[논문 리뷰] Why we should use Topological Data Analysis in Ageing: towards defining the "Topological shape of ageing"

Tamàs Fülöp, Mathieu Desroches외 2명|arXiv (Cornell University)|2020. 08. 14.

Topological and Geometric Data Analysis참고 문헌 88인용 수 9

한 줄 요약

이 논문은 노화 연구에 위상적 데이터 분석(TDA)의 도입을 주장하며, 노화의 '위상적 형태'—분자의, 세포의, 생체 전체 수준에서의 생물학적 노화 동역학의 통합적이고 다스케일적 표현—를 밝혀내고자 한다. 종단적 및 橫断적 노화 데이터에서 구조적 변화와 계면전이를 탐지하기 위해 위상적 불변량을 활용함으로써, TDA는 분자의, 세포의, 생체 전체 수준에서의 인과적 패턴을 식별할 수 있게 하여, 건강한 노화와 병적 노화의 궤적을 예측하는 데 새로운 프레임워크를 제공한다.

ABSTRACT

Living systems are subject to the arrow of time; from birth, they undergo complex transformations (self-organization) in a constant battle for survival, but inevitably ageing and disease trap them to death. Can ageing be understood and eventually reversed? What tools can be employed to further our understanding of ageing? The present article is an invitation for biologists and clinicians to consider key conceptual ideas and computational tools (known to mathematicians and physicists), which potentially may help dissect some of the underlying processes of ageing and disease. Specifically, we first discuss how to classify and analyze complex systems, as well as highlight critical theoretical difficulties that make complex systems hard to study. Subsequently, we introduce Topological Data Analysis - a novel Big Data tool - which may help in the study of complex systems since it extracts knowledge from data in a holistic approach via topological considerations. These conceptual ideas and tools are discussed in a rather informal way to pave future discussions and collaborations between mathematicians and biologists studying ageing.

연구 동기 및 목표

• 위상 기반의 새로운 분석적 접근을 제안하여, 노화 연구 분야에서의 공감대 부족과 통합적 프레임워크의 부재를 해결하고자 한다.
• 기존 통계 및 기계학습 방법의 한계를 극복하고자 하며, 이러한 방법들은 강한 가정에 의존하고 복잡한 노화 데이터에서 전역적이고 인과적인 관계를 포착하지 못한다.
• 위상적 불변량을 통해 노화 궤적에서의 계면전이와 구조적 이동을 감지함으로써, 병적 노화와 건강한 노화의 예측을 가능하게 하고자 한다.
• 수학자들과 생물학자들 간의 협업을 촉진하고자 하며, TDA를 시스템 생물학적 노화 연구를 위한 공통의 개념적·계산적 프레임워크로 도입하고자 한다.
• 세계보건기구(WHO)의 2020–2030년 건강한 노화 이니셔티브에 기여하고자 하며, 노화의 기원적, 계층적, 동적 성격을 밝혀내는 도구를 제공하고자 한다.

제안 방법

• 다스케일 노화 데이터에서 위상적 불변량(예: 지속성 호몰로지)을 추출하기 위해 위상적 데이터 분석(TDA)을 활용하여 전역적 구조 패턴을 캡처한다.
• 선택된 유사도 또는 거리 척도 기반의 필터링 과정을 통해 데이터로부터 단체 복합체를 구성함으로써, 다양한 척도에서 위상적 특징을 추적할 수 있도록 한다.
• 지속성 호몰로지를 적용하여 연결 성분, 고리, 빈공간(보티 수)과 같은 위상적 특징을 다양한 필터링 수준에서 식별하고 추적한다.
• 위상적 불변량을 수치적 데이터의 보완 요약 자료로 활용하여, 생물학적 척도를 넘는 숨겨진 인과적 관계 탐지 능력을 향상시킨다.
• 시간 또는 인구 집단에 따라 위상적 특징을 맵핑함으로써 '노화 지도'를 구축하는 것을 제안하며, 이는 중요한 전이점(예: 질병 발병 초기 단계)을 식별하는 데 기여한다.
• TDA를 기존 모델(예: 에피제네틱 시계, 생리적 불안정성 지표, 다층 네트워크 모델)과 통합함으로써, 그 해석 가능성과 예측 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 다스케일 노화 데이터에서 추출된 위상적 불변량은 기존 통계 방법이 간과하는 숨겨진 전역적 패턴을 드러내는가?
• RQ2 TDA는 노화에서의 계면전이, 예를 들어 건강한 노화에서 병적 노화로의 전환을 어떻게 감지하고 특성화할 수 있는가?
• RQ3 TDA는 기존 도구(예: 에피제네틱 시계, 주성분 분석(PCA), 네트워크 분석)과의 보완적 역할을 통해 노화에서의 인과적 관계를 식별하는 데 어느 정도 기여할 수 있는가?
• RQ4 '노화의 위상적 형태'를 맵핑하여 개인의 건강 및 질병 궤적을 예측할 수 있는가?
• RQ5 특히 거리 척도 선택과 위상적 특징의 기원적 성질로서의 해석에 있어, 생물학적 맥락에서 TDA의 한계는 무엇인가?

주요 결과

• TDA는 복잡한 노화 데이터에서 전역적 위상적 불변량을 추출함으로써, 수치적 요약을 넘어서 생물학적 시스템의 통합적 시각을 제공한다.
• 지속성 보티 수와 같은 위상적 특징은 데이터의 구조적 변화를 추적할 수 있으며, 고리의 출현이나 빈공간의 발생과 같은 변화는 생물학적 계면전이와 관련이 있을 수 있다.
• 이 방법은 노화 궤적에서의 임계 전이점 감지를 가능하게 하여, 임상적 증상 이전에 연령 관련 질병의 발병 가능성을 조기에 식별할 수 있다.
• TDA는 에피제네틱 시계나 생리적 불안정성 지표와 같은 기존 도구를 보완하여 데이터 내 잠재적 위상적 구조를 드러낸다.
• TDA를 다층 네트워크 모델 및 시스템 생물학 프레임워크와 통합함으로써, '노화의 일곱 기둥'을 상호 연결된 동적 시스템으로 모델링할 능력을 향상시킨다.
• 저자들은 노화가 '맥락 기반 기원'의 범주에 속할 수 있으며, 위상적 동치는 필요하지만 충분하지 않다는 점을 제안하며, TDA가 이러한 복잡하고 계층적인 시스템을 연구하는 데 적합하다고 주장한다.