생물학 ODE 모델의 확률성 처리와 동적 베이지안 네트워크

본 논문은 생물학적 시스템을 기술하는 전통적인 상미분방정식(ODE) 모델이 내재된 불확실성을 반영하지 못한다는 문제점을 제기한다. ODE는 초기 조건과 파라미터가 주어지면 완전히 결정론적으로 동작하지만, 실제 생물학적 현상은 외부 교란, 측정 오차, 개인 차이 등 다양한 확률적 요인에 크게 좌우된다. 이러한 한계를 극복하기 위해 저자들은 ODE 모델을 동적 베이지안 네트워크(DBN)로 변환하는 방법론을 제시한다. 변환 과정은 ODE의 미분 연산을 1차 오일러 스키마로 이산화하고, 각 연속형 변수와 파라미터를 가우시안 노드로 모델링하는 방식이다. 이렇게 구성된 DBN은 시간에 따라 변화하는 상태와 파라미터를 확률 변수로 취급함으로써 측정 노이즈와 파라미터 불확실성을 동시에 다룰 수 있다. 추론 단계에서는 입자 필터링(Sequential Monte Carlo) 알고리즘을 적용한다. 입자 필터는 사전 분포에서 다수의 파라미터-상태 샘플(입자)을 생성하고, 관측 데이터(증거)가 들어올 때마다 각 입자의 가중치를 업데이트한다. 가중치가 낮은 입자는 제거하고, 가중치가 높은 입자를 복제하는 재샘플링 과정을 통해 파라미터와 상태의 사후 분포를 점진적으로 수렴시킨다. 이 방법은 비선형·비가우시안 시스템에서도 안정적인 추정을 가능하게 하며, 실시간 데이터 스트림에 기반한 파라미터 개인화에 적합하다. 실험은 세 가지 대표적인 생물학적 ODE 모델에 대해 수행되었다. 첫 번째는 Arabidopsis thaliana의 시계 유전자 네트워크에서 PIF4와 PIF5를 결합한 PIF4/5 모델이며, 두 번째는 포식자‑피식자 상호작용을 기술하는 Lotka‑Volterra 모델, 세 번째는 신호 전달 연쇄 모델이다. 각 모델에 대해 기존 연구에서 제시된 파라미터 값을 기준으로 시뮬레이션 데이터를 생성하고, 실제 파라미터는 알 수 없는 상태에서 초기 추정값을 임의로 설정하였다. 증거는 데이터가 희소하고 불규칙한 시간점에서만 제공했으며, 노이즈는 추가하지 않아 파라미터 추정 능력 자체를 평가하였다. 결과는 다음과 같다. PIF4/5 모델에서는 RMSE 0.070, MAE 0.035를 기록했으며, 예측 궤적이 기준 솔루션과 거의 일치했다. Lotka‑Volterra 모델에서는 RMSE 0.287, MAE 0.137을 보였고, 포식자와 피식자 인구 변동을 정확히 재현했다. 신호 전달 연쇄 모델에서는 가장 낮은 RMSE 0.0085, MAE 0.0053을 달성해 높은 정밀도를 입증했다. 시각화된 결과는 입자 필터가 증거가 들어올 때마다 파라미터 분포를 빠르게 수렴시키는 과정을 명확히 보여준다. 논문의 주요 기여는 (1) ODE와 DBN을 결합한 통합 모델링 프레임워크를 제시해 도메인 지식을 보존하면서 확률적 추론을 가능하게 한 점, (2) 입자 필터링을 이용해 단일 데이터 스트림으로 파라미터와 상태를 동시에 추정함으로써 개인화된 모델링을 실현한 점, (3) 세 가지 실제 생물학적 모델에 적용해 데이터 결측·희소·불규칙 상황에서도 높은 예측 정확도를 입증한 점이다. 그러나 입자 필터링의 계산 복잡도, 오일러 근사의 수치 오차, 그리고 실제 측정 노이즈가 존재할 경우의 성능에 대한 추가 검증이 필요하다는 제한점도 언급된다. 결론적으로, 이 연구는 결정론적 ODE 모델의 확률적 확장을 위한 실용적인 방법을 제공하며, 생물학·의료 데이터 분석에서 불확실성을 정량화하고 실시간 개인화 모델을 구축하려는 연구자들에게 유용한 도구가 될 것으로 기대된다.