라그랑주 완화 기반 희소 글로벌 네트워크 정렬

초록

본 논문은 단백질 상호작용 네트워크의 전역 정렬을 위해 정수선형계획(ILP) 모델을 제안하고, 이를 라그랑주 완화와 이중 하강 기법으로 강력한 상·하한을 계산한다. 개선된 알고리즘을 구현한 소프트웨어 natalie 2.0은 기존 IsoRank·Graal 대비 정밀도와 실행시간 모두에서 우수한 성능을 보이며, 다양한 스코어링 방식을 유연하게 지원한다.

상세 분석

이 연구는 전통적인 그래프 정렬 문제를 이차 할당 문제(QAP)와의 밀접한 관계를 이용해 수학적으로 정형화한다. 두 입력 그래프 G₁=(V₁,E₁), G₂=(V₂,E₂)에 대해 정렬 a:V₁→V₂는 부분 전단사이며, 정렬 점수는 정점 매칭 점수 c(i,k)와 엣지 매칭 점수 w(i,k,j,l)의 합으로 정의된다(식 1). 이 목표는 0‑1 변수 xᵢₖ(정점 i를 k와 매칭)와 yᵢₖⱼₗ(정점 쌍 (i,j)와 (k,l)의 매칭)으로 구성된 이차 정수계획(IQP)으로 표현된다.

IQP를 선형화하기 위해 yᵢₖⱼₗ = xᵢₖ·xⱼₗ 로 치환하고, 제약식(9)·(10)으로 x와 y 사이의 연결을 강제한다. 여기서 핵심은 라그랑주 완화(Lagrangian Relaxation)이다. 연결 제약(11)을 라그랑주 승수 λᵢₖⱼₗ로 이중화하면, 원문제는 λ에 대한 이중 문제(LD)로 변환된다. LD는 각 (i,k)마다 독립적인 최대 가중 이분 매칭 문제로 분해되며, 이는 Hungarian 알고리즘을 이용해 O(n⁵) 혹은 희소 그래프에서는 O(n⁴·log n) 시간에 해결 가능하다.

LD의 최적값 Z_LD(λ)는 언제나 원문제의 최적값 위에 위치하므로 상한을 제공한다. 동시에 LD의 최적 해 x에 의해 얻어지는 실제 매칭 점수 Z_lb(λ)는 하한이 된다. 따라서 λ를 적절히 조정하면 상·하한 차이를 최소화할 수 있다. 저자는 두 가지 λ 업데이트 전략을 제안한다. 첫 번째는 전통적인 서브그라디언트 방법으로, 현재 상·하한 차이를 비례적으로 감소시키며 단계 크기 α를 동적 조정한다. 두 번째는 이중 하강(Dual Descent) 기법으로, λ를 조정하면서 기존 이중 변수(α,β,μ,ν)의 허용 여유(슬랙) π와 γ를 활용한다. 이때 λ의 증분은 γ와 슬랙을 적절히 가중합한 형태(식 31)로 정의되어, 새로운 λ가 기존 이중 변수의 타당성을 유지하도록 보장한다.

알고리즘 전체 흐름은 서브그라디언트와 이중 하강을 교대로 적용하거나, 상황에 따라 하나만 선택해 실행한다. 구현상 중요한 점은 생물학적 지식에 기반한 정렬 그래프 G_m을 희소화하는 것이다. 예를 들어, BLAST 기반 유사도나 GO 어노테이션을 이용해 비현실적인 정점 매칭을 사전에 차단함으로써 매칭 문제의 규모를 크게 줄인다.

실험에서는 6종의 단백질 상호작용 네트워크(총 수십만 엣지)를 대상으로 natalie 2.0을 IsoRank와 Graal과 비교했다. 평가 지표는 보존된 엣지 수와 GO 기반 기능 일관성이다. 결과는 natalie 2.0이 평균 15 % 이상 높은 보존 엣지를 발견하고, 실행 시간도 기존 방법 대비 2~3배 빠름을 보여준다. 특히, λ 최적화 단계에서 서브그라디언트만 사용할 경우 수천 회 반복이 필요했으나, 이중 하강을 결합하면 수백 회 이하로 수렴해 실용성을 크게 높였다.

이 논문의 주요 공헌은 (1) 전역 네트워크 정렬을 QAP와 동등한 ILP 형태로 명확히 정의, (2) 라그랑주 완화와 이중 하강을 결합해 강력한 상·하한을 효율적으로 계산, (3) 희소성을 활용한 정렬 그래프 축소와 함께 실제 대규모 PPI 데이터에 적용 가능한 소프트웨어를 제공한 점이다. 이러한 접근은 향후 다중 네트워크 정렬, 동적 네트워크 비교, 혹은 비생물학적 그래프 매칭 분야에도 확장 가능성이 크다.