Lesson 19 of 20

실전 사례 — 교모세포종 중간엽 아형과 KLHL9

논문 한 편이 걸어간 길

DIGGIT 을 세상에 알린 논문은 이것입니다.

Chen JC, Alvarez MJ, Talos F, 외
"Identification of causal genetic drivers of human disease through systems-level analysis of regulatory networks"
Cell 159(2):402–414, 2014. 컬럼비아대 Califano 연구실.

대상은 교모세포종(glioblastoma, GBM) — 가장 공격적인 뇌종양입니다. 그중에서도 예후가 특히 나쁜 중간엽(mesenchymal) 아형이 표적이었습니다.

배경이 되는 앞선 발견이 있었습니다. Carro 등(Nature 2010) 이 이미 이 아형의 마스터 레귤레이터로 C/EBPβ 와 STAT3 를 찾아 두었습니다. 둘 다 억제하면 종양의 중간엽 성질이 무너졌습니다.

남은 질문은 하나였습니다. 그럼 이 둘은 왜 켜졌나?

High school논문 한 편이 걸어간 길

교모세포종 중간엽 아형 의 드라이버를 찾은 연구다.

단계	결과
ARACNe	교모세포종 조절망
VIPER	중간엽 아형의 MR
DIGGIT	상류 변이 후보
실험	KLHL9 확인

파이프라인 전체가 하나의 답으로 수렴한 사례

🎮 사례를 단계별로 따라가 보세요

High school발현은 그대로인데 활성만 높은 MR

10강에서 이야기한 것이 여기서 실제로 나온다.

MR	발현 차이	활성 차이
중간엽 MR 들	작음	큼

발현 분석으로는 못 찾았을 것이다

차등발현 목록에 안 나온다.

그런데 표적들이 크게 변했다.

왜 발현이 안 변했나

번역 후 조절 때문이다 — 단백질 분해 가 달라진 경우.

KLHL9 가 바로 단백질 분해 관련 인자다.

발현이 안 변하는 조절이 있다 — 그것을 잡는 것이 활성 추론의 값어치다

1~18강이 이 아홉 줄이었습니다.

Python Runs in your browser

# 논문이 밟은 단계를 정리해 봅니다
단계 = [
    ("① 코호트",     "TCGA 교모세포종 — 발현 + 복제수 변이, 같은 환자"),
    ("② ARACNe",     "GBM 발현으로 조절 네트워크 구축 → 레귤론"),
    ("③ 시그니처",   "중간엽 아형 vs 나머지"),
    ("④ MR",         "C/EBPβ · C/EBPδ · STAT3 등 (Carro 2010 과 일치)"),
    ("⑤ F-CNV",      "복제수-발현이 함께 움직이는 변이만 남김"),
    ("⑥ aQTL",       "각 변이 ↔ MR 활성 연관 검정"),
    ("⑦ 조건부 분석", "후보가 MR 의 레귤론을 흔드는지 확인"),
    ("⑧ 통합·순위",   "KLHL9 결실이 상위 후보로"),
    ("⑨ 실험 검증",   "KLHL9 를 되살리면 중간엽 성질이 약해짐"),
]
for 이름, 내용 in 단계:
    print(f"{이름:<14}{내용}")
print()
print("이 강의에서 배운 순서와 정확히 같습니다.")
print("DIGGIT 은 이 흐름 자체를 알고리즘으로 굳혀 놓은 것입니다.")
print()
print("아래 위젯은 같은 이야기를 일곱 단계로 풀어 놓았습니다 —")
print("①②를 '자료' 하나로, ③④⑤를 '후보 좁히기' 하나로 묶고,")
print("대신 맨 앞에 '문제'(왜 이걸 묻나)와 뒤쪽에 '기전'(왜 그렇게 되나)을 더했습니다.")

High schoolKLHL9 가 하는 일

기능	내용
Cullin3 복합체 구성	유비퀴틴 리가아제
표적 단백질 분해	특정 단백질을 없앰

그러니 발현으로는 안 보인다

KLHL9 가 줄면 표적 단백질이 쌓인다.

그 표적의 RNA 는 안 변한다. 단백질만 늘어난다.

그런데 그 단백질이 전사인자면

그 인자의 표적들이 변한다.

VIPER 가 그것을 잡는다.

단백질 분해 조절이 전사 결과로 나타나고, 그것을 활성 추론이 읽는다

High school이 사례가 보여 주는 것

교훈	내용
발현만 보면 놓친다	번역 후 조절
활성 추론이 답을 준다	표적의 평균
유전적 증거가 방향을 준다	DIGGIT
실험이 확정한다	필수

그런데 정직하게 짚을 것

이것은 성공한 사례 다. 같은 파이프라인으로 실패한 경우 도 많다.

성공 사례만 보면 방법의 성능을 과대평가하게 된다.

발표되는 것은 대개 성공한 사례다 — 그것으로 성능을 판단하면 안 된다

🤔 Check yourself

KLHL9 결실이 C/EBPβ 활성을 높이는 기전으로 논문이 제시한 설명은?

11강에서 말한 'aQTL 이 eQTL 보다 강하다' 를 이 사례에서 확인합니다.

Python Runs in your browser

# 발현으로는 안 보이고 활성으로만 보이는 상황을 흉내내 봅니다
환자 = [
    # (KLHL9 결실, CEBPB mRNA, CEBPB 활성 NES)
    (1, 6.1,  2.8), (1, 5.9,  2.4), (1, 6.3,  3.1), (1, 6.0,  1.9), (1, 6.2,  2.6),
    (1, 5.8,  2.2), (1, 6.1,  2.9), (1, 6.0,  2.1),
    (0, 6.0,  0.1), (0, 6.2, -0.4), (0, 5.9,  0.3), (0, 6.1, -0.8), (0, 6.0,  0.2),
    (0, 6.3,  0.5), (0, 5.8, -0.6), (0, 6.1,  0.4),
]

def 평균(xs): return sum(xs)/len(xs)
def t검정(a, b):
    na, nb = len(a), len(b)
    va = sum((x-평균(a))**2 for x in a)/(na-1)
    vb = sum((x-평균(b))**2 for x in b)/(nb-1)
    합동 = ((na-1)*va + (nb-1)*vb)/(na+nb-2)
    return (평균(a)-평균(b)) / (합동*(1/na+1/nb))**0.5

for 이름, 열 in [("mRNA 발현", 1), ("VIPER 활성", 2)]:
    있음 = [r[열] for r in 환자 if r[0] == 1]
    없음 = [r[열] for r in 환자 if r[0] == 0]
    t = t검정(있음, 없음)
    print(f"{이름:<12} 결실군 {평균(있음):>6.2f}  정상군 {평균(없음):>6.2f}   t = {t:>6.2f}")
print()
print("발현으로 보면 아무 차이가 없습니다 (t ≈ 0).")
print("활성으로 보면 압도적입니다. 세로축 하나가 발견을 만듭니다.")

🤔 Check yourself

이 사례에서 eQTL(발현 기반) 분석만 했다면 KLHL9 를 찾을 수 있었을까요?

이 사례에서 배울 것 세 가지

가운데 층이 발견을 만든다 — 변이와 표현형을 바로 이었다면 아무것도 못 봤습니다
기전이 설명되면 이야기가 완성된다 — "분해 담당이 사라져서 오래 산다"는 한 문장이 통계 결과를 생물학으로 바꿉니다
알고리즘이 끝이 아니다 — KLHL9 를 되살리는 실험이 있었기에 결론이 되었습니다

🤔 Check yourself

이 사례가 보여 주는 DIGGIT 접근의 핵심 이점은 무엇인가요?