위상 그래프 클러스터링을 이용한 효모 단백질 기능 예측

초록

본 논문은 위상 데이터 분석 기반 반지도 학습 알고리즘(TILO/PRC)을 활용해 효모 단백질의 기능을 예측한다. 단백질‑단백질 상호작용 및 도메인·유전자 발현 등 다중 네트워크를 그래프로 결합하고, 그래프의 핀치 클러스터를 찾아 라벨이 있는 단백질의 평균 라벨을 무라벨 단백질에 전파한다. bagging 기법으로 다중 샘플을 평균해 안정성을 높였으며, 13개의 기능 클래스에 대해 ROC 점수를 측정한 결과, 기존 SVM·SDP·MRF 기반 방법과 동등하거나 우수한 성능을 보였다.

상세 분석

이 연구의 핵심은 Topologically Intrinsic Lexicographic Ordering (TILO)과 Pinch Ratio Clustering (PRC)이라는 위상 기반 그래프 클러스터링 기법이다. TILO는 그래프 정점의 선형 순서를 탐색하면서 각 정점 집합 A_i (i번째까지의 정점) 의 경계 크기 b_i 를 계산하고, 이 경계값들의 폭을 사전식으로 최소화한다. 약하게 감소 가능한(order weakly reducible) 순서를 반복적으로 개선해 강하게 감소 불가능한(strongly irreducible) 순서를 얻으며, 이때 b_i 가 지역 최소값을 갖는 인덱스 i 를 선택하면 A_i 와 그 여집합이 ‘핀치 클러스터(pinch cluster)’가 된다. 핀치 클러스터는 내부 연결은 강하고 외부와의 경계는 작아, 기능적으로 유사한 단백질이 모여 있을 가능성이 높다.

반지도 학습 단계에서 라벨이 있는 정점들의 라벨(0/1)을 평균해 클러스터 내 무라벨 정점에 확률값을 부여한다. 라벨이 전혀 없는 클러스터는 전체 데이터셋에서 가장 빈번한 라벨을 할당한다. 이 과정은 클러스터 경계가 그래프 구조에 의해 자연스럽게 정의되므로, 전통적인 거리 기반 방법보다 고차원 데이터의 기하학적 왜곡에 덜 민감하다.

알고리즘이 지역 최소에 머무를 위험을 완화하기 위해 bagging을 적용한다. 전체 무라벨 데이터셋을 비복원 추출로 λ 비율만큼 여러 번 샘플링(N=25)하고, 각 샘플에 대해 TILO/PRC를 수행한다. 각 실행에서 얻은 확률을 평균하면 최종 예측값이 된다. 이 절차는 과적합을 억제하고, 특히 라벨이 희소한 클래스에서 안정적인 추정치를 제공한다.

실험에서는 5개의 개별 유사도 행렬(W₁W₅)과 이들의 단순 평균 그래프를 사용했다. W₁은 Pfam 도메인 기반, W₂·W₃·W₄는 각각 복합체 참여, 물리적 상호작용, 유전적 상호작용을 나타낸다. W₅는 유전자 발현이 너무 희소해 제외했다. 각 그래프는 다수의 연결 성분을 가지며, 고립 정점은 제외하였다. 5‑fold 교차 검증을 3회 반복해 ROC 점수를 측정했으며, TILO/PRC는 개별 그래프에서 평균 ROC 0.7670.896, 통합 그래프에서는 0.8440.908을 기록했다. 이는 동일 데이터에 대해 1‑norm SVM, SDP‑SVM, Markov Random Field(MRF) 등 기존 최첨단 방법과 비교해 동등하거나 약간 높은 성능을 보인다. 특히 W₁(도메인 기반)에서 TILO는 SVM보다 평균 0.020.03 높은 ROC를 달성했으며, 표준편차도 비슷하거나 약간 크게 나타났다.

이 알고리즘의 장점은 (1) 위상학적 이론에 기반해 클러스터 경계를 명확히 정의한다는 점, (2) 그래프 라플라시안이나 커널 가중치 최적화 없이 단순 평균으로도 경쟁력 있는 결과를 얻는다, (3) 대규모 네트워크에서도 선형 순서 탐색과 지역 최소 탐색만으로 계산 복잡도가 비교적 낮다. 반면, 현재 구현은 그래프가 매우 희소하거나 고립 정점이 많을 경우 라벨 전파가 어려워지는 한계가 있다. 또한, 가중치 조합을 최적화하지 않음으로써 잠재적인 성능 향상 여지를 놓칠 수 있다. 향후 연구에서는 가중치 학습을 통합하고, 다중 라벨(다중 기능) 상황에 대한 확장 및 다른 생물종에 대한 일반화 검증이 필요하다.