잎 혈관 구조의 전체 네트워크 유전자-환경 연관을 위한 심층 학습-통계 통합 프레임워크
An Integrated Deep Learning and Statistical Framework for Whole-Network Gene--Environment Association with Leaf Vascular Architecture
잎맥은 구조와 패턴에서 놀라운 다양성을 보이지만, 기존 유전자-환경 연관 연구는 주로 소수의 저차원 요약 형질을 사용하여 잎맥 분포를 정량화해 왔으며, 이로 인해 원본 이미지에 담긴 대부분의 구조적 정보가 버려졌다. 우리는 심층 학습과 통계를 통합한 프레임워크를 제안한다. 제안된 프레임워크는 네 가지 방법론적 진전을 달성한다. 첫째, 완전한 잎 혈관 구조를 전체 네트워크 이미지 표현형으로 나타낸다. 둘째, 심층 학습 기반 Edge Detection with Transformers(EDTER) 모델을 파인튜닝하여 국소적 및 전역적 문맥 특징을 공동으로 학습함으로써 RGB 이미지로부터 전체 네트워크 잎 혈관 구조를 정확하게 추출한다. 셋째, DiffusionEdge로 생성된 에지 맵과 Berkeley Segmentation Database(BSDS500)를 통합하여 새로운 주석 잎 이미지 데이터베이스를 구축한다. 넷째, Semiparametric Sparse Canonical Correlation Analysis(SSCCA)를 적용하여 반복 측정된 고차원 이변량(bivariate) 이미지 반응과 고차원 예측 변수 간의 변수 선택 및 연관 모델링을 수행하면서, 에지 맵으로 표현되는 희소·영팽(zero-inflated) 데이터를 절단 잠재 가우시안 코풀라(truncated latent Gaussian copula) 모델을 통해 동시에 수용한다. 두 건의 시뮬레이션 연구는 복잡도가 증가하는 조건에서 제안 프레임워크의 성능을 입증한다. 실제 Populus 데이터셋에 대한 적용은 잎 혈관 구조와 연관된 세 가지 유의미한 유전자-지리 상호작용을 식별하여 새로운 생물학적 통찰을 제공하고, 고차원 복합 이미지 표현형을 위한 폭넓게 적용 가능한 방법론적 프레임워크를 확립한다.