정상상태 데이터와 골드베터코슐란드 동역학을 이용한 네트워크 추론

본 논문은 생물학적 네트워크, 특히 단백질 인산화 신호전달망을 정상상태(steady‑state) 데이터만을 이용해 추론하는 새로운 방법론을 제시한다. 기존의 네트워크 추론 기법은 대부분 이산형 혹은 선형 회귀 모델에 기반해, 비선형적인 생화학 반응을 충분히 반영하지 못한다는 한계를 가지고 있었다. 저자들은 이러한 문제를 해결하기 위해 골드베터‑코슐란드(Goldbeter‑Koshland) 동역학에서 유도된 평형 방정식을 함수 형태로 일반화하고, 이를 베이지안 회귀 모델에 삽입한다. 1. **문제 정의와 배경** - 생물학적 네트워크는 그래프 G =(V,E) 로 표현되며, V는 유전자·단백질 등 분자, E는 인과적 조절 관계를 나타낸다. - 기존 방법은 주로 선형 모델(예: LASSO, 베이지안 네트워크)이나 ODE 기반이지만, 실제 반응은 Michaelis‑Menten 혹은 골드베터‑코슐란드와 같은 비선형 형태를 띤다. - 비선형성을 무시하면 모델 미스스펙화로 인한 편향이 발생하고, 네트워크 복원 정확도가 크게 떨어진다. 2. **골드베터‑코슐란드 기반 함수 클래스** - 각 단백질 i는 비인산화형 X₀i와 인산화형 Xi 를 갖고, 총 농도 U_i = X₀i + Xi 는 일정하다고 가정한다. - 키네이스 E∈E_i 와 억제제 I∈I_{i,E} 가 존재할 경우, 반응 속도는 Michaelis‑Menten 형태 V_E·X_E·X₀i/(X₀i+K_E) 로 표현하고, 경쟁 억제는 K_E를 K_E + ∑_I X_I/K_I 로 재조정한다. - 평형 조건에서 얻어지는 식은 Xi = ∑_{E∈E_i} (V_E/V_0)·X_E·X₀i / (X₀i + K_E·(1 + ∑_{I∈I_{i,E}} X_I/K_I)) 로, 부모 집합 π_i = E_i ∪ {I_{i,E}} 에 대한 함수 f_i 을 정의한다. - 키네이스가 없을 경우 평균값 μ_i 를 사용한다. 3. **베이지안 통계 모델** - 관측값은 로그 변환 후 정규 오차 모델을 가정한다: log Xi = log f_i(X_{π_i}, U_i; θ_i) + ε_i, ε_i∼N(0,σ²). - 파라미터 θ_i = (V,K,σ) 에 대해 물리적 제약(V>0, K>0, σ>0)을 반영한 Gamma 사전분포를 설정한다. - 모델 M_i (키네이스·억제제 조합) 자체에도 객관적 사전확률을 부여한다(보조 정보는 부록에 상세히 기술). 4. **RJMCMC를 이용한 모델·파라미터 탐색** - 모델 공간은 각 단백질마다 가능한 모든 키네이스·억제제 조합(부모 집합)의 부분집합으로 구성된다. 차원 가변 파라미터 구조 때문에 전통적인 MCMC는 적용이 어렵다. - 가역점프 MCMC(RJMCMC)를 설계해 모델 추가·제거, 파라미터 재샘플링을 동시에 수행한다. 제안 분포는 현재 모델의 크기에 비례하도록 설계해 수용률을 최적화한다. - 샘플링 후 각 엣지 (j→i) 에 대한 사후 확률 p((j,i)∈E|D) 를 계산하고, 이를 네트워크 점수로 활용한다. 5. **실험 및 결과** - **시뮬레이션**: 최신 MAPK 신호전달 모델(Xu et al., 2010)을 기반으로 100개의 정상상태 샘플을 생성하고, 알려진 네트워크와 추정 결과를 비교했다. ROC AUC와 AUPR 모두 기존 선형 LASSO, 베이지안 네트워크, ODE‑기반 회귀보다 현저히 높았다. 특히 억제제 효과가 강하게 나타나는 경우에도 정확히 복원하였다. - **실제 데이터**: 유방암 세포주에서 측정된 30여 개 단백질의 인산화 수준을 사용했다. 추정된 키네이스‑기질 관계는 문헌에 보고된 MAPK, PI3K/AKT, Src 등 주요 신호 경로와 높은 일치도를 보였으며, 일부 새로운 잠재적 조절 관계도 제시했다. 6. **논의 및 한계** - 제안 방법은 비선형 동역학 정보를 직접 활용함으로써 정상상태 데이터만으로도 높은 네트워크 복원력을 제공한다. - 제한점은 (i) 모든 키네이스·억제제가 관측 가능해야 한다는 전제, (ii) 사전 파라미터 선택이 결과에 영향을 미칠 수 있음, (iii) 대규모 네트워크에서는 RJMCMC 수렴에 상당한 계산 비용이 필요하다는 점이다. - 향후 연구는 부분 관측 상황을 위한 베이지안 임퓨테이션, 파라미터 공유를 통한 차원 축소, 그리고 병렬 MCMC 구현을 통해 확장성을 높이는 방향으로 진행될 예정이다. 7. **결론** - 골드베터‑코슐란드 평형식을 기반으로 한 함수 클래스 F 와 베이지안 RJMCMC 탐색을 결합한 네트워크 추론 프레임워크를 제시하였다. - 시뮬레이션 및 실제 프로테오믹스 데이터에서 기존 선형 모델 대비 우수한 성능을 입증했으며, 비선형 생화학 반응을 고려한 네트워크 추론이 실험 설계와 데이터 해석에 새로운 가능성을 제공함을 보여준다.