연구팀은 복잡한 데이터셋에서 클러스터링 결과 해석의 어려움을 해결하기 위해 모델에 구애받지 않는 특징 중요도 측정 방법인 Cluster LOCO를 제안했어요.
Cluster LOCO는 특징을 하나씩 제거하며 클러스터링의 일반화 성능 저하를 측정하여 특징의 중요도를 평가하며, 데이터 분할 방식인 LOCO-Split과 대규모 데이터용 앙상블 방식인 LOCO-MP 두 가지로 구성돼요.
합성 데이터 시뮬레이션과 단일 세포 트랜스크립토믹스 분석 결과, Cluster LOCO는 기존 방법보다 더 신뢰성 있게 중요한 특징을 찾아낼 수 있음을 확인했어요.