15. 사람 자료로 배운 도구를 개에 쓴다는 것 · 손박사의 애완견 비만세포암 치료제 첫걸음 II

10장의 그 오십 분에서 가장 중요한 말입니다.

"화면에 나오는 숫자는 자릿수까지 또렷하죠." 라첼이 말했다. "그런데 그 숫자에 붙어 있어야 할 오차 막대가 개에서는 훨씬 넓어요. 그 막대는 화면에 안 나오고요."

이 한 문장이 이 강의 전체에서 가장 오래 기억할 문장입니다.

NetMHCpan 은 무엇을 먹고 자랐나

결합 예측기는 측정된 자료로 학습합니다. 두 종류입니다.

결합 친화도 (BA)

펩타이드와 MHC 를 시험관에서 섞어 IC50 을 잰다. 느리고 비싸다

용출 리간드 (EL)

세포에서 MHC 를 뽑아 실제로 실려 있던 펩타이드를 질량분석으로 읽는다. 지금의 주력

NetMHCpan 4.1 은 이 둘을 합쳐 85만 개가 넘는 펩타이드로 학습했고, 용출 리간드 자료에는 개(DLA)도 포함돼 있습니다.

그러니 "개를 전혀 모른다" 는 틀린 말입니다. 문제는 얼마나 아느냐 입니다.

이 표에서 지어낸 부분을 명시했습니다. 이 강의가 지키려는 태도가 그것입니다.

Python 브라우저에서 실행

# 'pan' 예측기가 왜 처음 보는 대립유전자도 다루나 — 그리고 그 한계
print("NetMHCpan 의 'pan' 이 뜻하는 것:")
print("  대립유전자를 이름이 아니라 <홈을 이루는 아미노산 서열> 로 넣는다.")
print("  그래서 학습에 없던 대립유전자도 '비슷한 홈' 으로 미루어 예측한다.")
print()

# 훈련 자료가 얼마나 비슷한 홈을 담고 있느냐가 정확도를 정한다
cases = [
    ("HLA-A*02:01",  "사람 · 자료 아주 많음",   50000, 0.95),
    ("HLA-B*57:01",  "사람 · 자료 있음",         8000, 0.90),
    ("HLA (드문 형)", "사람 · 자료 거의 없음",     50, 0.78),
    ("DLA-88*508:01","개 · 구조와 모티프 풀림",   400, 0.75),
    ("DLA-88 (기타)", "개 · 자료 거의 없음",       20, 0.60),
]
print(f"{'대립유전자':<16}{'상황':<24}{'훈련 펩타이드':>14}{'대략의 신뢰':>12}")
for a, s, n, acc in cases:
    print(f"{a:<16}{s:<24}{n:>14,}{acc:>12.0%}")
print()
print("아래 두 줄의 '대략의 신뢰' 는 <설명을 위한 예시 값> 입니다 — 측정값이 아닙니다.")
print("요점은 값이 아니라 <위에서 아래로 내려간다> 는 것입니다.")

훈련 자료의 양을 줄여 보세요. 예측의 순위가 어떻게 흔들리는지 나옵니다.

불러오는 중…

순위가 흔들린다는 것이 예측이 쓸모없다는 뜻은 아닙니다. 하나만 믿으면 안 된다는 뜻입니다.

Python 브라우저에서 실행

# 순위가 흔들리면 어떻게 되나 — 셋을 고르는 일에서
import numpy as np
rng = np.random.default_rng(31)

# 이야기가 고른 셋과 그 IC50 (제8장)
peps = [("KIT SVDGQVYIP", 87), ("TP53 RAHSSHLKSIP", 143), ("NRAS VVVGAGGVGK", 298)]
# 뒤에 있던 후보들 (예시)
peps += [(f"기타 후보 {i}", v) for i, v in enumerate([355, 410, 480, 520, 610], 1)]

print("예측값 그대로의 순위")
for i, (n, v) in enumerate(sorted(peps, key=lambda x: x[1]), 1):
    star = " ★ 선택" if i <= 3 else ""
    print(f"  {i}. {n:<20}{v:>6} nM{star}")
print()

for sigma_log, label in [(0.15, "사람 수준 불확실성"), (0.45, "개 수준 불확실성")]:
    hits = 0
    for _ in range(4000):
        noisy = [(n, v * np.exp(rng.normal(0, sigma_log))) for n, v in peps]
        top3 = {n for n, _ in sorted(noisy, key=lambda x: x[1])[:3]}
        hits += len(top3 & {p[0] for p in peps[:3]})
    print(f"{label:<20} 원래의 셋 가운데 상위 3 에 남는 개수 평균 {hits/4000:.2f} / 3")
print()
print("불확실성이 커지면 <같은 예측값에서도 다른 셋이 뽑힙니다>.")
print("그래서 라첼이 말했습니다 — '셋을 넣었으니 하나만 맞아도 됩니다.'")

IC50 이 아니라 %rank 를 보는 이유

소설 8장에 이런 대목이 있습니다.

"MHC 종류마다 붙는 성질이 다르다. 어떤 것은 대부분의 펩타이드를 꽤 잘 붙잡고, 어떤 것은 까다롭다. 그래서 요즘은 절대 농도 대신 같은 MHC 에 대해 상위 몇 퍼센트인가를 보는 쪽을 더 믿는다."

그리고 이어집니다 — "폴은 그때 그것을 몰랐다. 10장에서 라첼이 짚어 줄 것이었다."

%rank 는 무작위 펩타이드 무리를 같은 MHC 에 넣었을 때 이것이 상위 몇 %인가입니다. 대립유전자마다 자기 기준으로 재므로, 서로 다른 MHC 의 결과를 견줄 수 있습니다.

흔히 쓰는 선은 %rank < 2(약한 결합) 와 < 0.5(강한 결합) 입니다. 워크숍 노트북의 dla88_rank() 도 같은 뜻으로 만들어져 있습니다.

🤔 확인 문제

라첼 알라베나가 지적한 것을 한 문장으로 옮기면?

🤔 확인 문제

절대 IC50 대신 %rank 를 더 믿는 이유는?

🤔 확인 문제

예측 불확실성이 클 때 표적을 셋 고르는 것이 도움이 되는 이유는?