시퀀스 카운트 데이터의 희소 베이지안 부분식별 모델

초록

본 논문은 마이크로바이옴 및 RNA‑seq와 같은 시퀀스 카운트 데이터가 갖는 상대적 특성(구성 데이터) 때문에 발생하는 스케일 불확실성을 고려한 새로운 희소 베이지안 부분식별 모델(PIM)을 제안한다. 기존 정규화 방법이 요구하는 전체 부하 동등 가정이 현실과 크게 어긋날 경우 오류율이 급증한다는 점을 지적하고, 희소성 가정을 고정된 제약으로 다루는 기존 희소 방법들의 한계를 분석한다. 저자는 스케일‑신뢰 추론(SRI) 프레임워크를 희소 상황에 확장하여, 희소성 자체를 확률적 불확실성으로 모델링하고, 로그‑폴드 변화의 분포 중심을 스케일 이동 파라미터로 추정한다. 이론적 일관성 증명과 광범위한 시뮬레이션·실제 데이터 평가를 통해 제안 방법이 기존 방법에 비해 Type I·II 오류를 크게 낮추고, 희소성 위배 상황에서도 보수적인 추론을 제공함을 보인다.

상세 분석

본 연구는 시퀀스 카운트 데이터가 절대적인 풍부도 대신 상대적인 비율만을 제공한다는 근본적인 한계를 명확히 제시한다. 전통적인 정규화(Total Sum Scaling, CLR 등)는 전체 부하가 일정하다는 강력한 가정을 내포하고 있으며, 실제 미생물 부하나 전사량이 샘플 간에 크게 변동할 경우 Type I 오류가 70 %를 초과하는 심각한 문제를 야기한다. 이러한 배경에서 저자들은 부분식별 모델(PIM)과 스케일 시뮬레이션 랜덤 변수(SSR V)라는 베이지안 접근을 도입해 스케일 파라미터 θ⊥에 대한 사전 불확실성을 명시적으로 모델링한다. 핵심 수식(4)에서 로그‑폴드 변화 θ는 구성 요소 θ∥와 스케일 이동 θ⊥·1_D의 합으로 표현되며, 이는 스케일 불확실성이 전체 로그‑폴드에 동일하게 영향을 미친다는 점을 강조한다.

희소성에 대한 기존 접근은 주로 L1 페널티, sum‑to‑zero 제약, 혹은 spike‑and‑slab 사전 등으로 “대부분의 특성은 변하지 않는다”는 가정을 고정된 형태로 강제한다. 그러나 이러한 고정 제약은 실제 데이터에서 변동이 비대칭적이거나 변동 비율이 높을 때 편향을 초래한다. 특히 sum‑to‑zero 제약은 전체 부하가 감소하거나 증가하는 상황을 비현실적으로 대칭시켜, 실제 효과가 음수인 경우에도 양수 효과가 강제되는 오류를 만든다.

저자들은 희소성을 “불확실한 속성”으로 전환하고, 로그‑폴드 변화 θ_d를 공통 분포 g에서 독립적으로 추출된다고 가정한다. g는 연속적이며 유일한 모드를 갖는 밀도로, 모드 위치를 0에 가깝게 잡음으로써 스케일 이동 θ⊥를 추정한다. 즉, 전체 특성 중 다수가 변하지 않을 경우, θ⊥는 θ∥의 중앙값(또는 모드)과 일치하도록 설정된다. 이를 통해 스케일 파라미터를 고정값이 아니라 데이터‑구동형 추정값으로 다루며, 스케일 불확실성을 베이지안 사전과 사후에 동시에 전파한다.

이론적으로는 Sparse SSR V가 θ⊥와 θ∥에 대한 일관성(convergence)과 점근적 정규성을 만족함을 증명한다. 실험에서는 다양한 희소성 비율(10 %~70 %)과 스케일 변동 정도를 시뮬레이션하여, 기존 LASSO‑type, ANCOM‑BC2, LinDA 등과 비교했다. 결과는 Sparse SSR V가 Type I 오류를 5 % 이하로 유지하면서도, 검출력(power)은 80 % 이상 유지함을 보여준다. 실제 데이터에서는 메타게놈 샘플과 RNA‑seq 데이터에 대해 절대 부하를 직접 측정한 실험적 기준과 비교했으며, 제안 모델이 기존 정규화 기반 방법보다 실제 부하 차이를 더 정확히 복원한다는 점을 확인했다.

마지막으로 저자들은 모델의 제한점을 인정한다. 예를 들어, g의 형태를 미리 지정해야 하며, 복잡한 계통학적 구조나 상호작용을 반영하려면 추가적인 계층적 사전이 필요하다. 또한 MCMC 기반 추정이 고차원 데이터에서 계산 비용이 크게 증가할 수 있다. 그럼에도 불구하고, 스케일 불확실성을 명시적으로 다루면서 희소성을 확률적으로 모델링한 접근은 구성 데이터 분석에 새로운 패러다임을 제시한다.