원인 추론으로 밝히는 병원체 독성 및 전파 관계

초록

**
본 논문은 Granger‑인과성 원리를 활용한 데이터‑구동 프레임워크 LETR을 제안한다. LETR은 시간‑연속적인 병원체 특성(독성, 전파력) 데이터를 이용해 어느 특성이 다른 특성을 원인‑결과적으로 주도하는지를 식별하고, 발견된 인과관계를 기반으로 조건부 생성 맵을 학습한다. 이후 전이 연산자를 통해 장기적인 특성 분포와 불변밀도를 추정한다. 합성 마이코마토시스 데이터와 실제 SARS‑CoV‑2 전 세계 데이터에 적용한 결과, 독성이 전파력을 예측하는 방향성이 강하고, 반대 방향은 약함을 확인하였다. 또한 장기적으로는 낮은 독성과 전파가 지배적인 추세이며, 독성에서 이중봉우리가 나타나 환경·숙주 이질성을 시사한다.

**

상세 분석

**
LETR은 크게 두 단계로 구성된다. 첫 번째 단계에서는 다변량 시계열에 대해 Granger‑인과성 검정을 수행한다. 여기서는 전통적인 선형 회귀 기반 검정뿐 아니라 기하학적 정보 흐름(GeoC), 전이 엔트로피, 인과 엔트로피 등 비선형·비가우시안 관계를 포착할 수 있는 정보‑이론적 지표를 활용한다. 이러한 지표들은 차원 감소와 상관 차원 차이를 정량화함으로써, 추가 변수 y가 독성(µ)의 다음 세대(µₙ₊₁) 예측에 기여하는지를 판단한다. GeoC가 유의미하게 감소하면 y가 인과 변수로 채택된다.

두 번째 단계에서는 선택된 인과 변수들을 조건부 입력으로 하여 생성 맵 f(·)를 추정한다. 저자는 로지스틱 맵과 같은 교과서적 이산 동역학 모델을 기본 틀로 삼고, 필요에 따라 정규화된 지도학습(예: LASSO, 랜덤 포레스트) 혹은 신경망을 이용해 비선형 함수를 학습한다. 이렇게 얻어진 f는 개별 세대 간 변화를 기술할 뿐 아니라, 전체 집단을 확률 밀도 함수 pₙ(µ)로 표현한다. 전이 연산자(Perron‑Frobenius)와 그 고정점(불변밀도) π를 수치적으로 근사함으로써, 장기적인 특성 분포와 안정 상태를 정량화한다.

합성 마이코마토시스 데이터에서는 알려진 인과 구조(독성이 전파를 유발)를 정확히 복원했으며, 오차율이 5% 이하로 낮았다. 실제 SARS‑CoV‑2 데이터에 적용했을 때는, 과거 독성 지표가 미래 전파 지표(예: 재생산수 Rₜ)를 예측하는 데 통계적으로 유의미한 기여를 했지만, 전파가 독성을 예측하는 역방향 효과는 거의 발견되지 않았다. 이는 바이러스 진화 과정에서 독성 감소가 전파 효율성을 유지하거나 향상시키는 방향으로 선택되었음을 시사한다.

불변밀도 분석 결과, 전 세계적으로 독성과 전파 모두 낮은 값에 집중되는 단일 피크가 존재하지만, 독성에서는 두 개의 뚜렷한 피크가 나타났다. 이는 지역별 숙주 면역 수준, 보건 정책, 사회적 행동 차이 등 외부 요인이 독성 진화에 다중 안정 상태를 만들 수 있음을 의미한다.

방법론적 강점은 (1) 인과 탐지를 시계열 데이터에 직접 적용함으로써 전통적인 상관 분석의 한계를 극복하고, (2) 생성 맵과 전이 연산자를 결합해 단기 예측과 장기 분포를 동시에 다룰 수 있다는 점이다. 한계로는 (가) 시계열 길이가 짧거나 결측치가 많을 경우 GeoC와 전이 엔트로피 추정이 불안정해질 수 있으며, (나) 다중 인과 변수 간 상호작용을 완전히 포착하려면 고차원 조건부 확률 모델이 필요하다는 점이다. 향후 연구에서는 베이지안 구조 학습과 강화학습 기반 정책 최적화를 결합해, 인과 구조의 불확실성을 정량화하고, 개입 시나리오(예: 백신 투여, 사회적 거리두기)의 장기 효과를 시뮬레이션하는 방향이 기대된다.

**