15강 / 20강

VIPER — 부하들을 보고 상사의 활동을 읽는다

아라크네 다음에 오는 것

아라크네를 왜 돌렸는지 이제 말할 차례입니다. 그물 자체가 목적인 경우는 드물어요. 대부분은 다음 단계의 재료로 씁니다.

가장 널리 쓰이는 다음 단계가 VIPER 입니다.

VIPER = Virtual Inference of Protein activity by Enriched Regulon analysis

regulon 을 써서 단백질의 활동량을 추정한다

왜 필요한가 — 발현량은 활동량이 아니다

"어떤 전사인자가 활발한지 알고 싶으면 그 유전자의 발현량을 보면 되지 않나?" 안타깝게도 안 됩니다. 이유가 여럿이에요.

발현량 (mRNA) 을 보면

단백질이 만들어졌는지 모른다. 만들어졌어도 인산화되어야 일하는 것이 많다. 핵에 들어갔는지, 짝 단백질을 만났는지도 모른다.
게다가 전사인자는 대개 발현량 변화가 작습니다.

부하들을 보면

상사가 일했다면 부하 50명이 한꺼번에 움직입니다. 50개의 작은 변화를 모으면 신호가 √50 배쯤 또렷해집니다.
그가 실제로 명령을 내렸는지를 직접 재는 셈입니다.

이것이 VIPER 의 발상입니다. 보이지 않는 지휘관을, 부대의 움직임으로 읽는다.

고등학생부하들을 보고 상사의 활동을 읽는다

전사인자의 활성 을 알고 싶다. 그런데 활성은 발현으로 안 나타난다.

왜 그런가

조절 층	발현으로 보이나
전사	보임
인산화	안 보임
핵 이동	안 보임
보조인자 결합	안 보임

VIPER 의 발상

상사를 직접 못 보면 부하들을 본다. 표적들이 다 올라갔으면 상사가 활성화된 것이다.

직접 못 재는 것을 그것이 남긴 자국으로 잰다 — 반복되는 전략

DDX54 를 껐더니 그 부하와, 부하의 부하까지 줄줄이 내려갔습니다.

Python 브라우저에서 실행

# 시그니처를 만들어 봅니다 — DDX54 를 녹다운한 실험을 흉내 냅니다.
import numpy as np
from arac import simulate, signature, GENES

# 같은 네트워크에서 두 무리를 뽑습니다. KD 쪽만 DDX54 를 1.8 표준편차 낮춥니다.
_, X_wt = simulate(20, seed=11, ddx54_mean=0.0)
_, X_kd = simulate(20, seed=22, ddx54_mean=-1.8)

sig = signature(X_wt, X_kd)                # 유전자마다 z 점수
z = {g: v for g, v in zip(GENES, sig)}

print("가장 크게 내려간 유전자 8개")
for g, v in sorted(z.items(), key=lambda kv: kv[1])[:8]:
    print(f"  {g:9s} z = {v:+.2f}")
print()
print("가장 크게 올라간 유전자 5개")
for g, v in sorted(z.items(), key=lambda kv: -kv[1])[:5]:
    print(f"  {g:9s} z = {v:+.2f}")

고등학생구체적으로 어떻게 하나

단계	하는 일
1	모든 유전자를 발현 변화로 줄 세움
2	regulon 의 표적들이 어디에 있는지 봄
3	활성 표적이 위쪽, 억제 표적이 아래쪽이면 활성화
4	점수를 매김 (NES)

GSEA 와 비슷하다

유전자 세트가 순위표의 한쪽에 몰려 있나 를 보는 것.

VIPER 가 더한 것

추가	내용
방향(mode)	억제 표적은 반대로
가중치	강한 연결을 더 중요하게
세 갈래 꼬리	양쪽 끝을 함께 봄

유전자 세트 분석에 방향과 가중치를 더한 것이 VIPER 다

NES — 부대가 얼마나 한 방향으로 움직였나

이제 regulon 하나를 놓고 묻습니다. "이 부대의 표적들이 한 방향으로 몰려 움직였나?"

NES = Σ wᵢ · modeᵢ · zᵢ / √( Σ wᵢ² )

z — 그 표적이 얼마나 움직였나 (시그니처)

mode — 켜는 표적이면 +1, 끄는 표적이면 −1. 끄는 표적이 내려갔다면 상사가 활발해졌다는 뜻이니 부호를 뒤집어야 합니다.

w — 그 표적을 얼마나 믿나 (MI 로 정한 무게)

√(Σw²) 로 나누기 — 표적 수가 많다고 무조건 커지지 않게 하는 정규화입니다. 표적 50개짜리 regulon 과 10개짜리 regulon 을 같은 자로 비교하려면 필요합니다.

표적들이 제각각으로 움직이면 덧셈에서 서로 지워져 NES 가 0 근처가 됩니다. 한 방향으로 몰릴 때만 커져요.

MYC 가 −11.4 로 가장 크게 내려갔습니다. DDX54 를 껐을 뿐인데요.

Python 브라우저에서 실행

# VIPER 를 직접 짜 봅니다 — 여섯 줄입니다.
import numpy as np
from arac import (load_expr, rank_transform, aracne, regulons_from,
                  modes_and_weights, simulate, signature, GENES, TFS)

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

# ② 시그니처를 만들고
_, X_wt = simulate(20, seed=11, ddx54_mean=0.0)
_, X_kd = simulate(20, seed=22, ddx54_mean=-1.8)
z = dict(zip(GENES, signature(X_wt, X_kd)))

# ③ regulon 마다 NES 를 구합니다
def nes_of(rows):
    num = sum(w * mode * z.get(t, 0.0) for t, mode, w, _ in rows)
    den = np.sqrt(sum(w * w for _, _, w, _ in rows)) or 1.0
    return num / den

print(f"{'전사인자':>8}{'표적수':>7}{'NES':>9}{'자기 발현 z':>12}")
for tf in sorted(TFS, key=lambda t: nes_of(mw[t])):
    print(f"{tf:>8}{len(mw[tf]):>7}{nes_of(mw[tf]):>9.2f}{z[tf]:>12.2f}")

고등학생왜 이것이 유용한가

장점	내용
잡음에 강함	수십~수백 표적의 평균
발현이 낮아도 됨	전사인자 자체를 안 봐도 됨
번역 후 조절도 잡음	결과를 보니까
단일 샘플에서도	—

두 번째가 실무적으로 크다

전사인자는 대개 발현이 낮다. 그러면 측정 잡음이 커서 믿기 어렵다.

표적 100개의 평균은 훨씬 안정적 이다.

√n 의 힘

표적 100개를 평균하면 잡음이 10분의 1 로 준다.

약한 신호 하나보다 그 신호가 만든 여러 자국의 평균이 안정적이다

🎮 부대의 움직임을 직접 보기

전사인자를 고르면 그 부대 표적들이 각각 얼마나 움직였는지 막대로 보여 줍니다. 한 방향으로 몰렸는지를 눈으로 확인해 보세요.

이것이 regulon 을 모아서 보는 힘입니다. 개별 유전자 하나로는 절대 안 보이는 신호가 드러납니다.

Python 브라우저에서 실행

# 표적이 한 방향으로 몰려야 한다는 것을 실험으로 확인합니다.
import numpy as np

rng = np.random.default_rng(0)
w = np.ones(30)                       # 표적 30개, 무게는 모두 1

def nes(z, w=w):
    return float((w * z).sum() / np.sqrt((w * w).sum()))

# ① 전부 같은 방향으로 조금씩 움직인 경우
z1 = rng.normal(-0.8, 0.5, 30)
# ② 크게 움직였지만 방향이 뒤죽박죽인 경우
z2 = rng.normal(0.0, 2.0, 30)

print("① 다 같이 조금씩  평균 z =", round(z1.mean(), 2),
      " 흩어짐", round(z1.std(), 2), " → NES =", round(nes(z1), 2))
print("② 제각각 크게      평균 z =", round(z2.mean(), 2),
      " 흩어짐", round(z2.std(), 2), " → NES =", round(nes(z2), 2))
print()
print("②는 개별 변화가 훨씬 큰데도 NES 는 작습니다 —")
print("VIPER 가 재는 것은 '크기'가 아니라 '한목소리'입니다.")

진짜 VIPER 는 조금 더 정교합니다

우리가 짠 것은 VIPER 의 핵심(aREA, analytic Rank-based Enrichment Analysis)을 가장 단순하게 줄인 것입니다. 실제 구현은 여기에 세 가지를 더합니다.

① 순위 기반 — z 대신 순위를 정규분포로 변환한 값을 씁니다 (이상치에 강해집니다)
② 양쪽 꼬리 — "많이 움직였다"와 "한 방향으로 움직였다"를 따로 재서 합칩니다
③ 겹침 보정 (shadow / pleiotropy) — 두 regulon 이 표적을 많이 공유하면 한쪽의 신호가 다른 쪽에 그림자로 비칩니다. 그것을 빼 줍니다

③번이 특히 중요합니다. 10강의 DPI 와 같은 문제 — 간접 효과를 걷어 내는 일이 VIPER 층위에서 다시 나오는 것입니다.

이 셋을 제대로 다루는 짝 과목이 따로 있습니다 — 바이퍼(VIPER) 첫걸음 의 10강 aREA 세 갈래 꼬리 · 11강 NES · 12강 귀무분포 를 보세요. 이 강의는 그물을 만드는 쪽, 그쪽은 그물을 쓰는 쪽입니다.

고등학생VIPER 의 한계

한계	내용
regulon 에 의존	13강 — 앞단의 품질
표적이 겹침	여러 인자가 같은 표적을 공유
방향이 불확실	상관 부호에서 빌려 온 것
인과가 아님	16강

두 번째가 해석을 어렵게 한다

A 와 B 가 표적을 많이 공유하면 둘의 VIPER 점수가 같이 움직인다.

그러면 누가 진짜 원인인지 못 가른다.

그래서 16강이 필요하다

"활성이 변했다" 와 "그것이 원인이다" 는 다른 주장 이다.

활성 추론은 상태를 말하지 인과를 말하지 않는다

🤔 확인 문제

VIPER 가 전사인자의 발현량 대신 표적들의 움직임을 보는 이유가 아닌 것은?

🤔 확인 문제

NES 식에서 √(Σw²) 로 나누는 이유는?

🤔 확인 문제

어떤 regulon 의 표적 30개가 모두 크게 움직였는데 NES 는 0.3 이었습니다. 무슨 뜻일까요?