[논문 리뷰] The necessity and power of random, under-sampled experiments in biology

Brian Cleary, Aviv Regev|arXiv (Cornell University)|2020. 12. 23.

Gene Regulatory Network Analysis참고 문헌 108인용 수 10

한 줄 요약

이 논문은 고차원 시스템, 특히 유전자 상호작용 연구에서 임의로 표본 추출된 실험을 사용하여 의미 있는 생물학적 통찰을 도출하는 일반적인 프레임워크를 제안한다. 무작위화와 저차원 추론을 활용함으로써 효율적인 데이터 수집 및 분석이 가능해져 실험 부담을 크게 줄이면서도 통계적 검정력 유지를 유지하고 희소한 데이터 내 숨겨진 패턴을 드러낸다.

ABSTRACT

A vast array of transformative technologies developed over the past decade has enabled measurement and perturbation at ever increasing scale, yet our understanding of many systems remains limited by experimental capacity. Overcoming this limitation is not simply a matter of reducing costs with existing approaches; for complex biological systems it will likely never be possible to comprehensively measure and perturb every combination of variables of interest. There is, however, a growing body of work - much of it foundational and precedent setting - that extracts a surprising amount of information from highly under sampled data. For a wide array of biological questions, especially the study of genetic interactions, approaches like these will be crucial to obtain a comprehensive understanding. Yet, there is no coherent framework that unifies these methods, provides a rigorous mathematical foundation to understand their limitations and capabilities, allows us to understand through a common lens their surprising successes, and suggests how we might crystalize the key concepts to transform experimental biology. Here, we review prior work on this topic - both the biology and the mathematical foundations of randomization and low dimensional inference - and propose a general framework to make data collection in a wide array of studies vastly more efficient using random experiments and composite experiments.

연구 동기 및 목표

• 비용과 스케일로 인해 모든 변수 조합을 포괄적으로 측정하는 것이 불가능한 생물학적 실험의 근본적 한계를 해결하기 위해.
• 다양한 무작위 및 희소 표본 실험 방법을 하나의 수학적으로 엄밀한 프레임워크로 통합하기 위해.
• 희소한 데이터일지라도 무작위 표본 추출이 높은 정보량을 제공할 수 있음을 입증하고자 하며, 특히 유전자 상호작용 연구에서 그러한 가능성을 보여주기 위해.
• 무작위화와 복합 변형을 활용한 체계적인 실험 설계 방법을 제공하기 위해.
• 제한된 데이터로부터 확장 가능하고 비용 효율적인 추론이 가능한 실험 생물학의 기반을 마련하기 위해.

제안 방법

• 모든 실험 조건을 무작위로 샘플링하여 필요한 측정 수를 줄이면서도 통계적 검정력을 유지하는 프레임워크를 제안한다.
• 희소한 고차원 생물학적 데이터에서 의미 있는 신호를 추출하기 위해 저차원 추론 기법을 적용한다.
• 무작위 또는 체계적으로 선택된 변형 조합인 복합 실험(Composite experiments)을 도입하여 각 실험 단위당 정보 수확량을 극대화한다.
• 무작위 행렬 이론과 압축 측정 이론에 기반한 수학적 모델을 활용하여 희소 표본 데이터에서의 정보 복원 이론적 한계를 분석한다.
• 특히 많은 상호작용 변수를 포함한 복잡한 시스템에서 실험 설계의 편향을 줄이고 일반화 능력을 향상시키기 위해 무작위화를 활용한다.
• 통계학과 정량 생물학의 원리를 융합하여 다양한 실험 접근법을 하나의 공통 이론적 시각으로 통합한다.

실험 결과

연구 질문

• RQ1 무작위로 실험 조건을 샘플링하는 것이 복잡한 생물학적 시스템에 대한 신뢰할 수 있고 종합적인 통찰을 제공할 수 있는가?
• RQ2 유전자 상호작용 연구에서 희소 표본 데이터로부터의 정보 복원 이론적 한계는 무엇인가?
• RQ3 무작위화와 복합 실험은 통계적 검정력을 희생시키지 않고 효율성을 어떻게 향상시킬 수 있는가?
• RQ4 희소하고 무작위적인 실험의 성공을 뒷받침하는 수학적 원리는 무엇인가?
• RQ5 다양한 생물학적 응용 분야에서 효율적인 실험 설계를 이끌 수 있는 통합 프레임워크를 어떻게 구성할 수 있는가?

주요 결과

• 무작위 표본 추출은 매우 희소한 데이터로부터도 상당한 정보를 추출할 수 있으며, 조합적 완전 측정이 불가능한 상황에서도 강력한 추론이 가능하다.
• 무작위로 선택된 변형 조합인 복합 실험은 실험 단위당 정보 수확량을 크게 향상시킬 수 있다.
• 프레임워크는 적절한 무작위화와 저차원 모델링을 통해 희소 데이터 영역에서도 통계적 검정력을 유지함을 보여준다.
• 이론적 분석 결과, 무작위 표본 추출은 낮은 내재 차원성 시스템에서 특히, 약한 가정 하에 거의 최적의 정보 복원을 달성할 수 있음을 입증한다.
• 완전한 스크리닝 대비 확장 가능하고 비용 효율적인 대안을 제공하여 실험 비용과 시간을 줄이면서도 생물학적 통찰을 유지한다.
• 통합 프레임워크는 특히 유전자 상호작용 네트워크에서 다양한 생물학적 질문에 대해 체계적인 효율적 실험 설계를 가능하게 한다.