다중속성 연관 네트워크 추정 및 특성 분석: 암세포 유전자·단백질 데이터 적용

** 이 논문은 다중속성 연관 네트워크(Multi‑Attribute Association Network)의 추정과 특성 분석을 위한 통계적 프레임워크를 제시한다. 전통적인 연관 네트워크 연구는 하나의 속성(예: 유전자 발현, 단백질 발현, 사회적 선호 등)에만 의존해 링크를 정의했으며, 이는 실제 시스템이 여러 속성의 복합적 상호작용에 의해 연결되는 경우를 충분히 반영하지 못한다는 한계를 가지고 있다. 저자는 이러한 문제를 해결하기 위해, 각 노드가 K개의 연속형 속성을 갖는 상황을 가정하고, 두 노드 사이의 연관성을 정준상관(Canonical Correlation)이라는 다변량 통계량으로 요약한다. 정준상관은 두 다변량 집합 사이의 선형 결합을 찾아 최대 상관을 구하는 방법으로, 다중 속성이 동시에 기여하는 연관성을 자연스럽게 포착한다. 논문은 먼저 정준상관 기반 유사도 함수 \(SIM_C(i,j)\) 를 정의하고, 이 값이 사전 정의된 임계값을 초과하면 그래프 G의 엣지 \(e(i,j)\) 로 선언한다. 임계값 선택을 위해 가설 검정 절차를 설계했으며, 정규성 가정 하에 t‑검정 혹은 비모수적 permutation test을 적용한다. 검정의 유의 수준을 조정해 거짓 양성률을 통제하면서, 실제 데이터에서 의미 있는 링크를 검출한다. 특히 두 개의 속성(K=2) – 유전자 발현과 단백질 발현 – 에 초점을 맞추어 정준 가중치 \(\alpha_1, \alpha_2\) 를 도입한다. 이 가중치는 정준상관을 구성하는 두 속성의 기여 비율을 나타내며, \(\alpha_1+\alpha_2=1\) 을 만족한다. 이를 통해 각 링크가 어느 속성에 의해 주도되는지를 정량적으로 해석할 수 있다. 예를 들어, \(\alpha_1\) 가 0.8이면 해당 링크는 주로 유전자 발현에 의해 형성된 것으로 판단한다. 다음으로 부분 정보(Partial Information) 문제를 다룬다. 실제 연구에서는 모든 속성을 동시에 측정하기 어려운 경우가 많다. 저자는 하나의 속성만 사용했을 때와 두 속성을 모두 사용했을 때의 검정력(power)을 이론적 분석과 시뮬레이션을 통해 비교한다. 결과는 다중 속성을 결합했을 때 검정력이 현저히 증가하고, 특히 상관 구조가 약하거나 노이즈가 큰 상황에서도 유의미한 링크를 탐지할 확률이 높아진다. 고차 네트워크 통계량에 대한 영향도 상세히 평가한다. 차수, 군집계수, 베트위니스 중심성 등은 개별 엣지 존재 여부에 민감하므로, 속성 결합이 이들 통계량의 편향과 분산을 어떻게 변화시키는지를 Monte‑Carlo 실험을 통해 분석한다. 다중 속성 기반 추정은 단일 속성 기반 추정보다 평균 차수와 군집계수가 실제(시뮬레이션) 네트워크와 더 일치함을 보이며, 중심성 측정에서도 보다 안정적인 결과를 제공한다. 실제 적용 사례로 NCI‑60 데이터베이스의 60개 인간 암세포주에 대해 91개의 유전자·단백질 쌍을 선택했다. 각 쌍은 동일한 세포주에서 측정된 두 속성을 갖는다. 정준상관 기반 네트워크를 구축한 뒤, 기존의 단일 속성(유전자 전용, 단백질 전용) 네트워크와 비교하였다. 단백질 전용 네트워크는 비교적 높은 연결 밀도를 보였지만, 일부 중요한 기능적 연결을 놓쳤다. 반면 유전자 전용 네트워크는 특정 전사 조절 관계를 포착했지만, 단백질 수준의 상호작용을 충분히 반영하지 못했다. 두 속성을 결합한 정준상관 네트워크는 두 기존 네트워크의 장점을 모두 포함했으며, 정준 가중치를 통해 각 엣지가 어느 속성에 의해 주도되는지를 명확히 할 수 있었다. 또한, 정준 가중치를 이용해 노드를 ‘유전체‑주도’, ‘단백질‑주도’, ‘혼합형’으로 분류하였다. 각 클래스에 대해 KEGG 경로 분석을 수행한 결과, ‘단백질‑주도’ 노드들은 세포 골격·신호 전달 경로에, ‘유전체‑주도’ 노드들은 전사·번역 조절 경로에, ‘혼합형’ 노드들은 대사·면역 경로에 풍부하게 나타났다. 이는 제안된 다중속성 네트워크가 생물학적 의미를 보존하면서도 새로운 통합적 관점을 제공함을 실증한다. 마지막으로, 논문은 정준상관 기반 네트워크 추정이 다른 분야(사회 네트워크, 센서 네트워크 등)에도 일반화 가능함을 언급한다. 다중 속성 데이터를 활용해 보다 정교한 연관 구조를 밝히고, 속성별 기여도를 정량화함으로써 해석 가능성을 높이는 것이 본 연구의 핵심 기여이다. **