PCA와 요인분석을 활용한 바이오인포매틱스 데이터 차원 축소

초록

본 논문은 고차원 유전체 데이터의 분석 효율성을 높이기 위해 주성분 분석(PCA)과 요인분석(FA)을 적용한다. 백혈병 데이터셋을 대상으로 두 기법을 비교 적용함으로써 원본 수백 개의 특성을 수십 개 수준으로 축소하고, 차원 축소 후 머신러닝 모델의 성능 및 계산 비용 변화를 평가한다.

상세 분석

본 연구는 현대 차세대 시퀀싱(NGS) 기술의 급격한 발전으로 매일 방대한 양의 유전체 데이터가 생성되는 현상을 출발점으로 삼는다. 이러한 데이터는 수백에서 수천 개에 이르는 유전형, 발현량, 메틸화 수준 등 다양한 바이오마커를 포함하고 있어, 전통적인 머신러닝 알고리즘에 그대로 투입할 경우 차원의 저주(curse of dimensionality)와 과적합(overfitting) 문제가 심각하게 나타난다. 따라서 차원 축소는 데이터 전처리 단계에서 필수적인 절차로 인식된다.

논문은 두 가지 통계적 차원 축소 기법, 즉 주성분 분석(PCA)과 요인분석(FA)을 선택한 이유를 명확히 제시한다. PCA는 데이터의 분산을 최대화하는 선형 변환을 통해 새로운 직교 축을 생성함으로써, 정보 손실을 최소화하면서 차원을 감소시킨다. 반면 FA는 관측된 변수들 간의 공통된 잠재 요인을 모델링하여, 변수 간 상관 구조를 해석 가능한 형태로 압축한다. 두 기법 모두 선형성을 전제로 하지만, 해석 가능성, 잡음에 대한 민감도, 그리고 차원 선택 기준에서 차이를 보인다.

실험 데이터는 공개된 백혈병 마이크로어레이 데이터셋을 사용하였다. 원본 데이터는 약 7,000개의 유전자 발현값을 포함하고 있었으며, 각 샘플은 급성 림프구성 백혈병(ALL)과 급성 골수성 백혈병(AML) 두 클래스로 라벨링되어 있다. 데이터 전처리 단계에서는 결측값 제거, 로그 변환, 그리고 Z-스코어 정규화를 수행하였다. 이후 PCA와 FA 각각에 대해 고유값(eigenvalue) 기준(>1)과 스크리 플롯(scree plot) 분석을 통해 최적 차원 수를 결정하였다. PCA에서는 15개의 주성분이 전체 분산의 85% 이상을 설명했으며, FA에서는 12개의 요인이 통계적으로 유의미한 것으로 판단되었다.

차원 축소 후에는 대표적인 분류 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest), 그리고 k-최근접 이웃(k-NN)을 적용하여 성능을 비교하였다. 결과적으로, PCA 기반 데이터는 SVM에서 93.2%의 정확도를 기록했으며, FA 기반 데이터는 91.7%의 정확도를 보였다. 원본 고차원 데이터에 동일 알고리즘을 적용했을 때는 정확도가 89.5%에 그쳤지만, 학습 시간은 3~4배 이상 증가하였다. 이는 차원 축소가 모델의 일반화 능력을 향상시키고, 계산 효율성을 크게 개선함을 시사한다.

또한, 요인분석을 통해 도출된 요인 로딩 행렬을 해석함으로써, 특정 유전자 그룹이 백혈병 유형 구분에 핵심적인 역할을 한다는 생물학적 인사이트를 얻을 수 있었다. 반면 PCA는 주성분이 복합적인 유전자 조합을 반영하므로 해석이 다소 어려운 점이 있었다. 이러한 차이는 차원 축소 기법 선택 시 분석 목적—예측 정확도 vs. 생물학적 해석 가능성—에 따라 달라질 수 있음을 강조한다.

논문의 한계점으로는 선형 차원 축소에 국한된 점, 샘플 수가 상대적으로 적어 통계적 검증이 제한적이었다는 점, 그리고 외부 검증 데이터셋이 부재했다는 점을 들 수 있다. 향후 연구에서는 비선형 차원 축소 기법인 t-SNE, UMAP, 그리고 딥러닝 기반 오토인코더를 적용하여 복잡한 비선형 구조를 포착하고, 다중 오믹스 데이터(예: 전사체와 메틸체)를 통합 분석함으로써 차원 축소와 생물학적 해석을 동시에 달성하는 방안을 모색할 필요가 있다.