유전체 기반 이종 그래프 학습으로 조류 인플루엔자 발병 예측

초록

본 논문은 야생 조류에서 발생하는 조류 인플루엔자(AIV) 확산을 예측하기 위해, 유전체 정보와 공간·생태 데이터를 결합한 이종 그래프 모델인 BLUE를 제안한다. 사례와 지역을 각각 노드로 하는 2계층 그래프를 구축하고, 교차관계 스무딩과 스펙트럼 정규화를 통해 정보를 보존하면서 그래프를 융합한다. 최종적으로 자동회귀 그래프 시퀀스 모델을 이용해 향후 발병 수를 예측한다. 미국 조류 인플루엔자 감시 데이터셋(Avian‑US)을 공개하고, 기존 베이스라인 대비 뛰어난 예측 성능을 입증한다.

상세 분석

BLUE는 AIV 전파가 공간적 이동과 유전적 재조합이라는 두 축을 동시에 따라 진행된다는 점에 착안한다. 이를 위해 논문은 (1) 고정된 위치 노드와 시간에 따라 변동하는 사례 노드로 구성된 이중 레이어 이종 그래프를 정의한다. 위치 레이어는 지리적 인접성에 기반한 가우시안 커널 가중치를 갖는 공간 엣지를, 사례 레이어는 HA 유전자 서열 간 K80 거리로 계산된 유사도에 따라 연결된 유전 엣지를 포함한다. 또한 사례와 위치를 연결하는 할당 엣지를 통해 두 레이어를 통합한다.

교차‑레이어 스무딩 블록은 MRF‑영감을 받은 평균장(mean‑field) 방식으로, 각 관계 타입별 메시지를 K번 반복 전파한다. 이 과정에서 사례와 위치의 이질적 특성을 유지하면서도 인접 노드 간 표현을 일관되게 만든다. 이후 LSH 기반 샘플러를 이용해 이중 레이어 그래프를 단일 위치‑레벨 그래프로 압축한다. 압축 과정에서 중요한 구조적 정보를 손실하지 않도록, 스펙트럼 정규화 항을 도입해 원본 라플라시안과 융합 그래프 라플라시안 사이의 차이를 이론적 상한으로 제한한다.

예측 단계에서는 융합된 위치 그래프 시퀀스를 입력으로, 시계열적 의존성을 포착하는 자동회귀 그래프 시퀀스 모델(Temporal Graph Transformer)을 학습한다. 이 모델은 각 시점의 그래프 표현을 인코더‑디코더 구조로 처리하고, 다중 헤드 어텐션을 통해 장기적인 전파 패턴을 학습한다.

실험에서는 미국 전역의 AIV 감시 데이터를 5년치 학습·검증·테스트 셋으로 나누어, 기존 STGCN, DCRNN, EpiGNN 등 인간 질병에 특화된 시공간 GNN 모델과 비교하였다. BLUE는 MAE, RMSE, R² 등 모든 지표에서 유의미하게 우수했으며, 특히 유전적 재조합이 활발한 지역에서의 예측 정확도가 크게 향상되었다. Ablation study를 통해 교차‑레이어 스무딩, 스펙트럼 정규화, LSH 샘플링 각각이 성능에 미치는 기여도를 확인하였다.

이 논문은 (1) AIV와 같이 다중 스케일·다중 모달리티 전파를 갖는 전염병에 적합한 그래프 구조를 제시하고, (2) 동적 노드 집합과 이질적 관계를 동시에 다루는 이론적·실용적 프레임워크를 제공한다는 점에서 의미가 크다. 다만, 사례 노드의 특성이 보고 시점에 크게 의존하므로 데이터 누락이나 보고 지연에 대한 민감도가 존재한다는 한계도 언급한다.