Lesson 13 of 20

'예측 표적' 이라는 말의 정체

일곱 글자는 우연히도 자주 나온다 · 보존도와 PCT · 내 자료의 편향까지

씨앗 자리는 일곱 글자입니다. 네 종류의 염기로 만들 수 있는 일곱 글자는 4⁷ = 16,384 가지. 3'UTR 이 2,000 염기쯤 된다면 특정 일곱 글자가 우연히 나올 확률은 유전자당 0.12 개꼴입니다.

그러면 우리가 찾은 556 개의 자리 중 몇 개가 우연일까요? 직접 세어 봅시다 — 서열을 뒤섞어서요.

High school'예측 표적' 이라는 말의 정체

여기까지 우리는 표적을 찾았다 고 말해 왔다. 정확히 말하면 다르다.

우리가 찾은 것 = 씨앗 상보 서열이 3'UTR 에 있는 유전자

이것과 진짜 표적 사이의 거리

필요 조건	확인했나
서열 자리가 있다	확인함
그 mRNA 가 그 세포에서 발현된다	확인 가능
그 자리에 접근 가능하다 (2차 구조)	확인 안 함
실제로 결합한다	확인 안 함
결합이 억제로 이어진다	확인 안 함

"예측 표적" 은 후보 목록이지 표적 목록이 아니다

균등 가정과 실제 조성은 다릅니다. UTR 은 A·T 가 많아서 GC 가 섞인 자리는 덜 나옵니다.

Python Runs in your browser

import mi, random
import numpy as np

u = mi.utr()
w = mi.site_word(mi.SEED34)
tot = sum(len(s) for s in u.values())

obs = sum(s.count(w) for s in u.values())
print(f"찾은 서열      : {w}")
print(f"UTR 총 염기    : {tot:,}")
print(f"관측된 개수    : {obs}")
print(f"균등 가정 기대 : {tot / 4 ** 7:.0f}   (염기 네 종류가 똑같이 나온다고 치면)")

# UTR 은 A·T 가 많습니다 — 조성을 반영해야 공정한 비교가 됩니다.
from collections import Counter
c = Counter(x for s in u.values() for x in s)
print()
print("실제 염기 조성 :", {k: f"{v / tot * 100:.1f}%" for k, v in sorted(c.items())})

p = 1.0
for ch in w:
    p *= c[ch] / tot
print(f"조성 반영 기대 : {p * tot:.0f}")

글자 개수는 그대로 두고 순서만 섞습니다. 조성 효과가 저절로 보정됩니다.

Python Runs in your browser

import mi, random
import numpy as np

u = mi.utr()
w = mi.site_word(mi.SEED34)
obs = sum(s.count(w) for s in u.values())

# 가장 정직한 귀무 — UTR 의 글자를 그대로 두고 순서만 섞는다.
random.seed(20260821)
null = []
for _ in range(5):
    n = 0
    for s in u.values():
        l = list(s); random.shuffle(l)
        n += "".join(l).count(w)
    null.append(n)

print(f"관측 : {obs}")
print(f"섞은 서열에서 : {null}   (평균 {np.mean(null):.0f})")
print(f"→ 실제 UTR 에는 우연보다 {obs / np.mean(null):.1f} 배 많은 자리가 있습니다.")

High school일곱 글자는 우연히도 자주 나온다

11강에서 계산했다 — 200만 염기에서 7-mer 하나가 우연히 약 120회 나온다.

그럼 우리 목록의 몇 %가 우연인가

516개를 찾았고 우연 기댓값이 수백이라면, 절반 이상이 우연 일 수도 있다.

지표	내용
관찰 / 기대	1 에 가까우면 대부분 우연
보존도	보존된 자리는 우연일 가능성이 낮음

그래서 보존도를 쓴다

여러 종에서 같은 자리에 같은 서열 이 유지되었다면 선택압이 작용했다 는 뜻이다. 기능이 있으니 보존된 것이다.

우연한 일치는 보존되지 않는다 — 진화가 필터 노릇을 한다

자기가 고른 자료로 자기 주장을 증명하지 않는 것 — 이 강의에서 가장 중요한 습관입니다.

Python Runs in your browser

import mi, random
import numpy as np

u = mi.utr()
w = mi.site_word(mi.SEED34)
t = mi.targets(); ts34 = set(t[t.family == mi.FAM34].gene)

# 표적이라서 고른 유전자를 빼고, 무작위로 넣은 대조군만 남긴다.
ctrl = {g: s for g, s in u.items() if g not in ts34}
obs = sum(s.count(w) for s in ctrl.values())

random.seed(20260821)
null = []
for _ in range(5):
    n = 0
    for s in ctrl.values():
        l = list(s); random.shuffle(l)
        n += "".join(l).count(w)
    null.append(n)

print(f"대조군 유전자 : {len(ctrl)}  ({sum(len(s) for s in ctrl.values()):,} 염기)")
print(f"관측 {obs} · 섞은 것 평균 {np.mean(null):.0f}  →  {obs / np.mean(null):.1f} 배")
print()
print("6.8 배가 2.6 배로 내려갔습니다. 그래도 1 배보다는 확실히 큽니다 —")
print("진화가 이 자리들을 남겨 두었다는 뜻입니다.")

보존도 · PCT · 문맥 점수

TargetScan 이 자리를 걸러 내고 순위를 매기는 데 쓰는 것이 셋 있습니다.

장치	묻는 것
보존	사람·개·소·쥐에도 같은 자리가 있나? 있으면 우연이 아닐 가능성이 높다
PCT	그 보존이 miRNA 때문일 확률. 서열 자체가 원래 잘 안 변하는 구간이면 보존되어 보여도 의미가 없다
문맥 점수	자리가 UTR 어디에 있나 · 주변이 AU 가 많은가 · 다른 자리와 가까운가

PCT(Probability of Conserved Targeting)가 핵심입니다. "보존되었다" 만으로는 부족하고, 그 구간의 원래 변이 속도와 견주어 유난히 안 변했는지를 봐야 하니까요.

High schoolPCT — 보존을 확률로 바꾸기

TargetScan 의 PCT(probability of conserved targeting)는 "이 자리가 보존된 것이 우연이 아닐 확률" 이다.

계산에 들어가는 것	내용
그 자리의 보존 정도	몇 종에서 유지되나
주변 서열의 배경 보존도	그 구간이 원래 잘 보존되나
자리 종류	8mer 가 7mer 보다 높게

두 번째가 중요하다

어떤 3'UTR 은 전체가 잘 보존되어 있다. 그런 곳에서는 표적 자리가 보존된 것이 특별하지 않다.

그래서 배경 대비 로 계산해야 한다. 9강 /cytokine 의 점수 계산과 같은 발상이다.

보존되었다는 사실은 그 구간의 배경 보존도와 견줘야 의미가 있다

−1 같은 값을 결측 표시로 쓰는 표는 흔합니다. 반드시 확인하고 걸러야 합니다.

Python Runs in your browser

import mi, pandas as pd
import numpy as np

t = mi.targets()
t34 = t[t.family == mi.FAM34].copy()
t34["PCT"] = pd.to_numeric(t34.PCT, errors="coerce")

print(f"{'자리 종류':<10}{'개수':>6}{'PCT 중앙값':>12}{'PCT>0.5':>10}")
print("-" * 42)
for k in ["8mer", "7mer-m8", "7mer-1a"]:
    sub = t34[t34.site == k]
    print(f"{k:<10}{len(sub):>6}{sub.PCT.median():>12.3f}{(sub.PCT > .5).mean() * 100:>9.0f}%")

print()
print(f"PCT 가 음수인 자리 : {(t34.PCT < 0).sum()} 개")
print("  음수는 '계산할 수 없었다'는 표시입니다 — 결측을 숫자로 적어 둔 것이라,")
print("  그대로 평균에 넣으면 조용히 값을 끌어내립니다.")

그래서 '예측 표적' 이란

3'UTR 에 씨앗 자리가 있고, 그 자리가 여러 종에서 보존되어 있다.
그 이상도 이하도 아닙니다.

여기에 들어 있지 않은 것들을 분명히 해 둡시다.

이 세포에서 그 miRNA 가 실제로 발현되는가 — 모릅니다
이 세포에서 그 mRNA 가 실제로 발현되는가 — 모릅니다
이 세포에서 쓰는 전사체의 UTR 에 그 자리가 실제로 남아 있는가 — 모릅니다
결합했을 때 실제로 억제가 일어나는가 — 모릅니다

그래서 예측 표적 목록은 가설의 목록이지 결론이 아닙니다. 14강부터 우리가 하는 일이 바로 그 가설을 실제 자료로 검증하는 것입니다.

🎮 PCT 실험실

PCT 문턱을 옮기면서 표적 목록의 크기와 성격이 어떻게 변하는지 보세요.

High school내 자료의 편향까지

표적 목록에는 또 다른 편향 이 있다.

편향	내용
3'UTR 이 긴 유전자	자리가 우연히 있을 확률이 높음
발현이 높은 유전자	검출이 잘 되어 목록에 잘 들어감
주석이 잘 된 유전자	3'UTR 정보가 있어야 검색 가능

첫 줄이 심각하다

3'UTR 이 긴 유전자는 거의 모든 miRNA 의 표적 으로 예측된다. 그러면 "표적 집합" 이 사실은 "3'UTR 이 긴 유전자 집합" 이 된다.

그리고 3'UTR 길이는 유전자의 기능과 상관 이 있다 — 발생 조절 유전자가 특히 길다.

그래서 배경 집합을 잘 골라야 한다

14강에서 표적 집합을 비교할 때, 3'UTR 길이가 비슷한 비표적 과 비교해야 공정하다.

비교 집합을 잘못 고르면 유전자 길이의 효과를 miRNA 효과로 오독한다

🤔 Check yourself

서열을 뒤섞어 귀무 분포를 만드는 방법의 장점은?

🤔 Check yourself

전체 UTR 집합에서 6.8 배였던 자리 과잉이 대조군만 보면 2.6 배로 줄어든 이유는?

🤔 Check yourself

TargetScan 의 PCT 값이 대답하는 질문은?