모듈성 최대화의 실용적 한계와 해결책

초록

본 논문은 널리 사용되는 모듈 식별 기법인 모듈성 최대화(modularity maximization)의 실제 적용 상황에서의 동작과 정확성을 체계적으로 분석한다. 해상도 제한 현상을 재조명하고, Q 함수가 지니는 극단적인 퇴보성(다중 최적해)과 전역 최댓값 부재를 증명한다. 무한히 모듈화된 네트워크 모델에 대해 Q_max의 한계값이 네트워크 규모와 모듈 수에 크게 의존함을 보이며, 실제 대사 네트워크 3종에 적용해 퇴보 해답들이 모듈 크기 분포와 가장 큰 모듈 구성 등에서 상이함을 확인한다. 결과는 모듈성 최대화 결과를 과학적 해석에 사용할 때 신중을 기해야 함을 강조하고, 다중 해답을 결합하거나 생성 모델을 활용하는 방안을 제시한다.

상세 분석

논문은 먼저 모듈성(Q) 함수의 해상도 제한(resolution limit) 현상을 수학적으로 재정의한다. 기존 연구에서는 작은 커뮤니티가 큰 커뮤니티와 합쳐질 경우 Q 값이 오히려 증가한다는 점을 지적했지만, 저자들은 이를 “모듈 수와 네트워크 크기에 대한 비선형 의존성”으로 풀어낸다. 구체적으로, Q는 전체 에지 수와 각 모듈 내부 에지 비율을 이용해 정의되며, 모듈 수가 증가하면 Q의 기여도가 포화되는 구간이 존재한다. 이때 발생하는 해상도 제한은 네트워크가 커질수록 더 심화되어, 실제 데이터에서 작은 기능적 집단을 탐지하기 어려워진다.

다음으로 저자들은 Q 함수가 갖는 극단적인 퇴보성(degeneracy)을 증명한다. 임의의 네트워크에 대해 Q를 최대로 만드는 파티션은 일반적으로 유일하지 않으며, 특히 모듈 간 연결이 희박하고 내부 연결이 촘촘한 경우, 서로 다른 모듈 구성을 가진 수천에서 수백만 개의 파티션이 거의 동일한 Q 값을 가진다. 이 현상은 “지수적 퇴보성”이라고 명명되며, 전역 최댓값 자체가 존재하지 않을 수도 있음을 시사한다. 따라서 휴리스틱 알고리즘이 찾는 해는 전역 최적이 아니라 지역 최적에 불과하며, 알고리즘마다 결과가 크게 달라질 수 있다.

세 번째 기여는 “무한히 모듈화된” 네트워크 모델에 대한 Q_max의 극한 행동을 분석한 것이다. 저자들은 네트워크를 N개의 완전 연결된 클러스터가 희소하게 연결된 형태로 가정하고, N→∞, 각 클러스터 크기 s→∞인 경우 Q_max이 단순히 (1‑1/N) 형태가 아니라 N과 s의 비율에 따라 복잡하게 변한다는 것을 보인다. 즉, 같은 네트워크 규모라도 모듈 수가 많을수록 Q_max은 감소하고, 반대로 모듈 크기가 커질수록 Q_max은 상승한다. 이는 Q_max 자체가 네트워크 구조에 대한 절대적인 척도가 될 수 없으며, 비교 시 반드시 모듈 수와 크기를 보정해야 함을 의미한다.

마지막으로 실제 대사 네트워크 3종(예: E. coli, S. cerevisiae, H. sapiens)에서 다양한 휴리스틱(예: Louvain, Leiden, Simulated Annealing)을 적용해 얻은 수천 개의 고점수 파티션을 비교했다. 결과는 퇴보 해답들 사이에 가장 큰 모듈의 구성원, 모듈 크기 분포, 그리고 특정 기능적 경로가 포함되는 여부 등에서 상당한 차이를 보였지만, 전체적인 모듈 수와 평균 모듈 크기와 같은 거시적 특성은 비교적 일관되었다. 이러한 부분적 일치는 연구자가 관심을 두는 스케일에 따라 해석이 달라질 수 있음을 강조한다.

전체적으로 논문은 모듈성 최대화가 실용적인 네트워크 분석에서 갖는 한계와 그 원인을 이론적·실험적으로 명확히 규명한다. 퇴보성 문제를 완화하기 위해 다중 해답을 집계하거나, 베이지안 네트워크 생성 모델을 활용해 사전 정보를 도입하는 방안을 제시한다. 이러한 접근은 단일 최적해에 의존하는 기존 관행을 넘어, 보다 견고하고 재현 가능한 모듈 탐지를 가능하게 할 것으로 기대된다.