[논문 리뷰] Inferring Multidimensional Rates of Aging from Cross-Sectional Data

Emma Pierson, Pang Wei Koh외 5명|PubMed|2018. 07. 12.

Insurance, Mortality, Demography, Risk Management참고 문헌 59인용 수 9

한 줄 요약

이 논문은 개인의 표현형을 저차원의 선형으로 변화하는 잠재 상태와 정적 개인별 편향의 비선형 함수로 모델링함으로써 횡단적 데이터에서 다차원 노화 궤적을 추론하는 잠재변수 모델을 제안한다. 순서 동형 비선형 사상과 시간에 의존하지 않는 변동이 알려져 있을 경우, 모델은 식별 가능하며 영국 생물은행 데이터셋에서 질병, 사망률, 위험 인자와 관련된 해석 가능한 노화 속도를 복원한다.

ABSTRACT

Modeling how individuals evolve over time is a fundamental problem in the natural and social sciences. However, existing datasets are often <i>cross-sectional</i> with each individual observed only once, making it impossible to apply traditional time-series methods. Motivated by the study of human aging, we present an interpretable latent-variable model that learns temporal dynamics from cross-sectional data. Our model represents each individual's features over time as a nonlinear function of a low-dimensional, linearly-evolving latent state. We prove that when this nonlinear function is constrained to be <i>order-isomorphic,</i> the model family is identifiable solely from cross-sectional data provided the distribution of time-independent variation is known. On the UK Biobank human health dataset, our model reconstructs the observed data while learning interpretable rates of aging associated with diseases, mortality, and aging risk factors.

연구 동기 및 목표

• 각 개인이 한 번만 측정되는 횡단적 데이터에서 개인 수준의 종단적 동역학을 학습하는 데 도전하는 것.
• 다양한 생물학적 시스템에서 해석 가능한 변화 속도를 갖는 다차원적 과정으로 인간의 노화를 모델링하는 것.
• 특히 비선형 사상의 순서 동형성이라는 미약한 구조적 가정 하에서, 횡단적 데이터로부터 잠재 노화 모델의 식별 가능성을 확립하는 것.
• 영국 생물은행 데이터셋에 모델을 적용하여 건강 결과, 사망률, 위험 인자와 관련된 노화 궤적을 복원하는 것.
• 횡단적 데이터와 제한된 종단적 데이터를 모두 사용하여 모델 성능을 검증함으로써 안정성과 예측 능력을 입증하는 것.

제안 방법

• 모델은 각 개인의 표현형 벡터를 시간에 따라 변화하는 잠재 상태 $ r_t $ 와 정적 편향 벡터 $ b $ 의 비선형 함수로 표현한다. $ r_t $ 는 시간에 따라 선형적으로 변화하며, $ b $ 는 개인별 변동을 캡처한다.
• 잠재 상태 $ r_t $ 에서 관측된 특징으로의 비선형 사상은 순서 동형성으로 제약되어, 노화 진행과 표현형 변화 간의 단조성 보장을 한다.
• 시간에 의존하지 않는 변동 $ b $ 의 분포가 알려져 있을 경우, 식별성이 증명되며, 이는 횡단적 데이터만으로도 잠재 노화 속도를 복원할 수 있음을 의미한다.
• 모델은 단조성과 비단조성 특징를 별도의 헤드로 처리하는 변분 오토인코더 프레임워크를 사용하여 훈련되며, 단조성은 매개변수화된 단조함수 $ f = s \circ a $ 를 통해 강제한다.
• 하이브리드 손실 함수는 횡단적 재구성 손실과 소량의 종단적 데이터를 조합하여 일반화 성능을 향상시키며, 과적합을 방지하기 위해 하이퍼파rameter 튜닝이 수행된다.
• 모델의 안정성은 랜덤 시드, 데이터 부분 추출, 잠재 차원 수의 변화에 따라 평가되었으며, 모든 경우에서 노화 속도가 일관되게 복원됨을 보였다.

실험 결과

연구 질문

• RQ1 순수하게 횡단적 데이터에서 해석 가능한 다차원 노화 궤적을 복원할 수 있는가?
• RQ2 어떤 조건에서 잠재 노화 모델이 횡단적 데이터만으로도 식별 가능한가?
• RQ3 유추된 노화 속도는 질병, 사망률, 흡연과 같은 알려진 위험 인자와 같은 실제 건강 결과와 어떻게 관련되어 있는가?
• RQ4 소량의 종단적 데이터를 횡단적 데이터와 함께 사용할 때 모델이 종단적 예측으로 일반화할 수 있는가?
• RQ5 모델 아키텍처, 데이터 샘플링, 잠재 차원 수의 변화에 대한 편향에 대해 유학된 노화 속도는 얼마나 견고한가?

주요 결과

• 모델은 높은 재구성 정확도를 달성하였으며, 영국 생물은행 데이터셋의 52개 표현형에서 재구성된 특징와 실제 특징 간 평균 상관계수는 0.88이었다.
• 종단적 외삽에서 모델은 순수 횡단적 모델 대비 83%의 개인에서 연령 관련 변화를 올바르게 예측하였으며, 이는 순수 횡단적 모델의 66%보다 높은 성능을 보였다.
• 유추된 노화 속도가 높을수록 질병 위험, 사망률, 흡연과 같은 알려진 위험 인자와 유의미하게 관련되어 있었다.
• 모델은 다양한 랜덤 시드, 데이터 서브셋, 잠재 차원 수에서 일관된 노화 속도를 유지하였으며, 모든 테스트된 편향에서 상관계수 $ \rho_r > 0.8 $ 를 기록하였다.
• 소량의 종단적 데이터를 $ \lambda_{\text{lon}} = 1 $ 으로 포함할 경우 종단적 일반화 성능이 최고로 향상되었으며, 과적합이 최소화되고 예측 성능이 향상되었다.
• 모델은 인지 기능, 폐 건강과 같은 구체적인 생물학적 시스템에 해당하는 해석 가능한 노화 차원을 성공적으로 식별하였다.