10강 / 20강

계열 — 씨앗이 같으면 표적도 같다

1,936 종에서 씨앗을 뽑아 보니 계열은 1,558 개 · miR-34b 와 34c 는 한 팀

9강에서 씨앗을 뽑는 법을 배웠습니다. 이제 생쥐 miRNA 1,936 종 전부에서 씨앗을 뽑아 봅시다. 그러면 재미있는 일이 생깁니다.

고등학생씨앗이 같으면 표적도 같다

씨앗 7 글자가 표적을 정한다면, 씨앗이 같은 miRNA 들은 같은 표적 을 갖는다.

이것을 계열(family)이라 한다

서열 전체가 달라도 2~8번만 같으면 한 계열이다. 그러니 계열은 기능적 단위 다.

계열	구성원
miR-34/449	miR-34a · 34b · 34c · 449a · 449b
let-7	let-7a~i · miR-98

let-7 계열은 구성원이 10개가 넘는다. 중복성 이 크다는 뜻이다 — 하나를 없애도 나머지가 대신한다.

계열은 이름이 아니라 씨앗 서열로 정의된다

1,936 종에서 씨앗을 뽑으면 종류가 확 줄어듭니다.

Python 브라우저에서 실행

import mi, pandas as pd

fam = mi.family()                  # miRBase 이름 → 성숙서열 · 계열
print(fam.head(3))
print()

# 성숙 서열에서 직접 씨앗을 뽑아 봅니다.
seeds = fam.mature.str[1:8]
print(f"miRNA 종류 : {len(fam):,}")
print(f"서로 다른 씨앗 : {seeds.nunique():,}")
print()
print("→ 씨앗이 miRNA 수보다 훨씬 적습니다. 여럿이 씨앗을 나눠 갖는다는 뜻입니다.")

이름은 제각각인데 씨앗이 같은 무리들 — 이것이 계열(family) 입니다.

Python 브라우저에서 실행

import mi

fam = mi.family()
seeds = fam.mature.str[1:8]

# 같은 씨앗을 쓰는 miRNA 가 가장 많은 씨앗 다섯 개
top = seeds.value_counts().head(5)
for s, n in top.items():
    names = [x.replace("mmu-", "") for x in fam.index[seeds == s]]
    print(f"씨앗 {s} : {n}종")
    print(f"   {', '.join(names)}")
    print()

고등학생1,936 종에서 계열이 1,558 개

	개수
생쥐 성숙 miRNA	1,936
고유한 씨앗 (계열)	1,558

비율이 말해 주는 것

1,936 ÷ 1,558 ≈ 1.24. 평균적으로 계열당 1.24 종 이다.

즉 대부분의 계열은 구성원이 하나 다. let-7 처럼 큰 계열은 예외다.

이것이 뜻하는 것

중복성이 생각보다 낮다. miRNA 대부분은 대체 불가능 하다는 뜻이다.

그런데 miRNA 하나를 없애도 표현형이 잘 안 나오는 경우가 많다. 그 이유는 중복성이 아니라 효과 자체가 작아서 일 수 있다(17강).

간단한 나눗셈 하나가 중복성 가설을 시험한다

여섯 개 전부 씨앗이 같습니다. 성숙 서열은 뒤쪽이 조금씩 다른데, 그 차이는 표적 선택에 거의 영향이 없습니다.

Python 브라우저에서 실행

import mi

# 우리 주인공이 속한 계열을 통째로 봅니다.
members = mi.members(mi.FAM34)
d = mi.dmi()
f = mi.family()

print(f"계열 : {mi.FAM34}")
print(f"씨앗 : {mi.SEED34}   →  3'UTR 에서 찾을 것 : {mi.site_word(mi.SEED34)}")
print()
print(f"{'miRNA':<18}{'씨앗':<9}{'log2FC':>8}{'WT CPM':>10}   성숙 서열")
print("-" * 78)
for m in members:
    seed = f.loc[m, "mature"][1:8]
    lfc = f"{d.loc[m,'logFC']:+.2f}" if m in d.index else "  —  "
    cpm = f"{d.loc[m,'baseCPM']:,.0f}" if m in d.index else "  —  "
    print(f"{m.replace('mmu-',''):<18}{seed:<9}{lfc:>8}{cpm:>10}   {f.loc[m,'mature']}")

계열 전체의 변화를 재는 법

여섯 miRNA 가 한 팀이라면, 팀 전체가 얼마나 세졌는지를 재야 합니다. 그런데 평균 log2FC 를 쓰면 안 됩니다.

CPM 1.2 짜리 miR-449b 의 +0.27 과 CPM 4,345 짜리 miR-34c-5p 의 +1.15 를 같은 무게로 평균 내면 세포 안에서 실제로 일어난 일과 전혀 다른 숫자가 나옵니다.

그래서 발현량으로 가중한 평균을 씁니다. 분자 수가 많은 쪽이 표적을 더 많이 누르니까요.

고등학생miR-34b 와 34c 는 한 팀

5강에서 본 miR-34b 와 34c 가 같은 계열 이다. 씨앗이 같으니 표적도 같다.

그리고 유전자 자리도 붙어 있다

miR-34b 와 34c 는 같은 전사 단위 에서 함께 나온다. 그러니 함께 조절되고 함께 작동 한다.

층	공유하는 것
유전체 위치	같은 클러스터
전사	같은 프로모터
씨앗	같음 → 같은 표적

그래서 합쳐서 봐야 한다

표적 억제 효과를 볼 때 34b 와 34c 를 따로 세면 효과가 나뉘어 작게 보인다.

계열 단위로 합쳐야 실제 억제력 을 반영한다.

기능이 같은 것들을 합쳐 세는 것이 효과를 제대로 재는 방법이다

가중 평균은 사실상 miR-34c-5p 의 값이 됩니다 — 계열 분자의 92%가 그것이니까요.

Python 브라우저에서 실행

import mi, numpy as np

d = mi.dmi()
members = [m for m in mi.members(mi.FAM34) if m in d.index]
sub = d.loc[members]

plain = sub.logFC.mean()
weighted = np.average(sub.logFC, weights=sub.baseCPM)

print(f"단순 평균 log2FC          : {plain:+.3f}   ({2 ** plain:.2f} 배)")
print(f"발현량 가중 평균 log2FC   : {weighted:+.3f}   ({2 ** weighted:.2f} 배)")
print()
print("기여도 (계열 안에서 차지하는 분자 수 비중)")
for m in sub.sort_values("baseCPM", ascending=False).index:
    share = sub.loc[m, "baseCPM"] / sub.baseCPM.sum() * 100
    print(f"   {m.replace('mmu-',''):<16}{share:>6.1f} %   log2FC {sub.loc[m,'logFC']:+.2f}")

🎮 계열 실험실

씨앗을 검색해 어떤 miRNA 들이 한 팀인지 찾아보세요.

고등학생계열로 묶는 것의 대가

얻는 것	잃는 것
기능적으로 옳은 단위	구성원 간 차이를 무시
검정 수 감소	발현이 다른 것을 합침
효과 크기 정확	3' 말단 차이의 영향 무시

3' 말단이 아주 무의미하지는 않다

씨앗이 결정적이지만, 3' 쪽 결합도 보조적으로 기여한다. 특히 씨앗 결합이 약할 때 그렇다.

그러니 같은 계열이라도 표적 선호가 조금씩 다를 수 있다.

그래도 계열로 묶는 것이 낫다

3' 효과는 작고 예측하기 어렵다. 씨앗 효과는 크고 예측 가능하다. 큰 것을 먼저 잡는 것이 실용적이다.

모형을 단순화할 때는 큰 효과를 남기고 작은 효과를 버린다

🤔 확인 문제

miRNA 1,936 종에서 뽑은 서로 다른 씨앗이 1,558 개뿐인 것이 뜻하는 것은?

🤔 확인 문제

계열 전체의 변화를 잴 때 발현량으로 가중한 평균을 쓰는 이유는?

🤔 확인 문제

어떤 논문이 'miR-34b 의 표적 유전자 목록' 을 TargetScan 에서 찾으려 한다면?

해설 TargetScan 은 계열 단위로 표적을 예측합니다. 씨앗이 같으면 자리도 같으니 따로 만들 이유가 없기 때문입니다. 계열 이름(miR-34-5p/449-5p)을 모르면 검색이 헛돕니다.