그래프 모델링 입문

초록

본 장은 그래프 모델의 수학·통계적 기초와 주요 특성, 추정·추론 방법을 개괄하고, 마코프 네트워크와 베이지안 네트워크를 중심으로 이론을 전개한다. 이어서 시스템 생물학 분야에서의 실제 적용 사례들을 소개한다.

상세 분석

이 장은 그래프 모델링을 두 부분으로 나누어 체계적으로 서술한다. 첫 번째 파트에서는 그래프 이론의 기본 개념—정점, 간선, 인접 행렬—을 바탕으로 확률 변수 간의 조건부 독립성을 그래프 구조로 표현하는 방법을 설명한다. 특히 마코프 랜덤 필드(MRF)와 베이지안 네트워크(BN)의 차이를 명확히 구분한다. MRF는 무향 그래프를 사용해 대칭적인 상호작용을 모델링하며, 클리크(완전 부분 그래프)를 중심으로 잠재 변수들의 결합 분포를 팩터화한다. 여기서는 Hammersley‑Clifford 정리를 통해 마코프 특성과 잠재 함수(포텐셜) 사이의 동등성을 증명하고, 라플라시안 행렬과 같은 그래프 라플라시안 기반의 스펙트럴 방법이 구조 학습에 어떻게 활용되는지 논한다. 반면 베이지안 네트워크는 방향성 있는 비순환 그래프(DAG)를 채택해 인과 관계를 명시한다. 조건부 확률표(CPT)를 통해 각 노드의 확률을 부모 노드에 의존하도록 정의하고, d-분리(d-separation) 개념을 이용해 그래프상의 독립성을 판별한다. 이 장은 또한 두 모델 모두에서 파라미터 추정 방법을 상세히 다룬다. MRF에서는 최대우도 추정(ML)과 정규화 상수 계산의 어려움을 해결하기 위해 변분 베이지안 방법, pseudo‑likelihood, 그리고 contrastive divergence와 같은 근사 기법을 소개한다. BN에서는 구조 학습을 위한 스코어 기반 방법(BIC, AIC)과 제약 기반 방법(PC 알고리즘) 그리고 혼합 방법을 비교한다. 추론 파트에서는 정확한 추론을 위한 변수 소거와 조인트 트리 변환, 근사 추론을 위한 메시 패싱( belief propagation)과 MCMC 샘플링을 설명한다. 두 번째 파트에서는 이러한 이론이 시스템 생물학에 어떻게 적용되는지를 사례 중심으로 보여준다. 유전자 발현 네트워크 재구성, 대사 경로 모델링, 단백질‑단백질 상호작용 예측 등에 MRF와 BN이 각각 어떤 장점을 제공하는지 구체적인 데이터셋과 실험 결과를 인용해 논한다. 특히 베이지안 네트워크를 이용한 인과 추론이 약물 타깃 탐색에 미치는 영향과, 마코프 랜덤 필드를 활용한 공간적 유전자 발현 패턴 분석이 조직 수준의 기능적 해석에 기여한 사례가 강조된다. 전체적으로 이 장은 그래프 모델의 수학적 엄밀성과 실용적 적용 사이의 다리를 놓으며, 독자가 이론을 실제 연구에 바로 적용할 수 있도록 충분한 알고리즘적 세부사항과 구현 팁을 제공한다.