Lesson 11 of 20

3'UTR 200만 염기에서 자리를 찾는다

여덟 줄짜리 함수로 8mer · 7mer-m8 · 7mer-1a 를 가려낸다

이제 실제 서열에서 자리를 찾아봅니다. 재료는 3'UTR 입니다.

왜 3'UTR 일까요? miRNA 자리는 mRNA 어디에나 있을 수 있지만, 번역되는 구간(CDS) 에서는 리보솜이 계속 지나다니며 miRNA 를 밀어내 버립니다. 그래서 실제로 작동하는 자리는 대부분 번역이 끝난 뒤의 꼬리 구간, 3'UTR 에 있습니다.

이 강의에는 생쥐 유전자 1,013 개의 3'UTR 이 실려 있습니다 (NCBI RefSeq 에서 받아 CDS 뒤를 잘라 낸 것). 먼저 그 재료를 봅시다.

High school여덟 줄짜리 함수

표적 예측의 핵심은 문자열 찾기 다.

단계	하는 일
1	miRNA 의 2~8번을 뽑음
2	역상보를 취함 → 찾을 문자열
3	3'UTR 서열에서 그 문자열을 찾음
4	찾은 자리의 앞뒤를 보고 종류를 판정

2단계가 핵심이다

miRNA 와 표적은 상보적으로 결합한다. A ↔ U, G ↔ C.

그러니 miRNA 서열 그대로 찾으면 안 된다. 역상보 를 만들어 찾아야 한다.

서열 분석에서 역상보를 잊는 것은 가장 흔하고 가장 조용한 실수다

3'UTR 은 유전자마다 길이가 천차만별입니다 — 이 사실이 13강에서 중요해집니다.

Python Runs in your browser

import mi, numpy as np

u = mi.utr()
lens = np.array([len(v) for v in u.values()])

print(f"3'UTR 을 가진 유전자 : {len(u):,} 개")
print(f"총 염기 수           : {lens.sum():,}")
print(f"길이 중앙값          : {np.median(lens):,.0f}")
print(f"가장 짧은 것         : {lens.min():,}   가장 긴 것 : {lens.max():,}")
print()
print("Bcl2 의 3'UTR 앞 120 글자")
print(u["Bcl2"][:120])

함수 하나를 짭니다

9강에서 정리한 규칙 그대로입니다.

씨앗의 역상보 w 를 만든다 (일곱 글자)
UTR 을 훑으며 w 가 나오는 곳을 전부 찾는다 → 뒤가 A 면 8mer, 아니면 7mer-m8
다시 훑으며 w 의 뒤 여섯 글자만 맞고 뒤가 A 인 곳을 찾는다 → 7mer-1a

High school8mer · 7mer-m8 · 7mer-1a 를 가려낸다

찾은 자리가 어느 종류인지 판정하는 규칙이다.

확인할 것	내용
씨앗 7개(2~8)가 맞나	7mer-m8 이상
표적 1번 위치가 A 인가	t1A
둘 다	8mer
씨앗 6개(2~7) + t1A	7mer-1a

코드로 적으면 명확해진다

말로 하면 헷갈리는데, 조건문 몇 개 로 적으면 정확해진다.

그리고 코드로 적으면 애매한 경우 가 드러난다 — 자리가 겹칠 때, 여러 자리가 있을 때 어떻게 셀 것인가.

규칙을 코드로 옮기면 규칙에 빠져 있던 경우가 보인다

먼저 답을 아는 짧은 서열로 시험합니다. 8mer 하나, 7mer-m8 하나, 7mer-1a 하나가 나와야 맞습니다.

Python Runs in your browser

COMP = {"A": "T", "C": "G", "G": "C", "U": "A", "T": "A"}

def site_word(seed7):
    return "".join(COMP[c] for c in reversed(seed7))

def find_sites(utr, seed7):
    "3'UTR 문자열에서 씨앗 자리를 모두 찾아 [(종류, 위치), ...] 로 준다."
    w = site_word(seed7)
    n, out, taken = len(utr), [], set()

    for i in range(n - 6):                       # ① 일곱 글자가 다 맞는 자리
        if utr[i:i + 7] == w:
            out.append(("8mer" if utr[i + 7:i + 8] == "A" else "7mer-m8", i))
            taken.add(i + 1)                     #    이 자리는 아래에서 또 세지 않는다

    for i in range(n - 6):                       # ② 여섯 글자 + A
        if utr[i:i + 6] == w[1:] and utr[i + 6:i + 7] == "A" and i not in taken:
            out.append(("7mer-1a", i))

    return sorted(out, key=lambda x: x[1])

# 시험 삼아 손으로 만든 서열에 돌려 봅니다.
SEED = "GGCAGUG"
print("찾을 서열 :", site_word(SEED))
test = "AAAA" + "CACTGCCA" + "TTTT" + "CACTGCCG" + "TTTT" + "ACTGCCA" + "AAAA"
print("시험 서열 :", test)
for kind, pos in find_sites(test, SEED):
    print(f"   {pos:>3} {kind:<9} {test[pos:pos + 8]}")

print()
print("이 함수는 mi.sites() 라는 이름으로 꾸러미에도 들어 있습니다 — 같은 코드입니다.")
import mi
print("확인 :", mi.sites(test, SEED) == find_sites(test, SEED))

1,013 개 UTR, 200만 염기를 훑는 데 1 초도 안 걸립니다.

Python Runs in your browser

import mi

u = mi.utr()
SEED = mi.SEED34

hits, by_type = {}, {"8mer": 0, "7mer-m8": 0, "7mer-1a": 0}
for gene, seq in u.items():
    s = mi.sites(seq, SEED)          # 방금 짠 find_sites 와 같은 함수
    if s:
        hits[gene] = s
        for kind, _ in s:
            by_type[kind] += 1

print(f"자리를 하나라도 가진 유전자 : {len(hits)} / {len(u)}")
print(f"찾은 자리 총 개수           : {sum(by_type.values())}")
for k, v in by_type.items():
    print(f"   {k:<9}{v:>5}")
print()
print("── 자리가 가장 많은 유전자 ──")
for g, s in sorted(hits.items(), key=lambda x: -len(x[1]))[:5]:
    print(f"   {g:<10}{len(s)}자리  {[k for k, _ in s]}   (UTR {len(u[g]):,} 염기)")

High school3'UTR 200만 염기

생쥐 유전자들의 3'UTR 을 다 합치면 약 200만 염기 다.

이 크기에서 7 글자를 찾으면

9강에서 계산한 대로, 7-mer 하나가 우연히 나올 기댓값은 200만 ÷ 16,384 ≈ 120회 다.

	개수
우연 기댓값	약 120
실제 찾은 자리	수백

여기서 근본적인 문제가 나온다

찾은 자리 중 상당수가 우연 일 수 있다. "표적을 찾았다" 가 아니라 "이 문자열이 있는 자리를 찾았다" 가 정확한 서술이다.

13강에서 이 문제를 정면으로 다룬다.

짧은 문자열 검색은 우연한 일치를 피할 수 없다

█ 8mer · ▓ 7mer-m8 · ░ 7mer-1a. 자리가 UTR 어디쯤에 있는지가 13강에서 다시 등장합니다.

Python Runs in your browser

import mi

# 자리가 UTR 안 어디에 있는지 눈으로 봅니다.
u = mi.utr()
for gene in ["Bcl2", "Foxp1", "Axl"]:
    seq = u[gene]
    s = mi.sites(seq, mi.SEED34)
    print(f"── {gene}  (3'UTR {len(seq):,} 염기)")
    bar = ["·"] * 60
    for kind, pos in s:
        bar[min(59, int(pos / len(seq) * 60))] = {"8mer": "█", "7mer-m8": "▓", "7mer-1a": "░"}[kind]
    print("   5'|" + "".join(bar) + "|3'")
    for kind, pos in s:
        print(f"      {pos:>5} {kind:<9} …{seq[max(0,pos-8):pos]}[{seq[pos:pos+8]}]{seq[pos+8:pos+8+8]}…")
    print()

🎮 자리 찾기 실험실

유전자를 골라 3'UTR 위의 자리를 직접 확인하고, 주변 서열까지 펼쳐 보세요.

High school그래도 이 함수를 짜는 이유

얻는 것	내용
TargetScan 이 하는 일을 이해	블랙박스가 열림
왜 예측이 부정확한지 안다	우연 일치의 규모를 앎
결과가 이상할 때 의심할 곳	어디를 볼지 안다
변형이 가능	다른 규칙을 시험해 볼 수 있음

12강에서 비교한다

우리 여덟 줄과 TargetScan 의 결과를 견준다. 516 대 436, 겹치는 것이 405.

차이가 어디서 오는지 따지면 TargetScan 이 무엇을 더 하는지 를 알게 된다.

축소판을 손으로 만들어 본 사람만이 진짜 도구를 제대로 쓴다

🤔 Check yourself

miRNA 자리를 주로 3'UTR 에서 찾는 이유는?

🤔 Check yourself

find_sites 에서 taken 집합이 없으면 무슨 일이 생기는가?

Answer CACTGCCA 안에는 ACTGCCA 가 들어 있습니다. 즉 같은 자리가 두 조건을 동시에 만족합니다. 표시해 두고 건너뛰지 않으면 한 자리를 두 번 세게 되고, 15강의 '자리 수에 따른 용량반응' 이 통째로 어긋납니다.

🤔 Check yourself

직접 만든 짧은 시험 서열로 먼저 함수를 돌려 본 이유는?