Lesson 7 of 20

레귤론 — ARACNe 가 그린 인맥 지도

한 조절자와 그 부하들

레귤론(regulon) 은 조절자 단백질 하나와, 그 단백질이 켜고 끄는 표적 유전자들의 목록입니다. 조직폭력배로 치면 두목 한 명과 그 조직원 명단입니다.

ARACNe 가 만들어 내는 레귤론에는 명단 말고도 두 가지가 더 붙습니다.

항목	기호	뜻
표적	target	이 조절자가 영향을 주는 유전자
작용 방향	MoR (tfmode)	+1 에 가까우면 켜는 사이, −1 에 가까우면 끄는 사이
신뢰도	likelihood	이 연결을 얼마나 믿을 수 있나 (0~1)

MoR 는 Mode of Regulation 의 줄임말입니다. 조절자 발현과 표적 발현의 상관 방향에서 옵니다. "이 두목이 이 부하에게 일을 시키는 사이인가, 말리는 사이인가"입니다.

High schoolARACNe 가 그린 인맥 지도

레귤론 은 한 조절자가 조절하는 유전자 목록이다.

담기는 것	내용
표적 목록	누구를 조절하나
방향	활성화인가 억제인가
가중치	얼마나 강한가

이것이 다음 단계의 입력이다

VIPER 가 레귤론으로 활성 을 계산하고, DIGGIT 이 그 활성으로 변이 를 찾는다.

레귤론의 품질이 뒤의 모든 것을 정한다

🎮 레귤론을 눌러 보세요

High school레귤론이 왜 필요한가

조절자의 활성 을 직접 못 재기 때문이다.

조절 층	발현으로 보이나
전사	보임
인산화 · 핵 이동	안 보임

그래서 부하들을 본다

표적들이 다 올라갔으면 그 조절자가 활성화된 것이다.

그러려면 표적 목록이 있어야 한다

그것이 레귤론이고, ARACNe 가 만든다.

간접 측정을 하려면 그 간접 경로를 알아야 한다 — 레귤론이 그 경로다

이 자료구조가 다음 강 VIPER 의 입력이 됩니다.

Python Runs in your browser

# 레귤론 하나를 파이썬 자료구조로 적어 봅니다
CEBPB = {
    #  표적      : (MoR, 신뢰도)
    "TNC":        ( 0.92, 0.88),
    "SERPINE1":   ( 0.85, 0.91),
    "TIMP1":      ( 0.78, 0.74),
    "COL1A1":     ( 0.81, 0.66),
    "CHI3L1":     ( 0.70, 0.59),
    "OLIG2":      (-0.74, 0.71),   # 끄는 사이
    "SOX2":       (-0.55, 0.48),
    "DLL3":       (-0.62, 0.53),
}

print("C/EBPB 레귤론 — 표적", len(CEBPB), "개")
print(f"{'표적':<10}{'MoR':>7}{'신뢰도':>8}   작용")
print("-" * 36)
for g, (mor, lik) in CEBPB.items():
    print(f"{g:<10}{mor:>+7.2f}{lik:>8.2f}   {'켠다' if mor > 0 else '끈다'}")
print()

켜는쪽 = [g for g, (m, _) in CEBPB.items() if m > 0]
끄는쪽 = [g for g, (m, _) in CEBPB.items() if m < 0]
print("  켜는 표적:", ", ".join(켜는쪽))
print("  끄는 표적:", ", ".join(끄는쪽))
print()
평균신뢰 = sum(l for _, l in CEBPB.values()) / len(CEBPB)
print(f"평균 신뢰도 {평균신뢰:.2f}")
print("실제 ARACNe 레귤론은 표적이 보통 수십~수백 개입니다.")

High school레귤론 크기와 신뢰도

크기	문제
너무 작음 (<20)	우연히 쏠릴 수 있음
적당 (50~500)	—
너무 큼 (>2000)	특이성 없음

큰 레귤론이 왜 문제인가

표적이 2,000개면 거의 아무 변화에나 반응한다.

"이 조절자 활성이 높다" 가 사실은 "세포가 증식 중이다" 일 수 있다.

그래서 크기 제한을 둔다

보통 25~500 사이만 쓴다.

너무 넓게 조절하는 것은 아무것도 특정하지 못한다

High school레귤론이 조직 특이적이라는 것

조직	같은 조절자의 표적
간	간 특이 유전자
뇌	신경 특이 유전자

왜 다른가

조직마다 열려 있는 DNA 부위 가 다르다. 그러니 같은 인자가 다른 유전자 를 조절한다.

그래서 조직마다 만들어야 한다

다른 조직의 레귤론을 쓰면 부정확하다.

그리고 충분한 샘플이 필요하다

ARACNe 는 수백 샘플 을 요구한다. 드문 조직에서는 만들 수가 없다.

조절망은 세포 유형마다 다르고, 그것을 만들려면 그 유형의 대규모 자료가 필요하다

🤔 Check yourself

레귤론의 MoR(작용 방향) 값이 −0.8 이라는 것은 무엇을 뜻하나요?

레귤론의 품질이 모든 것을 좌우한다

DIGGIT 은 레귤론 위에 세워집니다. 지도가 틀리면 그 위의 수사는 전부 헛수고입니다. 레귤론을 만들 때 지켜야 할 것들이 있습니다.

같은 조직·같은 맥락의 발현 자료로 만들 것 — 간에서 만든 지도를 뇌 종양에 쓰면 안 됩니다
표본이 충분할 것 — MI 추정에는 보통 최소 100개 이상의 시료가 필요합니다
표적 수가 극단적이지 않을 것 — 표적이 5개뿐인 레귤론은 활성 추정이 불안정합니다

√n 법칙이 여기서도 그대로 나옵니다.

Python Runs in your browser

# 표적 수가 적으면 활성 추정이 얼마나 흔들리는지 봅니다
import random
random.seed(11)

def 활성추정(표적수, 반복=2000):
    """표적들의 발현 순위 점수를 평균낸 값 — 표적이 적을수록 흔들린다"""
    폭 = []
    for _ in range(반복):
        점수 = [random.gauss(0, 1) for _ in range(표적수)]   # 아무 신호도 없는 경우
        폭.append(sum(점수) / 표적수)
    평균 = sum(폭) / len(폭)
    표준편차 = (sum((x - 평균)**2 for x in 폭) / len(폭)) ** 0.5
    return 표준편차

print(f"{'표적 수':>6}{'추정값이 흔들리는 폭':>22}")
for n in [3, 5, 10, 25, 50, 100, 300]:
    print(f"{n:>6}{활성추정(n):>22.3f}")
print()
print("표적이 4배 늘면 흔들림은 절반이 됩니다 (√n 법칙).")
print("그래서 레귤론이 작은 조절자는 VIPER 결과도 못 믿습니다.")

🤔 Check yourself

ARACNe 가 데이터 처리 부등식(DPI)을 쓰는 목적은 무엇인가요?

🤔 Check yourself

표적이 4개뿐인 레귤론으로 VIPER 활성을 추정하면 어떤 문제가 생기나요?