네트워크 기반 경로 분석 방법 비교 및 적용

본 논문은 고속 대용량 유전체 데이터와 경로 데이터베이스(Kegg, Reactome, BioCarta 등)의 급격한 확장에 따라, 전통적인 유전자 집합 기반 경로 분석이 갖는 한계를 극복하고자 네트워크 토폴로지를 반영한 방법들을 체계적으로 리뷰하고 비교한다. 먼저 서론에서는 고전적인 과잉표현 분석과 GSEA가 유전자를 단순 집합으로만 취급해 경로 내 상호작용을 무시한다는 점을 지적하고, 실제 생물학적 시스템에서는 유전자 간 연결성, 방향성, 활성·억제 부호가 기능적 결과에 큰 영향을 미친다는 근거를 제시한다. 그 후, 저자는 8가지 토폴로지 기반 방법을 선정한다. (1) SPIA는 차등 발현 유전자를 선택하고, 상류 유전자의 발현 변화와 연결 수·부호를 가중합해 ‘perturbation factor’를 구한 뒤, 하이퍼지오메트릭 검정과 결합해 최종 p값을 도출한다. (2) ROT/pe는 SPIA를 확장해 임계값 없이 모든 유전자를 가중치로 포함하고, ‘cut‑off free’ 분석을 제공한다. (3) PathNet은 직접 통계와 이웃 유전자의 −log10(p) 합을 ‘indirect’ 점수로 정의하고, 전역 네트워크에서 퍼뮤테이션 검정을 수행한다. (4) NEA는 경로 내 DE 유전자와 이웃의 에지 수를 합산하고, 네트워크 재배열을 통해 통계적 유의성을 평가한다. (5) CePa는 네트워크 중심성(도수, 베터니스, 클러스터링 계수 등)을 활용해 ORA와 GSA 두 형태로 경로를 분석한다. (6) GSEA는 토폴로지를 무시하고 순위 기반 풍부도 검정을 수행한다. (7) 추가적으로 논문에서는 GPC‑Score, Pathifier, PDM 등 차원 축소 기반 방법을 언급하지만, 본 비교에서는 포함되지 않는다. 각 방법의 구현은 모두 R/Bioconductor 패키지 형태로 제공되며, KEGG 경로를 입력으로 사용한다. 저자는 10개의 난소암 마이크로어레이 데이터셋(총 247개 KEGG 경로)을 동일한 전처리(정규화, 로그 변환) 후, 각 방법에 적용해 실행 시간과 결과 일관성을 측정했다. 실행 시간 측면에서 GSEA와 SPIA는 수 초 내에 완료되는 반면, CePa‑GSA와 ROT/pe는 수 분에서 수십 분이 소요되었다. 결과 일관성은 Pearson 상관계수 평균 0.45로 중간 정도였으며, 특정 핵심 경로(예: p53, MAPK, PI3K‑AKT)에서는 대부분의 방법이 높은 유의성을 보였지만, 대형 복합 경로에서는 방법 간 차이가 크게 나타났다. 특히 ROT/pe와 CePa‑GSA는 ‘cut‑off free’ 특성 덕분에 미세한 발현 변화까지 포착해 추가적인 생물학적 인사이트를 제공했으며, NEA와 PathNet은 전역 네트워크를 활용해 경로 간 교차 효과를 탐지하는 데 강점을 보였다. 논문의 마지막 부분에서는 각 방법의 장단점을 정리한다. SPIA는 직관적인 퍼트러베이션 모델과 빠른 실행이 장점이지만, DE 유전자 임계값 설정에 민감하다. ROT/pe는 임계값 의존성을 없애지만 계산 비용이 크다. PathNet은 전역 네트워크를 활용해 간접 효과를 포착하지만, 방향성을 무시한다. NEA는 에지 기반 점수를 제공하지만, 이진 임계값에 의존해 노이즈에 취약하다. CePa는 다양한 중심성 지표와 가중치 방식을 제공해 풍부한 해석을 가능하게 하지만, 결과 해석이 복잡하고 현재 구현은 두 샘플 t‑검정에 제한된다. 결론적으로, 연구자는 분석 목표(신호 전파 경로 강조 vs. 전체 네트워크 구조 활용), 데이터 특성(샘플 수, 통계량 종류), 그리고 계산 자원에 따라 적절한 도구를 선택할 수 있다. 향후 연구는 (1) 방향성 및 부호를 고려한 가중치 기반 NEA 개선, (2) 멀티오믹스(전사체·단백질체·메틸화) 데이터를 통합할 수 있는 확장성, (3) 사용자 정의 통계 모델을 지원하는 CePa‑GSA의 구현, (4) 대규모 네트워크에서의 효율적인 퍼뮤테이션 알고리즘 개발 등을 중점적으로 다루어야 할 것으로 제시한다.