생물학적 조절망을 위한 순환 인과 구조 학습: SCALD 프레임워크

초록

SCALD는 비선형 구조 방정식 모델과 안정적인 피드백 루프 제약을 결합한 연속 최적화 기반 방법으로, 순환(피드백) 구조를 포함한 생물학적 조절망을 정확히 추론한다. 전사 조절망·신호 전달망에서 기존 DAG 기반 기법을 능가하며, TF 교란 실험·ChIP‑seq 검증을 통해 피드백 조절을 높은 민감도로 탐지한다. 대장 염증‑암 전이 과정에서도 핵심 드라이버 유전자를 성공적으로 도출하였다.

상세 분석

본 논문은 기존 인과 구조 학습이 전제하는 DAG(Directed Acyclic Graph) 가정이 생물학적 시스템의 광범위한 피드백 루프와 근본적으로 충돌한다는 점을 지적한다. 이를 해결하기 위해 제안된 SCALD(Structural Causal model for Loop Diagram)는 두 가지 핵심 기술을 도입한다. 첫째, 비선형 구조 방정식 모델(Nonlinear Structural Equation Model, SEM)을 사용해 각 유전자의 발현을 다른 유전자들의 비선형 함수로 표현한다. 이는 실제 생물학적 조절이 종종 포화, 협동, 억제 등 복합적인 비선형 효과를 포함한다는 점을 반영한다. 둘째, ‘안정적인 피드백 루프 조건(stable feedback loop constraint)’을 연속적인 라그랑주 승수 형태로 최적화 문제에 삽입한다. 이 제약은 시스템이 수렴 가능한 고정점을 유지하도록 보장하면서, 순환 구조가 존재해도 수치적으로 안정적인 해를 찾을 수 있게 한다.

SCALD는 전체 네트워크를 하나의 연속 최적화 문제로 정의하고, 자동 미분 기반의 최적화 엔진(예: Adam)으로 파라미터를 학습한다. 이 과정에서 가중치 행렬에 L1 정규화를 적용해 희소성을 유도하고, 피드백 루프 존재 여부를 판단하기 위한 추가적인 스펙트럼 반경 제약을 포함한다. 결과적으로, SCALD는 DAG 기반 방법이 피드백을 강제로 끊어버리거나 잘못된 방향성을 부여하는 문제를 회피한다.

실험적으로는 두 종류의 데이터셋을 활용하였다. 첫째, 대규모 전사체 데이터와 TF 교란(perturbation) 실험을 이용해 전사 조절망을 재구성했으며, SCALD는 기존 GENIE3, PIDC, NOTEARS 등과 비교해 AUROC·AUPRC 모두 5~12% 이상 향상된 성능을 보였다. 특히 피드백 엣지를 정확히 복원하는 비율이 현저히 높았다. 둘째, 단백질 인산화 기반 신호 전달망 데이터에서 SCALD는 알려진 MAPK, PI3K/AKT 피드백 루프를 정확히 식별하고, 기존 방법이 놓친 새로운 피드백 관계를 제시했다.

추가 검증으로, TF 교란 실험에서 도출된 SCALD의 예측 엣지를 ChIP‑seq 데이터와 교차 검증했으며, 78% 이상의 일치율을 기록했다. 이는 비선형 SEM과 피드백 제약이 실제 결합부위와 높은 상관관계를 갖는다는 강력한 증거이다. 마지막으로, 대장염에서 대장암으로 진행되는 과정의 시계열 전사체 데이터를 분석해, 염증 단계에서 활성화되고 암 단계에서 더욱 강화되는 핵심 드라이버 유전자(예: STAT3, MYC, NF‑κB)를 식별하였다. 이들 유전자는 기존 문헌에서도 암 전이와 연관성이 보고된 바 있어, SCALD가 동적 네트워크 변화를 포착하는 능력을 입증한다.

전체적으로 SCALD는 (1) 비선형 관계 모델링, (2) 피드백 루프 안정성 제약, (3) 연속 최적화 기반 파라미터 추정이라는 세 축을 결합해, 생물학적 네트워크에서 필수적인 순환 구조를 정밀하게 복원한다는 점에서 기존 인과 추론 방법을 뛰어넘는다. 향후 다중오믹스 통합, 시간‑연속 데이터, 그리고 임상 예측 모델에 적용될 가능성이 크다.