샘플 의존 혼합 데이터의 인과 구조 탐색: 탈상관 프레임워크와 유전자 조절망 적용

본 논문은 관측 단위 간 상관관계가 존재하고 연속형·이산형 변수가 혼합된 데이터셋에서 인과 그래프를 정확히 추정하기 위한 새로운 방법론을 제시한다. 전통적인 인과 발견 기법은 대부분 i.i.d. 가정을 전제로 하며, 연속 데이터에 특화된 구조 방정식 모델(SEM)이나 다항 로짓 모델을 사용한다. 그러나 실제 연구 현장—예를 들어 사회 네트워크 분석, 단일세포 전사체 분석 등—에서는 샘플 간 의존성이 내재하고, 연속·이산 변수가 동시에 존재하는 경우가 흔하다. 이러한 상황을 그대로 두고 기존 방법을 적용하면 샘플 간 중복 정보가 과대평가되거나, 이산 변수의 순서 정보가 손실되는 등 심각한 편향이 발생한다. 이를 해결하기 위해 저자들은 다음과 같은 일련의 절차를 설계하였다. 첫 단계는 데이터 생성 과정을 설명하는 잠재 연속 변수 기반 SEM을 정의하는 것이다. 변수 \(X_j\) 가 연속형이면 관측값은 잠재 변수 \(z_{ij}\) 그 자체이며, 이산형이면 사전 정의된 임계값 집합 \(T_j=\{\tau_{j,c}\}\) 에 의해 구간화된 \(z_{ij}\) 를 정수값 \(c\) 로 매핑한다. 이때 모든 변수는 동일한 DAG \(G\) 위에 부모‑자식 관계를 갖고, 각 변수의 오차항 \(\varepsilon_j\) 는 다변량 정규분포 \(N_n(0,\Sigma)\) 를 따른다. \(\Sigma\) 는 샘플 간 공분산을 포괄적으로 모델링하며, 대각 원소를 1로 고정해 파라미터 식별성을 보장한다. 두 번째 단계는 샘플 간 의존성을 제거하는 ‘탈상관(de‑correlation)’ 과정이다. 공분산 행렬 \(\Sigma\) 의 역행렬 \(\Theta=\Sigma^{-1}\) 를 Cholesky 분해하여 하삼각 행렬 \(L\) 를 얻는다. 변환 \(L^\top\) 를 오차항에 적용하면 새로운 오차 \(e\varepsilon_{ij}=L^\top\varepsilon_{ij}\) 는 서로 독립이 된다. 따라서 잠재 변수 \(Z\) 에 동일 변환을 적용한 \(\tilde Z = L^\top Z\) 는 샘플 수준에서 독립성을 확보한다. 이 단계가 끝나면 기존 인과 탐색 알고리즘(PC, GES, MMHC 등)을 그대로 적용해도 i.i.d. 가정 위배에 대한 위험이 사라진다. 실제 데이터에서 잠재 변수 \(Z\) 를 복원하는 과정은 EM 알고리즘을 통해 수행된다. E‑step에서는 현재 추정된 회귀계수 \(\beta_j\) 와 임계값 \(T_j\) 하에 다변량 절단 정규분포에서 \(Z\) 를 샘플링한다. M‑step에서는 샘플링된 \(Z\) 를 이용해 회귀계수와 임계값을 업데이트한다. 이 과정을 반복해 로그우도 수렴까지 진행한다. EM 과정이 끝난 뒤 얻은 \(Z\) 에 앞서 설명한 Cholesky 변환을 적용하면 최종 탈상관된 데이터 \(\tilde Z\) 가 완성된다. 샘플 공분산 \(\Sigma\) 의 추정은 변수 쌍마다 최대우도법(pairwise MLE)을 적용해 수행한다. 이는 고차원 \(p\) 에 비해 샘플 수 \(n\) 이 작을 때도 안정적인 추정을 가능하게 하며, 전체 공분산 행렬을 직접 추정하는 것보다 계산 복잡도가 크게 낮다. 제안 방법의 성능은 두 가지 실험군을 통해 검증하였다. 첫 번째는 인공적으로 생성한 DAG와 다양한 샘플 의존 구조를 갖는 시뮬레이션 데이터이다. 여기서 제안 프레임워크는 구조 회복률(Structural Hamming Distance, SHD)과 F1 점수 모두 기존 i.i.d. 기반 방법보다 현저히 우수했으며, 특히 샘플 의존도가 강할수록 차이가 크게 나타났다. 두 번째는 실제 단일세포 RNA‑seq 데이터(Chu et al., 2016)를 이용한 유전자 조절망(GRN) 추정이다. 탈상관 후 얻은 잠재 연속 데이터에 PC와 GES를 적용한 결과, 테스트 데이터에 대한 로그우도 예측력이 크게 향상되었고, 부트스트랩 기반 안정성 측정에서 높은 신뢰도를 보인 엣지는 기존 문헌에 보고된 조절 관계와 높은 일치율을 보였다. 논문의 주요 기여는 다음과 같다. 첫째, 연속·이산 혼합 데이터를 포괄하는 잠재 변수 기반 SEM을 제시하고, 이를 통해 이산 변수의 순서 정보를 자연스럽게 모델링한다. 둘째, 샘플 간 의존성을 정밀하게 추정하고 Cholesky 변환으로 탈상관함으로써 기존 인과 탐색 알고리즘을 그대로 활용할 수 있게 한다. 셋째, EM 기반 잠재 변수 복원과 pairwise MLE 공분산 추정이라는 실용적인 구현 방안을 제공한다. 넷째, 시뮬레이션과 실제 생물학적 데이터 모두에서 제안 방법이 기존 방법보다 우수함을 실증한다. 향후 연구 방향으로는 (1) 비정규(heavy‑tailed) 오차분포에 대한 확장, (2) 시간에 따라 변하는 동적 DAG 모델링, (3) 대규모 데이터셋에 대한 분산/병렬 구현, (4) 다중 오믹스(multi‑omics) 데이터를 동시에 다루는 확장 모델 등이 제시된다. 이러한 발전을 통해 복잡한 의존 구조와 다양한 데이터 유형을 동시에 고려하는 인과 발견이 더욱 현실적인 연구 도구로 자리매김할 것으로 기대된다.