[논문 리뷰] Bayesian Gaussian Copula Graphical Modeling for Dupuytren Disease

Reza Mohammadi, Fentaw Abegaz외 2명|arXiv (Cornell University)|2015. 01. 20.

Dupuytren's Contracture and Treatments참고 문헌 29인용 수 13

한 줄 요약

이 논문은 Dupuytren 질환에서 혼합형 데이터를 대상으로 위험 요인과 조건부 이상성 구조를 규명하기 위해 계산적으로 효율적인 베이지안 가우시안 코풀라 그래픽 모델을 제안한다. 확장된 순위 우도를 사용하는 이행 차원의 탄생-소멸 MCMC 알고리즘을 통해, 나이, 음주, 유전적 병력, Ledderhöse 질환은 질병의 심각도에 직접적인 영향을 미치는 것으로 밝혀졌으며, 특히 중지와 약지 사이에 심한 상관관계가 있음을 확인하여 동시에 수술 치료를 시행할 것을 지지한다.

ABSTRACT

Dupuytren disease is a fibroproliferative disorder with unknown etiology that often progresses and eventually can cause permanent contractures of the affected fingers. In this paper, we provide a computationally efficient Bayesian framework to discover potential risk factors and investigate which fingers are jointly affected. Our Bayesian approach is based on Gaussian copula graphical models, which are one potential way to discover the underlying conditional independence structure of variables in multivariate mixed data. In particular, we combine the semiparametric Gaussian copula with extended rank likelihood which is appropriate to analyse multivariate mixed data with arbitrary marginal distributions. For the graph structure learning, we construct a computationally efficient search algorithm which is a trans-dimensional MCMC algorithm based on a birth-death process. In addition, to make our statistical method easily accessible to other researchers, we have implemented our method in C++ and interfaced with R software as an R package BDgraph which is available online.

연구 동기 및 목표

• 다변량 혼합형 데이터를 활용하여 Dupuytren 질환의 직접적 및 간접적 위험 요인을 발견하기 위해.
• 손가락과 위험 요인 간의 조건부 이상성 구조를 모델링하여 질병 진행 패턴을 이해하기 위해.
• 이중형, 순서형, 연속형 변수를 포함한 혼합형 데이터에서 그래픽 모델 선택을 위한 계산적으로 효율적인 베이지안 프레임워크를 개발하기 위해.
• 실제 Dupuytren 질환 데이터에 대한 사후 예측 검증을 통해 모델 적합도를 평가하기 위해.
• 복잡하고 이질적인 생물의학 데이터셋을 분석하는 연구자들이 사용할 수 있는 확장성 있고 접근성이 높은 도구를 제공하기 위해.

제안 방법

• 혼합형 데이터 유형과 임의의 마진 분포를 처리하기 위해 반모수적 가우시안 코풀라 모델을 사용한다.
• 마진에 대한 비모수적 가정을 회피하기 위해 확장된 순위 우도를 사용하여 의존성 구조에 대한 강건한 추론을 가능하게 한다.
• 다양한 차원을 가진 모델 간 이동을 허용하는 이행 차원의 탄생-소멸 MCMC 알고리즘을 사용하여 그래프 구조 학습을 수행한다.
• Uhler 등 (2014)의 정규화 상수 비율의 정확한 계산을 통합하여 계산 효율성을 향상시킨다.
• C++로 구현된 프레임워크는 R 패키지 BDgraph를 통해 널리 접근 가능하도록 제공된다.
• 모델 적합도는 시뮬레이션된 조건부 분포와 관측된 조건부 분포를 비교한 사후 예측 검증을 통해 평가된다.

실험 결과

연구 질문

• RQ1 어떤 위험 요인이 Dupuytren 질환의 심각도에 직접적인 영향을 미치며, 어떤 요인이 간접적인 영향을 미치는가?
• RQ2 다른 손(오른손과 왼손) 간에 서로 다른 손가락의 심각도 수준은 어떻게 조건부로 의존하는가?
• RQ3 혼합형 변수의 동시 분포를 가장 잘 설명하는 조건부 이상성 그래프의 기초 구조는 무엇인가?
• RQ4 유한한 MCMC 실행에서 기존 방법과 비교해 본다면, 제안된 베이지안 방법은 계산 효율성과 수렴성 측면에서 어떻게 다른가?
• RQ5 모델은 사후 예측 검증을 통해 관측된 데이터 패턴을 정확히 재현할 수 있는가?

주요 결과

• 나이, 음주, 가족력(가족 내 가족력), 그리고 Ledderhöse 질환이 Dupuytren 질환의 심각도에 직접적인 영향을 미치는 것으로 확인되었다.
• 중지와 약지는 강한 조건부 의존성을 보였으며, 이는 한쪽 손가락에 수술를 시행할 경우 다른 손가락도 함께 고려해야 함을 시사한다.
• 사후 예측 검증을 통해 모델 적합도가 검증되었으며, 손가락의 질병 심각도에 대한 시뮬레이션된 조건부 분포와 실측된 조건부 분포 간의 밀도가 높게 일치함을 확인했다.
• 정규화 상수 비율의 정확한 계산과 탄생-소멸 프로세스 설계 덕분에 EBDMCMC 알고리즘이 Dobra와 Lenkoski(2011)의 방법보다 뛰어난 계산 효율성을 보였다.
• 이 방법은 동시에 여러 손가락에 영향을 미치는 유전적 또는 생물학적 요인을 성공적으로 규명하였으며, 이는 기존 GWAS 연구에서 Dupuytren 질환과 관련된 9개 유전자를 규명한 결과와 일치한다.
• 이 접근법은 이진형, 순서형, 연속형 변수를 포함한 모든 혼합형 데이터셋에 일반화 가능하며, 실용적인 구현은 BDgraph R 패키지를 통해 제공된다.