통계적 불확실성을 고려한 마코프 상태 모델 효율적 군집화

초록

본 논문은 마코프 상태 모델(MSM)의 상태 수가 수만 개에 달할 때도 해석 가능하도록, 베이지안 기반의 단계적 군집화 알고리즘(BACE)을 제안한다. BACE는 유한 샘플링으로 인한 전이 확률의 통계적 불확실성을 명시적으로 모델링하고, 상태 병합 기준을 일반화된 Jensen‑Shannon divergence로 정의한다. 이를 통해 정보 손실을 최소화하면서 계층적 모델을 자동으로 생성하고, 베이지안 모델 비교를 이용해 최적의 군집 수준을 효율적으로 선택한다. 기존 방법에 비해 정확도와 해석성이 크게 향상된다.

상세 분석

이 연구는 마코프 상태 모델(MSM)의 고차원성을 해결하기 위해 베이지안 통계와 정보 이론을 결합한 새로운 군집화 프레임워크를 제시한다. 핵심 아이디어는 각 전이 행렬 원소에 대한 사후 분포를 베타-디리클레트(Dirichlet) 사전으로 모델링함으로써, 유한 샘플링으로 발생하는 불확실성을 정량화하는 것이다. 이렇게 얻어진 사후 분포는 두 상태를 병합할 때의 기대 로그우도 차이를 계산하는 데 사용되며, 그 결과는 일반화된 Jensen‑Shannon divergence(구조적 Kullback‑Leibler divergence)의 형태로 나타난다. 즉, 두 상태의 전이 확률 분포가 얼마나 서로 다른지를 정보 이론적 거리로 측정하고, 이 거리가 최소인 쌍을 순차적으로 병합한다는 의미다.

알고리즘은 Bottom‑up 방식으로 진행되며, 매 단계마다 모든 가능한 상태 쌍에 대해 위의 발산 값을 계산한다. 계산량을 크게 줄이기 위해 저자는 사후 분포의 충분통계량을 이용한 폐쇄형 식을 도출했으며, 이는 O(N²) 복잡도에서 O(N) 수준으로 최적화된다(N은 현재 클러스터 수). 또한, 베이지안 모델 비교(Bayesian model evidence)를 이용해 각 병합 단계에서 전체 모델의 증거를 평가한다. 이 과정에서 모델 복잡도와 데이터 적합도를 동시에 고려하므로, 과적합을 방지하고 물리적으로 의미 있는 중간 수준의 모델을 자동으로 선택할 수 있다.

BACE는 기존의 PCCA+, PCCA++와 같은 스펙트럴 군집화 방법과 비교했을 때, 특히 전이 행렬이 희소하거나 샘플링이 제한된 경우에 강인성을 보인다. 전이 확률의 불확실성을 무시하는 전통적 방법은 작은 샘플에서도 과도한 병합을 일으키거나, 반대로 과도하게 세분화된 모델을 생성한다. 반면 BACE는 불확실성을 정량화함으로써, 데이터가 충분히 뒷받침하는 경우에만 병합을 진행한다. 실험에서는 작은 펩타이드와 중간 규모 단백질 시스템에 대해 수천 개의 미세 상태를 수십 개의 메조스케일 상태로 성공적으로 축소했으며, 축소된 모델이 원본 MSM과 동일한 장기 동역학(천연 시간 척도)과 자유 에너지 프로파일을 재현함을 확인했다.

또한, 저자는 베이지안 모델 비교를 위한 효율적인 폐쇄형 표현식을 제시했는데, 이는 각 단계에서 모델 증거를 빠르게 업데이트할 수 있게 해준다. 이를 통해 사용자는 전체 군집 트리를 탐색하면서, 가장 높은 증거를 갖는 레벨을 자동으로 식별할 수 있다. 이 기능은 특히 다중 스케일 시뮬레이션을 설계하거나, 실험 데이터와의 정량적 비교를 수행할 때 유용하다.

전반적으로 BACE는 통계적 불확실성을 명시적으로 고려함으로써, MSM의 해석 가능성을 크게 향상시키고, 정보 손실을 최소화하는 체계적인 군집화 절차를 제공한다. 이는 복잡한 생물물리 시스템을 메조스케일 모델로 전환하는 데 필요한 이론적·계산적 토대를 마련한다는 점에서 큰 의미를 가진다.