공간 정보로 살펴보는 뇌 속 유전자 회로 지도: 피드백 루프를 풀어내는 새로운 베이지안 모델

초록

공간 전사체학 데이터에서 유전자 조절 네트워크가 조직 내 위치에 따라 어떻게 변하는지 분석하는 새로운 통계 모델 ‘BNP-DCGx’를 제안한다. 기존 방법이 놓치기 쉬운 피드백 루프를 포함한 방향성 순환 그래프를, 공간 좌표에 따라 연속적으로 변화하도록 모델링하면서도 안정성 조건을 보장한다. 인간 전전두엽 피질 데이터에 적용하여 공간에 따른 조절 네트워크의 변화를 발견하고, 새로운 세포 아형을 제시했다.

상세 분석

본 연구가 제안하는 BNP-DCGx 모델의 기술적 핵심은 ‘공변량-의존적 랜덤 파티션’을 계층적 모델의 중간층으로 도입한 것이다. 이는 연속적인 공간 좌표를 유한한 클러스터로 이산화하며, 각 클러스터마다 안정성 조건을 만족하는 독립적인 방향성 순환 그래프(DCG)를 부여한다. 이후 파티션을 평균화함으로써 궁극적으로 공간에 따라 ‘부드럽게’ 변하는 그래프 구조를 얻는다. 이 접근법은 안정성 조건(순환 그래프의 인접 행렬 고유값 절대값 ≤1)이라는 난제를 우회적으로 해결했다. 명시적 함수(예: 스플라인)로 B(X)를 모델링하면 모든 X에 대한 안정성을 보장하는 제약 조건을 구현하기 매우 어렵지만, 클러스터별로 B_ℓ에만 조건을 걸면 훨씬 용이하기 때문이다.

또한, 모델의 식별성을 위해 노이즈 분포로 Laplace 분포를 채택한 점이 중요하다. 가우시안 노이즈를 사용하면 Markov 동치인 서로 다른 DCG를 데이터만으로 구별할 수 없는 식별성 문제가 발생한다. 반면 비가우시안 노이즈(본 연구에서는 Laplace)를 사용하면 Independent Component Analysis(ICA) 이론에 의해 이러한 식별성 문제가 해결된다.

계산적 측면에서는 후방분포 추론을 위해 병렬 템퍼링(parallel tempering) MCMC 알고리즘을 개발하여 국소 최적점에 빠지는 문제를 완화했다. 시뮬레이션을 통해 제안 방법이 계단식 상수 그래프와 연속 변하는 그래프 구조 모두를 정확히 복원함을 입증했다.