13강 / 20강

길이로 나누면 — TP53 81.5, TTN 0.50

아미노산 1,000개당 변이 표본 비율 · 실제 계산

12강에서 봤듯 긴 유전자가 자주 변이됩니다. 그럼 길이로 나누면 되겠죠.

밀도 = ^{변이 표본 비율(%)}⁄_{길이(1,000 아미노산)}

유방암(TCGA, 표본 1,084개)의 실제 계산 결과입니다.

유전자	변이 비율	길이(aa)	1,000aa당 밀도
`TP53`	32.0%	393	81.45
`PIK3CA`	32.0%	1,068	29.97
`TTN`	17.3%	34,350	0.50
`MUC16`	10.1%	14,507	0.69
`SYNE1`	5.8%	8,797	0.66
`USH2A`	5.7%	5,202	1.10

TP53 이 TTN 보다 163배 조밀하다

고등학생길이로 나눠 본다

가장 단순한 보정을 해 봅시다. 변이 표본 비율을 유전자 길이로 나눠요. 단위를 맞추기 위해 아미노산 1,000개당으로 환산합니다.

보정 점수 = (변이 표본 비율 %) ÷ (아미노산 길이) × 1,000

실제 계산 결과입니다.

유전자	길이	변이 비율	보정 점수
TP53	393	높음	81.5
TTN	34,000+	48%	0.50

순위가 완전히 뒤집혔습니다. 160배 넘게 차이가 나요.

보세요. 빈도로는 TP53 과 PIK3CA 가 똑같이 32.0% 입니다.

그런데 밀도로 보면 TP53 이 2.7배 조밀해요. TP53 이 훨씬 짧은데 같은 비율로 맞았다는 건, 훨씬 강하게 선택됐다는 뜻입니다.

고등학생왜 이렇게 잘 작동하나

인구 수로 나누는 것과 같은 발상입니다. "서울에 병원이 많다"는 당연하죠 — 사람이 많으니까요. 인구 1만 명당 병원 수로 바꿔야 비교가 됩니다.

보정 전	보정 후
서울 병원 수가 가장 많다	인구당으로는 다른 지역이 더 많을 수 있다
TTN 변이가 가장 많다	길이당으로는 TP53이 압도적

비율(rate)로 바꾸는 것은 과학에서 가장 자주 쓰는 보정입니다. 절대 수는 규모를 반영하고, 비율은 집중도를 반영해요.

나누기 하나로 목록이 달라집니다.

Python 브라우저에서 실행

# 유방암 자료로 빈도 순위와 밀도 순위를 견줍니다. 실제 값입니다.
BRCA = [
    ("TP53",   32.0,   393), ("PIK3CA", 32.0,  1068), ("TTN",   17.3, 34350),
    ("MUC16",  10.1, 14507), ("RYR2",    6.1,  4967), ("FLG",    6.1,  4061),
    ("SYNE1",   5.8,  8797), ("USH2A",   5.7,  5202),
]
rows = [(g, p, aa, p / (aa / 1000)) for g, p, aa in BRCA]

print("### 빈도 순")
for i, (g, p, aa, d) in enumerate(sorted(rows, key=lambda r: -r[1]), 1):
    print(f"  {i}. {g:8s} {p:5.1f}%")
print()
print("### 밀도 순 (1,000aa 당)")
for i, (g, p, aa, d) in enumerate(sorted(rows, key=lambda r: -r[3]), 1):
    print(f"  {i}. {g:8s} {d:6.2f}")
print()
print("순위가 완전히 뒤집힙니다. 승객들이 아래로 내려갔어요.")

고등학생길이 보정으로 부족한 것

이 단순 보정으로는 못 잡는 것이 있습니다.

못 잡는 것	왜
CpG 등 서열 특성	같은 길이라도 오타 확률이 다름
변이의 종류	침묵 변이와 정지 변이를 똑같이 셈
변이의 위치	한 자리에 몰렸는지 흩어졌는지 무시 — 14강
암종별 특성	흑색종·폐암은 오타 패턴이 특이

두 번째 줄이 실은 아주 강력한 도구입니다. 아미노산을 안 바꾸는 침묵 변이는 선택을 안 받아요. 그래서 단백질을 바꾸는 변이 ÷ 침묵 변이 비율(dN/dS)을 보면 그 유전자가 선택을 받았는지 알 수 있습니다. 이 강의는 거기까지 안 가지만, 실제 도구는 그걸 씁니다.

감각을 잡는 것과 논문을 쓰는 것은 다릅니다.

Python 브라우저에서 실행

# 배경 변이율을 흔드는 요인들.
factors = [
    ("유전자 길이",        "가장 크다",  "이 강의가 보정한 것"),
    ("발현 수준",          "크다",       "안 켜진 유전자에 변이가 더 쌓인다"),
    ("복제 시기",          "중간",       "늦게 복제되는 부위에 더 쌓인다"),
    ("염기 조성 (CpG)",    "중간",       "CpG 의 C 가 특히 잘 바뀐다"),
    ("염색질 상태",        "중간",       "닫힌 부위에 더 쌓인다"),
    ("종양의 변이 부담",   "표본마다 다름", "흡연 폐암은 변이가 열 배 많다"),
]
print(f"{'요인':22s} {'영향':>10s}   설명")
for f, s, w in factors:
    print(f"{f:22s} {s:>10s}   {w}")
print()
print("이 강의는 첫 줄만 보정했습니다.")
print("제대로 하려면 MutSigCV 나 dNdScv 같은 도구를 씁니다.")

고등학생그래도 길이 보정을 먼저 하는 이유

정교한 도구가 있는데 왜 단순한 것부터 할까요?

이유	내용
가장 큰 요인이다	길이 하나로 대부분의 승객이 걸러짐
계산이 투명하다	왜 그 순위인지 손으로 확인 가능
검산이 된다	정교한 도구 결과가 이것과 크게 다르면 의심

단순한 보정을 먼저 하고, 그 결과를 기준선으로 삼는다.

19강에서 손잡이를 돌려 볼 때도 같은 태도를 씁니다. 복잡한 도구의 출력을 그대로 믿는 대신, 단순한 계산으로 방향을 확인해 둡니다.

🤔 확인 문제

빈도가 똑같이 32.0%인 TP53 과 PIK3CA 중 TP53 이 더 강하게 선택됐다고 보는 근거는?

🤔 확인 문제

길이 보정만으로는 부족한 이유로 알맞지 않은 것은?