유전자 발현과 이질적 집단 동역학을 위한 확률 시뮬레이션 알고리즘

초록

본 논문은 개별 세포 내 분자 수준의 변동을 정확히 모사하는 Gillespie 직접법과, 성장하는 세포 집단의 통계적 특성을 일정한 샘플 수로 유지하면서 추적하는 constant‑number Monte Carlo 방식을 결합한 알고리즘을 제시한다. 알고리즘은 세포 부피 성장, 분열, DNA 복제 등 생리학적 이벤트를 사용자 정의 규칙으로 포함할 수 있으며, 병렬 CPU 구현을 통해 대규모 인구 시뮬레이션을 효율적으로 수행한다. 정적·동적 분석 모델의 해석적 해와 비교한 벤치마크 결과는 높은 정확도와 계산 효율성을 보여주며, 환경 스트레스에 대한 ‘베팅‑헤징’ 현상을 재현하는 사례 연구도 포함한다.

상세 분석

이 연구는 두 가지 핵심 기술을 통합한다. 첫 번째는 Gillespie SSA(직접법)로, 화학 반응의 확률적 발생 시점을 정확히 계산한다. 저자들은 반응 속도 상수를 현재 세포 부피 V(t)와 연결시켜, 2차 이상 반응의 경우 c = w · N_A / V(t) 형태로 동적으로 조정한다. 부피는 V₀·exp(ln 2·t_div/τ₀) 로 지수 성장 모델을 채택해, 세포가 일정 시간 τ₀마다 부피를 두 배로 늘리는 현실을 반영한다. 부피가 임계값 V_div = 2 V₀에 도달하면 분열 이벤트가 트리거되고, 모세포와 딸세포에 대한 물질 분배는 확률적 파티셔닝(대칭·비대칭 모두 가능)으로 구현한다. DNA 복제 시점도 사용자 정의 이벤트 스택에 삽입해, 복제 후 전사율이 두 배가 되는 등 유전자 복제 효과를 손쉽게 모델링한다.

두 번째는 constant‑number Monte Carlo 기법이다. 전체 인구를 무한히 확장하는 대신, 고정된 N개의 ‘샘플 세포’를 유지한다. 새로 생성된 딸세포는 별도 배열에 저장하고, 일정 간격 t_restore마다 가장 오래된 딸세포를 무작위 모세포와 교체한다. 이 과정은 연령(부피) 분포를 보존하면서도 인구 규모가 기하급수적으로 증가하는 문제를 회피한다. 구현상, 모세포와 딸세포 배열을 각각 관리하고, 교체 단계에서 무작위 선택과 FIFO 방식(가장 오래된 딸세포 우선)을 결합해 통계적 편향을 최소화한다.

알고리즘은 공유 메모리 멀티코어 환경에서 각 세포의 SSA를 독립적으로 병렬 실행한다. ‘parallel region’ 내부에서 모든 세포가 동시에 반응을 진행하고, 부피·이벤트 업데이트 후, 외부에서 constant‑number MC를 호출해 인구 샘플을 갱신한다. 저자는 IBM 2 × quad‑core(1.86 GHz) 시스템에서 8 000세포, 10⁵ s 시뮬레이션을 81 s에 완료했으며, 이는 기존 방법 대비 수십 배 가속을 의미한다.

벤치마크에서는 정적·동적 해석 모델(예: 단일 유전자 발현, 복제·분열 포함)과 비교해 평균 및 분산이 이론값과 일치함을 확인했다. 마지막으로, ‘베팅‑헤징’ 현상을 모사한 시뮬레이션에서는 스트레스 조건 전후의 표현형 분포 변화를 정확히 재현했으며, 이는 알고리즘이 복합적인 생리학적 메커니즘을 통합할 수 있음을 보여준다.