포와 노이즈 수준을 설정한 후, 가상 FACS 데이터를 생성하고 제안 방법으로 역추정한다. 결과는 추정된 분포가 원본 분포와 높은 정밀도(R²>0.95)와 낮은 평균 절대 오차를 보이며, 특히 파라미터 간 상관관계까지 복원함을 보여준다. 또한 실제 실험 데이터에 적용했을 때도 기존 방법 대비 파라미터 불확실성을 더 명확히 정량화한다는 장점을 보고한다.

핵심 인사이트는 다음과 같다. ① 파라미터와 초기조건의 연속적 분포를 명시적으로 모델링함으로써 세포 집단 이질성을 수학적으로 정밀히 기술한다. ② Liouville‑type PDE를 이용한 밀도 전파는 개별 시뮬레이션 없이도 전체 집단의 동태를 예측할 수 있게 한다. ③ 볼록 최적화 기반 추정 프레임워크는 전역 최적해를 보장하며, 대규모 FACS 데이터에도 확장 가능하다. ④ 노이즈 모델링을 포함한 통계적 접근은 실험적 불확실성을 정량화하고, 파라미터 식별의 신뢰성을 높인다. 다만, 파라미터 공간 차원이 크게 증가하면 베이시스 선택과 정규화가 필요하고, PDE 수치 해석 비용이 제한적일 수 있다는 점은 향후 연구 과제로 남는다.