대규모 뇌 네트워크 유전성 매핑 영원동형학 기반

** ### 1. 서론 뇌 영상 연구는 고해상도 복셀 데이터를 활용하면서도 피험자 수가 제한적인 ‘small‑n large‑p’ 상황에 직면한다. 이를 완화하기 위해 희소 네트워크 모델이 도입됐지만, L1 정규화 기반 방법은 최적화 비용이 급증해 수백 노드 수준을 넘어서는 적용이 불가능했다. 저자들은 이러한 한계를 극복하고자, 교차상관을 직접 희소화하는 새로운 수학적 접근을 제안한다. ### 2. 희소 교차상관 모델 두 복셀 v_i, v_j 에 대해 n개의 피험자(또는 시간점)에서 측정된 신호 x_k(v_i), y_k(v_j)를 각각 표준화한다. 선형 모델 y(v_j)=b_{ij}·x(v_i)+e를 설정하고, L2 손실에 L1 패널티 λ‖b‖₁ 를 추가한다. 정리 1은 이 최적화 문제가 단순히 샘플 교차상관 r_{ij}=x(v_i)ᵀy(v_j) 에 대한 소프트‑쓰레시딩으로 해석될 수 있음을 증명한다. 따라서 λ가 증가할수록 |r_{ij}|≤λ 인 모든 연결이 0이 되고, 나머지는 r_{ij}−sign(r_{ij})·λ 로 감소한다. ### 3. 그래프 필터레이션 및 영원동형학 희소 교차상관 행렬을 가중 그래프 G(λ) 로 변환하고, λ에 따라 이진 그래프 G₀(λ) 를 만든다. 정리 2는 G₀(λ) 가 샘플 교차상관의 절대값을 기준으로 한 ‘soft‑threshold’ 연산과 동일함을 보이며, λ가 연속적으로 증가할 때 G₀(λ₁)⊃G₀(λ₂)⊃… 형태의 중첩 서브그래프 체인을 형성한다. 이는 영원동형학에서 사용하는 Rips‑filtration과 동일한 위계 구조이며, 각 단계에서 연결 성분(0‑차 호몰로지)과 사이클(1‑차 호몰로지)의 변화를 추적해 가장 지속적인 토포로지 특징을 식별한다. ### 4. 유전성 그래프 지표(HGI) 정의 전통적인 유전성 지수(HI)는 개별 복셀의 변이량을 MZ와 DZ 쌍둥이 간 차이로부터 추정한다. 저자들은 이를 네트워크 수준으로 확장해, 각 λ 단계에서 얻은 이진 그래프의 연결성 지표(예: 클러스터 수, 최대 클러스터 크기)를 Falconer’s formula에 적용한다. 이렇게 계산된 HGI는 특정 연결 혹은 클러스터가 유전적으로 얼마나 설명되는지를 정량화한다. ### 5. 실험 데이터 및 전처리 - **데이터**: 100쌍의 MZ와 100쌍의 DZ 쌍둥이 fMRI (resting‑state) 데이터. - **전처리**: 표준 fMRI 파이프라인(실시간 교정, 정규화, 스무딩) 후 2.6 × 10⁴ 복셀을 뇌 전체 마스크에 포함. - **신호 추출**: 각 복셀에 대해 평균 BOLD 시계열을 추출하고, n=200(피험자)으로 표준화. ### 6. 네트워크 구축 및 필터레이션 결과 희소 교차상관을 λ=0부터 최대값까지 200단계로 소프트‑쓰레시딩하여 그래프 필터레이션을 생성하였다. - **클러스터 동역학**: λ가 작을 때는 거의 완전 연결 그래프(클러스터 수≈1, 최대 클러스터 크기≈p)이며, λ가 증가함에 따라 클러스터 수가 급격히 늘고 최대 클러스터 크기가 감소한다. - **MZ vs DZ 차이**: 동일 λ에서 MZ 쌍둥이의 평균 클러스터 수가 DZ보다 작고, 최대 클러스터 크기가 더 커서 네트워크가 더 통합된 형태를 보였다. 이는 유전적 요인이 기능적 연결성을 강화한다는 가설을 지지한다. ### 7. HGI 분석 각 λ 단계에서 MZ와 DZ 간의 클러스터 크기 차이를 Falconer’s 공식에 대입해 HGI를 계산하였다. 결과는 λ≈0.15~0.30 구간에서 최고값(≈0.62)을 보였으며, 이는 해당 스케일의 연결이 약 62% 정도 유전적으로 결정된다는 의미다. 또한, 전두엽·후두엽 사이의 장거리 연결이 높은 HGI를 나타냈다. ### 8. 논의 - **계산적 장점**: 정규화된 교차상관을 한 번 계산하고 소프트‑쓰레시딩만으로 수천·수만 복셀 네트워크를 즉시 구축할 수 있다. 기존 L1 최적화 대비 메모리·시간 복잡도가 O(p²) → O(p log p) 수준으로 감소한다. - **통계적 강건성**: 영원동형학적 필터레이션을 통해 단일 λ 선택에 의존하지 않으며, 가장 지속적인 토포로지 특징만을 사용해 노이즈에 강인한 결과를 얻는다. - **생물학적 의미**: HGI가 높은 영역은 이전 연구에서 구조적 유전성이 보고된 부위와 일치하며, 기능적 네트워크 수준에서도 유전적 영향이 광범위하게 작용함을 시사한다. - **제한점**: 교차상관은 선형 관계만 포착하므로 비선형 상호작용은 놓칠 수 있다. 또한, 필터레이션 단계 선택이 결과 해석에 영향을 미칠 수 있어 추가적인 부트스트랩 검증이 필요하다. ### 9. 결론 및 향후 연구 본 논문은 L1 최적화의 계산적 병목을 회피하고, 영원동형학 기반 다중척도 분석을 결합한 새로운 뇌 네트워크 구축 프레임워크를 제시한다. 이를 통해 복셀 수준의 대규모 기능적 네트워크에 대한 유전성 매핑이 가능해졌으며, 향후 비선형 상관, 다중모달 데이터 통합, 그리고 임상 집단(예: 정신질환) 적용을 통해 네트워크 기반 엔도페노타입 탐색에 활용될 전망이다. **