베이지안 계층 모델링을 통한 효모 유전 상호작용 추론

본 논문은 효모를 대상으로 한 고처리량 양적 피트니스 분석(QFA)에서 유전적 상호작용을 보다 정밀하게 추정하기 위해 베이지안 계층 모델링을 도입한다. QFA는 로봇을 이용해 수천 개의 유전형을 384‑spot plate에 배양하고, 시간에 따라 광학밀도(OD)를 측정해 성장곡선을 얻는다. 기존 연구에서는 각 유전형의 피트니스(예: 최대 성장률, 포화 용량)를 단일값으로 요약한 뒤, 빈도주의 t‑검정이나 ANOVA로 상호작용을 검정했는데, 이는 (1) 유전형 간 변동성을 충분히 반영하지 못하고, (2) 조건별 변동성 차이를 무시한다는 한계가 있었다. 저자는 이러한 문제를 해결하기 위해 두 가지 베이지안 접근법을 제시한다. 첫 번째는 “두 단계 베이지안 계층 접근법”이다. 1단계에서는 로지스틱 성장 모델을 계층적으로 확장해, 각 웰의 성장곡선을 시간‑OD 데이터에 맞춘다. 여기서 반복(replication) 수준, 유전형 수준, 전체 실험 수준의 세 계층에 각각 고유한 변동성을 부여하고, 사전분포를 통해 파라미터의 불확실성을 모델링한다. MCMC(Gibbs 샘플링·Metropolis‑Hastings)를 이용해 성장률(r)과 포화 용량(K) 등의 사후분포를 추정한다. 2단계에서는 1단계에서 얻은 피트니스 요약을 다시 계층 모델에 투입한다. 두 유전형(예: 변이와 야생형) 사이의 차이를 베타‑분포 형태의 상호작용 효과(ε)로 모델링하고, 유전형 간 변동과 배치 효과를 별도의 하이퍼파라미터로 추정한다. 이 구조는 기존 빈도주의 방법이 놓친 미세한 차이를 포착한다. 두 번째는 “한 단계 통합 베이지안 계층 접근법”이다. 여기서는 성장곡선 파라미터와 상호작용 효과를 동시에 추정한다. 즉, 피트니스 요약을 별도로 계산하지 않고, 전체 OD 시계열 데이터를 하나의 공동 사후분포로 모델링한다. 이 방식은 정보 손실을 최소화하고, 성장곡선 형태가 상호작용 강도에 미치는 영향을 자연스럽게 반영한다. 모델 검증을 위해 저자는 텔로미어 결함을 일으키는 cdc13‑1 변이와 대조군 ura3Δ를 27 °C에서 비교한 실제 QFA 데이터셋을 사용했다. 두 단계 모델과 통합 모델 모두 기존 Addinall et al. (2011)의 빈도주의 분석보다 더 많은 유의미한 유전자·복합체 상호작용을 식별했으며, 특히 텔로미어 캡과 연관된 새로운 후보 유전자들을 발견했다. 모델별 수렴 진단(Gelman‑Rubin, Effective Sample Size)과 시뮬레이션 기반 검증을 통해 추정 정확도와 계산 효율성을 평가하였다. 또한 논문은 여러 확장 모델을 제시한다. (1) 데이터 변환(로그, 제곱근 등)을 포함한 버전은 비정규성 문제를 완화한다. (2) 배치 효과를 명시적으로 모델링한 버전은 실험실 내 여러 플레이트 간의 시스템적 차이를 보정한다. (3) 내재적 잡음이 포함된 stochastic logistic growth 모델을 선형 잡음 근사(linear noise approximation)와 Kalman filter를 이용해 추정하는 방법을 제시한다. 특히 stochastic 모델은 실험적 측정오차와 생물학적 변동을 동시에 고려함으로써, 매우 작은 성장 차이를 감지하는 데 유리함을 보였다. 결론적으로, 베이지안 계층 모델링은 QFA와 같은 고처리량 미생물 성장 데이터에서 (i) 불확실성을 정량화하고, (ii) 다중 수준 변동성을 동시에 추정하며, (iii) 피트니스 요약 없이도 직접 상호작용을 추정할 수 있다는 장점을 제공한다. 이러한 접근법은 효모뿐 아니라 다른 미생물 시스템, 혹은 E‑MAP, SGA와 같은 다른 대규모 유전 상호작용 스크리닝에도 적용 가능하며, 향후 복잡한 생물학적 네트워크 해석에 중요한 통계적 도구가 될 것이다.