프로파일 그래프 모델: 위험 요인에 따른 의존 구조의 통합 표현

본 연구는 외부 위험 요인 X가 다변량 결과 변수 Y_V의 조건부 독립 구조에 미치는 영향을 하나의 그래프 구조로 포괄적으로 기술하는 ‘프로파일 그래프 모델(Profile Graphical Models)’을 제안한다. 기존의 체인 그래프와 다중 그래프 접근법은 각각 X와 Y_V 사이의 직접적인 상호작용을 모델링하거나, 각 X 수준마다 별도의 그래프를 추정하는 데 한계가 있다. 이를 보완하기 위해 저자들은 무향 프로파일 그래프 G_U를 정의한다. G_U는 정점 집합 V와 라벨 Z⊆X가 붙은 간선 집합 E로 구성되며, 라벨에 따라 간선이 전체(edge), 점선(dotted) 혹은 부재(missing)로 구분된다. 라벨 Z가 X 전체이면 해당 정점 쌍은 모든 프로파일에서 연결되지 않으며, Z=∅이면 모든 프로파일에서 연결된다. 이렇게 하면 하나의 그래프 안에 각 위험 수준 x∈X에 대한 조건부 독립 정보를 동시에 담을 수 있다. 마르코프 성질은 세 가지 형태로 제시된다. 첫째, Pairwise Markov Property (U‑PMP)은 라벨 Z에 포함된 모든 x에 대해 해당 두 정점이 나머지 정점을 조건으로 독립임을 요구한다. 둘째, Global Markov Property (U‑GMP)은 x‑경로와 x‑분리 개념을 이용해 임의의 A, B, C⊂V에 대해 C가 x‑분리를 이루면 A와 B가 Y_C를 조건으로 독립임을 명시한다. 셋째, Connected‑Set Markov Property (U‑CSMP)은 x‑분리된 집합 D의 x‑연결 컴포넌트들 사이의 독립성을 다룬다. 정리 1은 U‑GMP와 U‑CSMP가 동등함을 증명함으로써, 전역 독립성을 연결 집합 규칙만으로도 완전히 파악할 수 있음을 보인다. 통계적 모델링에서는 Gaussian 프로파일 그래프를 대상으로 연속 스파이크‑앤‑슬랩 사전(continuous spike‑and‑slab prior)을 도입한다. 이 사전은 각 프로파일 x에 대해 공통된 희소 구조를 공유하도록 설계돼, 위험 수준 간에 동일한 에지는 하나의 파라미터 블록으로 묶이고, 차이가 나는 부분만 별도로 추정한다. 추정 알고리즘은 기대‑최대화(EM) 프레임워크를 기반으로 하며, E‑스텝에서 현재 파라미터에 대한 조건부 기대값을 계산하고, M‑스텝에서 스파이크‑슬랩 사전의 하이퍼파라미터를 포함한 정규화된 로그우도 최대화를 수행한다. 이 과정은 그래프 구조가 고정된 경우와 구조 탐색을 동시에 수행하도록 설계돼, 대규모 변수 집합에서도 계산 효율성을 확보한다. 시뮬레이션 연구에서는 위험 요인 수준이 3개와 5개인 경우를 설정하고, 기존의 다중 그래프 추정법(예: Graphical Lasso, Joint Graphical Lasso)과 비교하였다. 프로파일 그래프는 동일한 거짓 발견율(FDR) 수준에서 더 높은 진양성 비율(TPR)을 달성했으며, 특히 위험 수준 간에 공유되는 에지를 정확히 식별하는 데 강점을 보였다. 실제 데이터 적용에서는 급성 골수성 백혈병(AML) 환자들의 단백질 발현 데이터를 4개의 분자 아형으로 구분하고, 각 아형을 위험 요인 X의 수준으로 설정하였다. 프로파일 무향 그래프를 통해 아형별 네트워크를 동시에 시각화했으며, 기존 단일 그래프 모델이 놓친 아형 특이적 연결(예: 특정 신호전달 경로의 활성화/억제)을 성공적으로 포착했다. 모델이 선택한 에지는 생물학적 문헌과 일치하는 경우가 많아, 임상적 해석 가능성을 높였다. 본 논문의 주요 기여는 다음과 같다. (1) 위험 요인에 따른 조건부 독립 구조를 하나의 그래프에 통합하는 새로운 이론적 프레임워크, (2) 그에 맞는 마르코프 성질과 연결‑분리 개념의 정밀한 정의, (3) 연속 스파이크‑앤‑슬랩 사전과 EM 알고리즘을 이용한 실용적인 베이지안 추정 방법, (4) 시뮬레이션 및 실제 데이터에서 기존 방법보다 우수한 성능을 입증한 실증적 검증. 향후 연구에서는 비정규 데이터, 시간에 따라 변하는 위험 요인, 다중 레벨 위험 요인 등으로의 확장이 기대된다.