시간에 따른 유전자 발현 네트워크 분석을 위한 숨은 시공간 마코프 랜덤 필드 모델

본 논문은 마이크로어레이 시간코스(MTC) 데이터에서 차등 발현 유전자와 변형된 서브네트워크를 동시에 탐지하기 위한 새로운 통계 모델인 숨은 시공간 마코프 랜덤 필드(hstMRF)를 제안한다. 연구 배경으로는 기존의 차등 발현 분석 방법이 시간 의존성을 활용하거나 경로 구조를 반영하는 경우가 각각 존재하지만, 두 요소를 동시에 고려하는 방법은 부족하다는 점을 들었다. 이를 해결하기 위해 저자들은 먼저 유전자‑시간 이진 상태 Xgt 를 정의하고, 초기 시점 t=0 에는 Besag의 자동 로지스틱 모델을 적용해 이웃 유전자의 상태가 현재 유전자의 상태에 미치는 영향을 γ0 와 β0 로 파라미터화하였다. 시간이 진행됨에 따라, 각 시점의 상태는 이전 시점과 현재 시점 이웃 유전자들의 상태에 의존하도록 다차원 마코프 체인을 설계하였다. 전이 확률은 Pr(xt|xt‑1) ∝ exp{γ Σg Xgt + β1 Σ(g∼g′) Xgt⊕Xg′t + β2 Σg Xgt⊕Xg(t‑1)} 와 같이 정의되며, 여기서 ⊕ 연산은 XNOR 로 두 상태가 동일하면 1, 다르면 0을 반환한다. γ는 전체 활성화 정도, β1은 같은 시점 네트워크 이웃 간 일관성, β2는 시간적 연속성을 조절한다. 이 구조는 순수 HMM을 일반화한 형태이며, 네트워크가 완전히 독립이면 β1=β2=0 으로 HMM에 귀환한다. 관측 모델은 Gamma–Gamma 계층 구조를 채택한다. 각 유전자의 발현값 yg t c 는 평균 µg 를 갖는 γ 분포에서 추출되고, µg 자체가 또 다른 γ 분포를 따른다. 이는 마이크로어레이 데이터의 과잉분산을 자연스럽게 설명한다. 차등 발현 상태 Xgt=1(DE)와 Xgt=0(EE) 각각에 대해 식 (2.5) 로 정의된 확률밀도함수를 사용해 관측 데이터를 모델링한다. 파라미터 추정은 ICM(Iterative Conditional Modes)과 Viterbi 알고리즘을 결합한 절차를 따른다. 초기 상태 X̂ 는 각 시점별 두 샘플 t‑검정으로 얻으며, 이후 의사우도(likelihood) 기반의 의사우도 함수를 최대화해 Φ=(γ0,β0,γ,β1,β2) 를 로지스틱 회귀로 추정한다. Θ 파라미터는 Gamma–Gamma 모델의 표준 최대우도 방법으로 추정한다. 최종적으로 Viterbi 알고리즘을 적용해 전체 시계열에 걸친 최적 상태 시퀀스 X̂ 를 복원한다. 시뮬레이션 연구에서는 네트워크 구조가 정확히 주어졌을 때와 일부 엣지가 누락된 경우를 모두 검증하였다. hstMRF는 기존의 독립 t‑검정, 베이지안 스플라인, 그리고 시간 정보를 무시한 hMRF에 비해 민감도가 크게 향상되었으며, 거짓 발견률(FDR)은 비슷한 수준을 유지하였다. 특히 β1, β2 가 양의 값을 가질 때 시간·공간 상관을 효과적으로 포착함을 확인했다. 실제 데이터 적용에서는 인간 전신염증 실험(내독소 투여 후 시간코스)에서 KEGG 경로를 기반으로 네트워크를 구성하고, hstMRF를 적용하였다. 분석 결과, TOLL‑like 수용체(TLR) 신호전달 경로, MAPK, JAK‑STAT 등 주요 면역 관련 경로가 시간에 따라 동적으로 활성화되는 패턴을 발견했다. 특히 4시간 시점에 TLR 경로 내 다수 유전자가 DE 로 표시되어, 기존 연구와 일치하는 생물학적 해석을 제공한다. 또한, 핵심 유전자 집합이 KEGG 서브네트워크 내에서 서로 연결되어 있음을 확인함으로써, 경로 기반 해석의 가치를 입증하였다. 논문의 주요 기여는 다음과 같다. 첫째, 시간적 연속성과 네트워크 기반 공간 상관을 동시에 모델링함으로써 차등 발현 유전자와 변형된 서브네트워크를 더 정확히 식별한다. 둘째, 파라미터 추정이 비교적 간단한 GLM과 Viterbi 절차로 구현 가능해 실제 연구에 적용하기 용이하다. 셋째, 시뮬레이션과 실제 데이터 모두에서 기존 방법 대비 높은 민감도와 비슷한 FDR을 보여 실용성을 검증하였다. 한편, 네트워크 정보가 크게 부정확하거나 시간 포인트가 매우 적을 경우 β1, β2 추정이 불안정해질 수 있다는 제한점도 언급한다. 향후 연구에서는 네트워크 불확실성을 모델에 통합하거나, 비정형 시간 간격 데이터를 다루는 확장 모델을 개발하는 것이 제안된다.