Treelet 방법에 대한 비평과 적용 가능성 검토

Tuglus와 van der Laan은 Lee, Nadler, Wasserman이 제안한 Treelet 방법을 비판적 시각에서 검토한다. Treelet은 클러스터링과 전통적인 주성분 분석(PCA)을 결합한 다중 해상도 데이터 분석 기법으로, 고차원 저표본(high‑p, low‑n) 상황에서 데이터의 내재 구조를 탐색하고 차원 축소를 수행한다는 두 가지 목표를 가진다. 저자들은 이 논문을 크게 세 부분으로 나누어 논의한다. 첫 번째 부분에서는 Treelet을 클러스터링 알고리즘으로 바라본다. Treelet은 변수 간 상관계수를 거리 척도로 사용해 가장 상관성이 높은 두 변수를 병합하고, 병합된 노드에서 “합”과 “차” 두 축을 만든다. 이 과정은 이진 계층적 군집화와 유사하지만, 거리 척도가 상관계수에 한정돼 있다는 점이 제한점으로 지적된다. 실제 데이터 분석에서는 유클리드 거리, 실루엣 점수, 혹은 평균·중앙 실루엣과 같은 보다 풍부한 거리·군집 기준이 활용되지만, Treelet 논문에서는 이러한 대안에 대한 실험이나 이론적 논의가 부족하다. 또한, Treelet은 병합 과정에서 전체 정보를 활용하지 못하고 두 변수 간의 유사도만을 고려한다는 점에서, HOPACH와 같은 하이브리드 군집화 기법이 더 유연하고 해석 가능하다고 주장한다. 두 번째 부분에서는 Treelet을 PCA의 개선된 형태로 평가한다. 전통적인 PCA는 전역적인 선형 변환을 수행해 잡음에 민감하고, 고차원 데이터에서 충분한 샘플이 없을 경우 과적합 위험이 크다. 반면 Treelet은 지역화된 이진 회전을 통해 “합” 변수만을 상위 레벨에 전달하고, “차” 변수는 잔차로 남겨 두어 잡음에 대한 내성을 높인다. 저자들은 이론적으로 Treelet이 제한된 샘플에서도 PCA보다 더 빠른 수렴 속도와 견고성을 보인다고 인정한다. 그러나 이러한 장점은 상관 행렬이 희소하고 대각 블록 구조를 가질 때에만 유효하다. 실제 생물학 데이터, 특히 마이크로어레이와 같은 복잡하고 잡음이 많은 데이터에서는 상관 구조가 희소하지 않으며, 따라서 Treelet이 PCA보다 현저히 우수하다는 증거가 부족하다. 세 번째 부분에서는 차원 축소와 예측 모델링에서의 적용 가능성을 논한다. Treelet은 정규화된 에너지 점수와 교차 검증을 통해 최적의 트리 높이(L)와 차원(K)를 선택한다. 하지만 논문에서는 교차 검증 절차가 구체적으로 설명되지 않아, 예측 목적이 아닌 경우에 어떻게 K와 L을 결정해야 하는지 모호하다. 또한, Golub DNA 마이크로어레이 데이터를 분석할 때 저자들은 먼저 단변량 회귀로 1,000개의 가장 “유의미한” 유전자를 선택했는데, 이 전처리 단계의 근거와 선택 기준이 명확히 제시되지 않았다. 단변량 회귀는 거짓 양성 유전자를 많이 포함할 위험이 있어, Treelet이 실제로 예측 성능을 향상시켰는지 판단하기 어렵다. 전반적으로 저자들은 Treelet이 새로운 다중 해상도 해석 프레임을 제공하고, 희소한 상관 구조를 가진 데이터에서는 유용한 도구가 될 수 있다고 평가한다. 그러나 거리 척도 선택의 제한, 복잡한 상관 구조에 대한 적용성 부족, 차원 선택 과정의 불명확성 등 실용적인 한계가 존재한다. 특히 고차원 생물학 데이터에 적용하려면, 보다 일반적인 거리·군집 기준을 도입하고, 전처리 단계에서 변수 선택을 엄격히 검증하며, 교차 검증 절차를 명확히 기술하는 것이 필요하다. 이러한 개선이 이루어진다면 Treelet은 기존 PCA와 군집화 방법을 보완하는 강력한 분석 도구로 자리매김할 수 있을 것이다.