16강 / 20강

마스터 조절자 — 누가 진짜 사령관인가

MARINa 와 DIGGIT, 그리고 인과의 문제

15강의 결과를 다시 봅시다. DDX54 를 껐는데 활성이 가장 크게 떨어진 것은 MYC 였습니다.

전사인자	NES	표적 수	정답에서의 위치
MYC	−11.39	10	DDX54 의 부하
DDX54	−6.20	3	맨 윗선 (우리가 끈 것)
STAT3	−4.12	7	DDX54 의 부하
NFKB1	−0.96	7	무관
HIF1A	+0.08	5	무관
E2F1	+0.70	7	무관

순위표만 보고 "MYC 가 이 현상의 주범이다"라고 결론 내리면 틀립니다. MYC 는 시킨 사람이 아니라 가장 시끄럽게 반응한 사람이에요.

고등학생누가 진짜 사령관인가

15강의 결과를 보면 DDX54 를 껐는데 활성이 가장 크게 떨어진 것은 MYC 였다.

그럼 MYC 가 사령관인가

가능성	내용
MYC 가 원인	—
MYC 는 결과	DDX54 가 MYC 를 조절
둘 다 제3의 것의 결과	—

활성 변화만으로는 못 가른다

"가장 크게 변했다" 가 "원인이다" 를 뜻하지 않는다.

가장 크게 변한 것이 원인일 수도 결과일 수도 있다 — 방향이 필요하다

MARINa — 활성 순위표를 만드는 방법

VIPER 로 전사인자 전부의 NES 를 구하고 줄 세우는 분석을 MARINa (Master Regulator Inference algorithm) 라고 부릅니다. "이 표현형과 함께 활성이 가장 크게 달라진 조절자는 누구인가"를 묻는 거죠.

보통 이렇게 씁니다.

발현 코호트ARACNe → regulon 두 무리 비교 → 시그니처VIPER → NES 순위표 후보 압축

여기까지가 상관입니다. 인과로 넘어가려면 한 발 더 필요합니다.

고등학생MARINa 의 접근

MARINa 는 표현형 사이의 차이 를 설명하는 조절자를 찾는다.

단계	하는 일
1	두 표현형(암 vs 정상)의 발현 차이를 계산
2	각 조절자의 regulon 이 그 차이를 설명하나 봄
3	가장 잘 설명하는 것을 마스터 조절자 로

그런데 여전히 인과가 아니다

"이 조절자의 표적들이 많이 변했다" 는 상관 이다.

설명력이 크다는 것과 원인이라는 것은 다르다

이런 보정은 정식 방법이 아니라 감을 잡기 위한 것입니다. 진짜 해법은 아래의 DIGGIT 입니다.

Python 브라우저에서 실행

# 순위표를 만들고, '부대 크기' 효과를 확인해 봅니다.
import numpy as np
from arac import (load_expr, rank_transform, aracne, regulons_from,
                  modes_and_weights, viper_nes, simulate, signature, GENES, TFS)

genes, X, samples = load_expr("arac_expr.bin")
U = rank_transform(X)
kept, _, _, mi = aracne(genes, U, TFS, bins=7, alpha=1e-3)
mw = modes_and_weights(genes, U, regulons_from(kept, TFS), mi)

_, X_wt = simulate(20, seed=11); _, X_kd = simulate(20, seed=22, ddx54_mean=-1.8)
z = dict(zip(GENES, signature(X_wt, X_kd)))
nes = viper_nes(z, mw)

print(f"{'순위':>4}{'전사인자':>9}{'NES':>9}{'표적수':>7}{'NES/√표적수':>13}")
for i, (tf, v) in enumerate(sorted(nes.items(), key=lambda kv: kv[1]), 1):
    k = len(mw[tf])
    print(f"{i:>4}{tf:>9}{v:>9.2f}{k:>7}{v/np.sqrt(k):>13.2f}")

print()
print("표적 수로 한 번 더 나눠 보면 MYC 와 DDX54 의 차이가 크게 줄어듭니다.")
print("MYC 의 1위에는 '부대가 커서'라는 이유가 섞여 있다는 뜻입니다.")

DIGGIT — 유전 변이를 끌어와 상류를 찾는다

발현 자료만으로는 누가 먼저인가를 정할 수 없습니다. 자료를 하나 더 끌어와야 하는데, 그 후보로 가장 좋은 것이 유전체 변이입니다.

DIGGIT = Detecting the Influence of Genomic alterations
on the Gene Interaction Transcriptome

왜 변이가 방향을 알려 주나 — 유전체 변이(돌연변이 · 복제수 이상)는 세포가 태어날 때부터 있던 것입니다. 발현 변화가 변이를 만들 수는 없어요. 시간 순서가 한쪽으로만 흐릅니다.

그래서 "이 변이를 가진 환자에서 그 조절자의 활성이 높다"는 관계를 찾으면, 변이 → 활성 방향이 확정됩니다. 반대 방향은 불가능하니까요.

DIGGIT 은 이 논리로 변이 → 조절자 → 표현형 사슬을 세워 "활성이 달라진 것들" 중에서 변이가 뒷받침하는 것만 골라냅니다.

🎮 순위표를 여러 기준으로 다시 세우기

NES · 표적 수 보정 · 상류 여부를 켜고 끄며 순위가 어떻게 바뀌는지 보세요. 기준을 바꾸면 1등이 바뀝니다.

고등학생DIGGIT — 인과를 향한 시도

DIGGIT 은 유전적 변이 를 이용한다.

유전적 변이는 결과가 아니라 원인일 수밖에 없다

단계	내용
1	유전적 변이(돌연변이 · 복제수)를 찾음
2	그 변이가 조절자 활성과 연관되나 봄
3	연관되면 그 변이가 상류

왜 이것이 인과에 가까운가

DNA 변이는 태어날 때나 종양 발생 초기 에 생긴다. 발현 변화가 거꾸로 DNA 를 바꿀 수는 없다.

시간 순서가 명확하다.

시간 순서가 확실한 변수를 쓰면 인과의 방향이 정해진다 — 멘델 무작위화와 같은 논리

'껐을 때의 파장'이 상류성의 가장 직접적인 증거입니다. 17강의 실제 사례가 이 방법을 씁니다.

Python 브라우저에서 실행

# 상류를 찾는 다른 방법 — 껐을 때 무슨 일이 벌어지는지 직접 비교해 봅니다.
# (모의자료이므로 우리는 어느 것이든 끌 수 있습니다. 실제로는 실험이 필요합니다.)
import numpy as np
from arac import simulate, signature, GENES, coefficients, REGULON_TRUE

def knockdown_effect(target_tf):
    # 해당 전사인자를 끄면 전체 유전자가 얼마나 흔들리는가
    co = coefficients()
    _, Xw = simulate(20, seed=11)
    _, Xk = simulate(20, seed=22, ddx54_mean=-1.8 if target_tf == "DDX54" else 0.0)
    if target_tf != "DDX54":
        # DDX54 말고 다른 전사인자를 끄는 것은 이 모의자료로는 직접 못 합니다.
        # 대신 그 전사인자의 표적들만 직접 낮춰 흉내 냅니다.
        idx = [GENES.index(t) for t in REGULON_TRUE.get(target_tf, [])]
        Xk = Xk.copy()
        Xk[idx] -= 1.8 * np.array([[abs(co[(target_tf, GENES[i])])] for i in idx])
    return np.abs(signature(Xw, Xk)).sum()

for tf in ["DDX54", "MYC", "NFKB1"]:
    print(f"{tf:7s} 를 끄면 전체 흔들림 총합 = {knockdown_effect(tf):7.1f}")

print()
print("DDX54 를 끄는 것이 파장이 가장 큽니다 — 부하의 부하까지 흔들리기 때문입니다.")
print("실제 연구에서는 이것을 컴퓨터가 아니라 세포로 확인합니다 (shRNA · CRISPR).")

고등학생그래도 남는 문제

문제	내용
변이가 없으면 못 씀	발현 조절만 있는 경우
연관 불평형	근처 변이와 구별 어려움
여러 경로	변이가 여러 방식으로 작용

그래도 진전이다

순수한 상관에서 부분적 인과 로 갔다.

이것이 이 분야의 방향이다

세대	방법	주장
1	상관 네트워크	관련 있다
2	ARACNe (DPI)	직접 관련 있다
3	VIPER	활성이 변했다
4	DIGGIT	원인일 가능성

각 단계가 앞 단계보다 조금씩 더 강한 주장을 한다 — 그리고 더 많은 자료를 요구한다

🤔 확인 문제

DDX54 를 껐는데 MYC 의 NES 가 가장 컸습니다. 이것을 어떻게 읽어야 할까요?

🤔 확인 문제

DIGGIT 이 유전체 변이 자료를 끌어오는 이유는?

🤔 확인 문제

ARACNe → VIPER → DIGGIT 세 단계가 각각 답하는 질문을 바르게 짝지은 것은?