파킨슨병 아형 식별 및 예측을 위한 궤적 군집화와 이분 그래프 네트워크

초록

본 연구는 파킨슨병 환자의 임상·유전 변수를 시간에 따라 연결한 이분 그래프 네트워크를 이용해 환자 궤적을 클러스터링하는 Trajectory Profile Clustering(TPC) 알고리즘을 제안한다. PPMI 데이터에 적용해 3개의 뚜렷한 아형을 발견했으며, 기저 평가만으로 5년 후 아형을 74% 정확도로 예측한다. 유전 정보도 손쉽게 통합 가능해 만성 진행성 질환의 고차원 종단 데이터 분석에 유용한 도구임을 보여준다.

상세 분석

이 논문은 파킨슨병(PD)의 이질성을 정량화하기 위해 ‘궤적 프로파일 클러스터링(TPC)’이라는 새로운 데이터‑드리븐 프레임워크를 설계했다. 핵심 아이디어는 각 시점마다 환자를 임상·인구통계·유전 변수와 연결하는 이분 그래프(환자‑변수 네트워크)를 구성하고, 시간에 따라 변화하는 이 네트워크들의 연속을 하나의 고차원 궤적으로 보는 것이다. 구체적으로, 연구팀은 PPMI 코호트에서 0~5년까지 연 1회 수집된 30여 개 변수(운동증상, 비운동증상, 인지점수, 혈액 바이오마커 등)를 선택하고, 각 변수의 값이 임계치를 초과하면 환자‑변수 간에 가중치 1의 엣지를, 그렇지 않으면 0의 엣지를 부여해 이분 인접 행렬을 만든다. 이렇게 얻은 시점별 행렬을 순차적으로 쌓아 ‘시간‑이분 네트워크 텐서’를 형성한다.

다음 단계는 환자 간 궤적 유사도를 정의하는 것이다. 저자들은 각 환자의 변수‑시간 매트릭스를 벡터화한 뒤, 코사인 유사도와 동적 시간 왜곡(DTW) 등 복합 거리 함수를 적용해 두 환자 사이의 궤적 거리 행렬을 만든다. 이 거리 행렬을 기반으로 Louvain 혹은 Leiden과 같은 커뮤니티 탐지 알고리즘을 수행해 환자들을 군집화한다. 결과적으로 3개의 주요 클러스터가 도출되었으며, 각각은 (1) 전통적 운동 증상이 주도하는 ‘운동‑중심형’, (2) 비운동·인지 저하가 빠르게 진행되는 ‘비운동‑조기형’, (3) 전반적으로 완만하지만 지속적인 악화를 보이는 ‘완만‑진행형’으로 특징지어진다.

아형 식별 이후, 저자들은 베이스라인(진단 시점) 데이터만을 입력으로 하는 지도학습 모델(랜덤 포레스트, XGBoost 등)을 훈련시켜 향후 5년 간 환자 궤적을 예측하도록 했다. 검증 코호트에서 74%의 정확도로 아형을 맞추었으며, 특히 비운동‑조기형을 구분하는 데 높은 민감도를 보였다. 또한, 유전 변수를 네트워크에 추가하는 과정이 간단했는데, SNP 혹은 위험 유전자를 별도의 노드로 삽입하고 동일한 이분 연결 방식을 적용함으로써 유전적 이질성을 자연스럽게 반영했다.

이 접근법의 강점은 (①) 고차원 종단 데이터를 네트워크 형태로 구조화해 시간적 상관관계를 보존한다, (②) 비지도 군집화로 사전 가설 없이 새로운 아형을 발견한다, (③) 베이스라인만으로도 향후 진행을 예측해 임상 의사결정에 바로 활용 가능하다, (④) 유전·임상 데이터를 통합하는 확장성이 뛰어나다는 점이다. 반면 한계점으로는 (a) PPMI와 같은 대규모 코호트에 의존해 데이터 결측과 편향을 완전히 보정하기 어렵다, (b) 이분 네트워크 구축 시 임계값 선택이 결과에 민감하게 작용할 수 있다, (c) 현재는 5년 예측에 초점을 맞추었지만 장기(10년 이상) 예측에 대한 검증이 부족하다, (d) 클러스터 수를 사전에 지정하지 않아 해석적 일관성을 확보하기 위해 추가적인 임상 검증이 필요하다는 점을 들 수 있다. 전반적으로 TPC는 파킨슨병뿐 아니라 알츠하이머, 다발성 경화증 등 복합적인 진행 양상을 보이는 만성 질환의 데이터 분석에 적용 가능한 강력한 프레임워크라 할 수 있다.