Lesson 12 of 20

핵심 전사인자 — 활성은 변하는데 발현은 안 변한다

프로토콜 Phase I-2 → I-3 을 잇는 결정적 관찰

논문의 논리에서 가장 중요한 대목이 여기입니다. 조심스럽게 따라가 봅시다.

관찰 — 어떤 전사인자들은 면역 사막과 면역 염증에서 활성이 뚜렷이 다른데 발현량은 거의 같다.

추론 — 그 TF 의 부하들이 다르게 움직였는데 TF 자신의 양은 그대로다. 그렇다면 부하들을 움직인 것은 그 TF 의 양이 아니다.

결론 — TF 의 활성 자체를 바꾸는 무언가가 위에 있다. 그것이 마스터 조절자다.

이 삼단논법이 DIGGIT 이 필요한 이유입니다. VIPER 는 "누가 일하고 있나" 까지만 답합니다. "왜 일하게 되었나" 는 한 층 위에서 찾아야 해요.

그래서 우리는 이런 전사인자들을 골라냅니다 — 활성 차이는 유의하고(p < 0.05), 발현 차이는 유의하지 않은(p > 0.05) TF. 이들을 핵심 전사인자(pivotal TF) 라고 부르고, DIGGIT 이 설명해야 할 대상으로 넘깁니다.

High school활성은 변하는데 발현은 안 변한다

이것이 이 강의의 결정적 관찰 이다.

조절자	발현 차이	활성 차이
여럿	거의 없음	큼

발현 분석으로는 못 찾는다

차등발현 목록에 안 나온다.

그런데 표적들이 크게 변했다.

발현만 보면 놓치는 조절자가 있다 — 그것이 VIPER 를 쓰는 이유다

이 코드가 논문 Fig 2B 의 논지를 우리 자료로 재현합니다.

Python Runs in your browser

import gene
import numpy as np
from scipy import stats

# 표본 하나하나의 TF 활성 — 시간이 조금 걸립니다 (표본 512개)
A = gene.activity()
print("활성 행렬:", A.shape, "(TF × 표본)")

E = gene.expr()
d, f = gene.groups()
V = E.values.astype(float)
Z = (V - V.mean(1, keepdims=True)) / (V.std(1, keepdims=True) + 1e-9)
import pandas as pd
Z = pd.DataFrame(Z, index=E.index, columns=E.columns)

# TF 마다 두 무리를 비교 — 활성으로 한 번, 발현으로 한 번
rows = []
for g in gene.tfs():
    ap = stats.mannwhitneyu(A.loc[g, d], A.loc[g, f]).pvalue      # 활성
    ep = stats.mannwhitneyu(Z.loc[g, d], Z.loc[g, f]).pvalue      # 발현
    rows.append((g, ap, ep))
W = pd.DataFrame(rows, columns=["TF", "act_p", "expr_p"]).set_index("TF")

print()
print("전체 TF               :", len(W))
print("활성 차이 유의 (p<.05):", int((W.act_p < 0.05).sum()))
print("  그중 발현 차이 비유의:", int(((W.act_p < 0.05) & (W.expr_p > 0.05)).sum()),
      "← 핵심 전사인자")
print("  발현도 함께 유의    :", int(((W.act_p < 0.05) & (W.expr_p <= 0.05)).sum()))

NR3C1 은 논문이 지목한 그 전사인자입니다 — 활성만 달라지는 대표 사례.

Python Runs in your browser

import gene
from scipy import stats

W = gene.pivotal_tfs()
piv = W[(W.act_p < 0.05) & (W.expr_p > 0.05)]
print("핵심 전사인자:", len(piv), "개")
print()
print(f"{'TF':<10}{'활성 p':>12}{'발현 p':>10}{'활성차이':>10}")
for g, r in piv.reindex(piv.act_diff.abs().sort_values(ascending=False).index).head(12).iterrows():
    print(f"{g:<10}{r.act_p:>12.2e}{r.expr_p:>10.3f}{r.act_diff:>10.2f}")

print()
print("논문이 이름을 든 두 전사인자를 확인해 봅니다")
for g in ["NR3C1", "CHAF1A"]:
    if g in W.index:
        r = W.loc[g]
        mark = "핵심 TF ✓" if (r.act_p < 0.05 and r.expr_p > 0.05) else ""
        print(f"  {g:8s} 활성 p={r.act_p:.2e}  발현 p={r.expr_p:.3f}  {mark}")
    else:
        print(f"  {g:8s} 우리 TF 목록/조각에 없음")

High school왜 발현이 안 변하나

기전	내용
인산화	단백질을 켜고 끔
핵 이동	위치가 바뀜
단백질 분해	양이 바뀌는데 RNA 는 그대로
보조인자	파트너가 있어야 작동

세 번째가 이 연구에서 중요하다

단백질 분해 조절이 바뀌면 RNA 는 그대로 인데 단백질 양이 다르다.

그리고 그것이 발현 자료에는 안 보인다

측정하는 층이 RNA 이니까.

조절이 일어나는 층과 측정하는 층이 다르면 그 조절은 보이지 않는다

High school그럼 무엇이 그것을 바꿨나

활성이 변한 이유를 더 위로 거슬러 올라가야 한다.

? → 조절자 활성 → 표현형

후보	내용
유전적 변이	DIGGIT 이 찾음
다른 조절자	—
외부 신호	—

첫 번째가 다루기 좋다

DNA 변이는 결과가 될 수 없으니 방향이 확실히 정해진다.

인과 사슬을 거슬러 올라갈 때 시간 순서가 확실한 변수가 발판이 된다

🎮 핵심 전사인자 실험실

실제 핵심 전사인자 8개에 대해 활성 분포와 발현 분포를 나란히 그립니다. 활성은 갈라지는데 발현은 겹치는 모습을 직접 보세요 — 논문 Fig 2B 그 그림입니다.

High school이 관찰이 Phase I-2 에서 I-3 을 잇는다

Phase	내용
I-2 (VIPER)	어느 조절자가 활성화되었나
연결점	발현이 안 변했으니 위에 무언가 있다
I-3 (DIGGIT)	그 위의 유전적 원인

논리가 자연스럽다

발현이 변했으면 전사 조절 을 의심한다.

발현이 안 변했는데 활성이 변했으면 다른 층 에 원인이 있다.

관찰의 특징이 다음에 무엇을 물어야 할지를 알려 준다

🤔 Check yourself

핵심 전사인자(pivotal TF) 의 정의는?

🤔 Check yourself

이 관찰에서 DIGGIT 이 필요하다는 결론이 나오는 논리는?

🤔 Check yourself

CHAF1A 가 우리 분석에 등장하지 않는 이유는?