수백만 세포를 위한 다축 가우시안 그래프 모델의 확장성 혁신

초록

본 논문은 기존 다축(멀티-축) 가우시안 그래프 모델이 수천 개 수준의 세포·유전자에만 적용될 수 있던 한계를 극복하고, 백만 개 이상의 세포 데이터를 몇 분 안에 처리할 수 있는 새로운 알고리즘을 제시한다. 저자들은 저차원 근사와 Kronecker‑sum 구조를 활용해 메모리와 연산 복잡도를 크게 낮추었으며, 실제 scRNA‑seq 데이터에 적용해 새로운 lncRNA‑관련 신경발달 네트워크를 발견하고 hdWGCNA와 비교해 우수한 성능을 보였다.

상세 분석

이 연구는 “다축” 그래프 모델, 즉 행(세포)과 열(유전자) 양쪽의 조건부 의존성을 동시에 추정하는 프레임워크를 기반으로 한다. 기존 방법들은 세포 간 독립성을 가정(Independence Assumption)하거나, 전체 의존성을 고려하려 하면 O(d⁴)개의 파라미터 때문에 통계적·계산적 비현실성을 안고 있었다. 저자들은 두 축 사이의 의존성을 “Cartesian product” 가정, 즉 한 세포 내 유전자 간, 혹은 동일 유전자의 다른 세포 간 의존성만을 허용하는 Kronecker‑sum 구조로 제한한다. 이 구조는 정확히 Ψ_cells ⊕ Ψ_genes 형태의 공분산 역행렬을 만든다.

핵심적인 확장성 향상은 다섯 가지 가정 중 특히 새롭게 도입한 “저‑랭크 근사”(Assumption 5)와 “선형 희소성”(Assumption 3)에 기반한다. 실제 scRNA‑seq 데이터는 대부분 몇 개의 주성분만으로 대부분의 변동을 설명하므로, 전체 고유벡터를 저장할 필요 없이 상위 rₗ 개만 유지한다. 이렇게 하면 메모리 복잡도가 O(P·dₗ) 수준으로 감소하고, 각 축별 공분산 행렬의 부분 고유값만을 업데이트하는 gradient descent가 가능해진다.

이론적으로는 부분 고유분해가 최적해의 고유벡터와 일치한다는 정리(Theorem 1)를 증명하고, 유일한 MLE 존재성(Theorem 2)과 통계적 검정(Theorem 3)을 제시한다. 알고리즘은 (1) 각 축별 공분산 추정 Sₗ 계산, (2) 상위 rₗ 고유벡터·고유값 부분 분해, (3) 고유값에 대해 convex 최적화 수행, (4) 재구성된 Ψₗ을 thresholding해 최종 그래프를 얻는 순서로 진행된다. 고유벡터 재계산을 생략함으로써 매 반복마다 O(dₗ²) 메모리 사용을 피하고, 실제 실행에서는 백만 세포·수천 유전자 데이터셋을 5~10분 내에 처리한다.

성능 평가는 hdWGCNA와 기존 GmGM·TeraLasso와 비교했으며, 메모리 사용량은 16 TB 수준이던 기존 방법에 비해 수 GB 수준으로 감소했다. 정확도 측면에서는 정밀도·재현율 모두에서 동등하거나 약간 우수했으며, 특히 장기 비암호화 RNA(lncRNA)와 신경발달 관련 유전자의 연결을 새롭게 밝혀 생물학적 가치를 입증했다. 구현은 Python 패키지 GmGM(0.5.3)으로 PyPI에 배포되고, 전체 코드와 실험 파이프라인이 GitHub에 공개돼 재현성을 확보했다.

한계점으로는 Gaussian copula 가정이 여전히 필요하고, 비정규성 강도가 매우 높을 경우 변환 단계에서 정보 손실이 발생할 수 있다. 또한 저‑랭크 근사가 성립하지 않는 데이터(예: 고차원 희소 카운트 데이터)에서는 메모리 절감 효과가 감소한다. 향후 연구에서는 비선형 Kronecker‑sum 구조나 딥러닝 기반 비정규 변환을 결합해 더 일반적인 다축 데이터에 적용하는 방향이 제시된다.