대규모 DNA 메틸화 데이터 분류를 통한 암 드라이버 탐색

초록

본 연구는 45만 개 이상의 CpG 사이트를 포함한 TCGA DNA 메틸화 데이터를 Apache Spark 기반의 BIGBIOCL 알고리즘으로 효율적으로 분류하고, 반복적인 특성 제거 과정을 통해 다수의 대안적 분류 모델과 암 관련 후보 유전자를 자동 추출한다.

상세 분석

BIGBIOCL은 기존 CAMUR 알고리즘을 확장하여, Spark MLlib의 Random Forest를 핵심 분류기로 채택하고 Hadoop YARN 클러스터에서 병렬 처리한다. 데이터는 TCGA에서 추출한 유방( BRCA), 갑상선( THCA), 신장( KIRP) 암종의 450 k 플랫폼 베타값을 사용했으며, 각 데이터셋은 300~900개의 샘플과 485 512개의 CpG 피처를 포함한다. 알고리즘은 매 반복마다 전체 피처 집합에 대해 Random Forest 모델을 학습하고, 모델에 사용된 모든 피처(즉, 분할에 기여한 CpG 사이트)를 영구적으로 제거한다. 이 과정을 F‑measure가 사전에 정의된 임계값 이하가 되거나 최대 반복 횟수에 도달할 때까지 진행한다.

핵심 기술적 특징은 다음과 같다. 첫째, Spark의 RDD와 DataFrame을 이용해 메모리 사용을 최소화하고, 피처 제거 후에도 데이터 파티션을 재구성함으로써 반복 학습 비용을 크게 낮춘다. 둘째, Random Forest의 내재적 특성인 부트스트랩 샘플링과 무작위 피처 선택이 과적합을 억제하고, 높은 정확도( F‑measure > 0.97)를 유지하게 한다. 셋째, 각 반복에서 추출된 CpG 사이트를 인간 유전체 매니페스트와 매핑해 해당 유전자를 식별함으로써, 단일 모델이 제공하는 제한된 바이오마커를 넘어 다중의 대안적 바이오마커 집합을 생성한다.

실험 결과, BIGBIOCL은 단일 머신 환경에서도 수십 시간 내에 100회 이상의 반복을 수행했으며, 클러스터 환경에서는 동일 작업을 몇 시간 안에 완료했다. 또한, 동일 데이터에 대해 기존 Random Forest 구현( Spark MLlib 기본 설정)과 비교했을 때, 전체 실행 시간은 30 %~45 % 정도 단축되었고, 메모리 사용량도 현저히 감소했다.

비교 대상인 MethPed(다중 회귀 기반 피처 선택 후 Random Forest)와 methylKit(비지도 클러스터링 기반)과는 정확도와 실행 효율성 모두에서 우위를 보였다. 특히, BIGBIOCL은 피처 선택 단계 없이 전체 450 k 피처를 직접 활용함으로써, 기존 방법이 놓칠 수 있는 저빈도지만 중요한 CpG 변이를 포착한다는 점이 큰 강점이다.

마지막으로, 최종 후보 유전자 리스트는 기존 문헌에 보고된 암 관련 유전자와 상당 부분 겹치면서도, 새로운 잠재적 드라이버 유전자를 포함한다. 이는 향후 실험적 검증 및 임상 적용 가능성을 높이는 중요한 출발점이 된다.