고차원 매개효과 분석을 위한 베이지안 변수선택과 상관 기반 마코프 랜덤 필드 모델

초록

본 논문은 고차원 오믹스 매개변수와 비연속형 결과를 동시에 다루는 베이지안 매개효과 분석 프레임워크를 제안한다. 다중 매개변수 간 상관구조를 마코프 랜덤 필드(MRF) 사전으로 반영하고, 노출‑매개 경로와 매개‑결과 경로를 순차적 서브셋팅 베르누이 사전으로 연결한다. 다변량 정규분포와 인자분해(Factor‑Analytic) 공분산 구조를 이용해 연관성을 모델링하고, 비가우시안 로그우도에 대해 Hamiltonian Monte Carlo(HMC)으로 효율적인 사후 추론을 수행한다. 시뮬레이션과 실제 메타볼로믹스 데이터 분석을 통해 상관이 강한 매개변수 환경에서 선택 파워와 오류 제어가 개선됨을 보인다.

상세 분석

이 연구는 기존 고차원 매개효과 분석이 연속형 결과에만 국한되고, 매개변수 간 상관을 무시하거나 독립성을 가정함으로써 검정력 손실을 초래한다는 문제점을 정확히 짚어낸다. 저자는 먼저 매개변수 벡터 M을 다변량 정규분포(MVN)로 모델링하고, 잔차 공분산 Σ를 인자분해(Factor‑Analytic) 형태 Σ = σ²(λλᵀ + I) 로 제한함으로써 고차원에서도 계산 가능하도록 설계한다. 이는 매개변수 간의 실제 상관을 보존하면서 차원을 효율적으로 축소한다는 장점이 있다.

노출‑매개 경로(τ)와 매개‑결과 경로(δ)의 변수선택을 위해 스파이크‑앤‑슬래브 사전과 함께 MRF 사전을 도입한다. MRF 사전은 각 매개변수 j의 포함 지표 γ_j 가 이웃 매개변수 l(γ_l)와 상관계수 r_{jl}에 의해 조건부 확률을 갖게 하여, 높은 상관을 보이는 매개변수들이 동시에 선택될 확률을 높인다. η₁γ는 전체 희소성을, η₂γ는 상관 기반 부드러움을 조절하는 하이퍼파라미터이며, η₂γ를 적절히 선택하면 ‘phase‑transition’ 현상을 이용해 선택 집합의 크기를 자동 조절할 수 있다.

또한 매개‑결과 경로의 포함 지표 ω_j 를 γ_j 에 조건부로 연결하는 순차적 서브셋팅 베르누이(SSB) 사전을 제안한다. 이는 γ_j = 0 일 때 ω_j = 0 으로 강제함으로써 불필요한 파라미터 공간을 축소하고, 해석적 일관성을 확보한다.

결과 모델은 일반화 선형 모델(GLM) 형태로, 로그링크를 사용해 이진 결과를 다루며, 로그우도가 비가우시안이므로 Gibbs 샘플러 대신 HMC을 활용한다. HMC은 고차원 파라미터 공간에서도 효율적인 탐색을 가능하게 하며, Stan과 같은 현대 베이지안 툴킷에 쉽게 구현될 수 있다.

시뮬레이션에서는 매개변수 상관이 0.3~0.5 수준인 경우, 제안 방법이 기존 독립 사전 기반 방법보다 FDR을 유지하면서도 진짜 매개변수 검출률을 크게 높이는 것을 확인했다. 또한 전역 영가설(null) 상황에서 오류율이 적절히 제어되고, 모델이 약간의 구조적 오차(예: 인자수 부족)에도 견고함을 보였다.

실제 데이터 적용에서는 HPFS/NHSII 코호트의 메타볼로믹스 데이터를 이용해 지중해식 식단 점수와 심혈관 위험 이진 결과 사이의 매개효과를 탐색했다. 298개의 대사체 중 다수는 높은 상관을 보였으며, 제안 모델은 상관 구조를 반영해 몇몇 대사체를 유의미한 매개변수로 선정했다. 이는 기존 독립 가정 모델이 놓칠 수 있는 복합 경로를 포착한 사례라 할 수 있다.

전반적으로 이 논문은 (1) 고차원 매개변수의 상관을 정교히 모델링, (2) 변수선택 단계에서 상관 정보를 활용한 MRF 사전, (3) 순차적 서브셋팅을 통한 계산 효율성, (4) 비가우시안 결과에 대한 HMC 기반 사후 추론이라는 네 가지 핵심 혁신을 결합함으로써, 복잡한 오믹스 데이터와 비연속형 결과를 동시에 다루는 매개효과 분석에 새로운 표준을 제시한다.