8. LinearDesign — 두 목표를 한 알고리즘이 함께 푼다 · Dr. Son's mRNA Vaccine Design, First Steps IV

이제 도구를 만납니다. 논문이 쓴 것은 LinearDesign 입니다. 명령줄에서 돌리는 프로그램이고 소스가 공개되어 있습니다.

github.com/LinearDesignSoftware/LinearDesign

하는 일은 한 줄로 말할 수 있습니다.

CAI 와 MFE 를 함께 최적화한다

"함께" 가 핵심입니다. CAI 만 최적화하는 도구도 있고 구조만 보는 도구도 있습니다. LinearDesign 은 하나의 탐색 안에서 둘을 같이 봅니다.

고를 수 있는 서열이 얼마나 많은가

아미노산 자리마다 철자가 여럿입니다. 자리가 309개면 경우의 수는 곱하기입니다. 얼마나 될까요.

다 세어 보는 길은 없습니다. 그래서 알고리즘이 필요합니다.

Python Runs in your browser

# 같은 단백질을 적는 방법이 몇 가지인가 — 어림으로 세어 본다.
import math

# 표준 유전암호의 아미노산별 코돈 수
codon_counts = {
    "L": 6, "S": 6, "R": 6,
    "A": 4, "G": 4, "P": 4, "T": 4, "V": 4,
    "I": 3,
    "C": 2, "D": 2, "E": 2, "F": 2, "H": 2, "K": 2, "N": 2, "Q": 2, "Y": 2,
    "M": 1, "W": 1,
}
vals = list(codon_counts.values())
avg = sum(vals) / len(vals)
print("아미노산 스무 가지의 코돈 수 평균 : %.2f" % avg)
print("가장 많은 것 6 (Leu, Ser, Arg) · 가장 적은 것 1 (Met, Trp)")
print()

for name, L in [("MEVC", 309), ("전장 CDS", 1273)]:
    log10 = L * math.log10(avg)
    print("%s (%d 자리)" % (name, L))
    print("  가능한 서열 수 약 10 의 %.0f 승 (평균 %.2f 을 쓴 어림)" % (log10, avg))
print()
print("참고 — 우주의 원자 수가 10 의 80 승쯤이라고 한다.")
print("전부 만들어 보고 고르는 것은 불가능하다.")
print()
print("위 값은 아미노산 조성을 평균으로 뭉뚱그린 어림이다. 인용하지 말 것.")

자리 수를 밀어 경우의 수가 어떻게 폭발하는지, 그리고 훑어 내려가는 방식이 왜 다른지 봅니다.

Loading…

두 목표를 한 점수로 합친다

한 번에 두 가지를 최적화할 수는 없습니다. 최적화는 하나의 숫자 를 가장 좋게 만드는 일이니까요. 그래서 두 목표를 하나로 합칩니다.

점수 = 구조 항 + λ × 코돈 항

λ(람다)가 저울의 추 입니다. 추를 어디에 두느냐에 따라 답이 달라집니다. 다음 강이 통째로 이 손잡이 이야기입니다.

λ	무엇이 앞서나
0	구조 우선 — MFE 만 본다
1 ~ 2	균형
3 초과	코돈 사용 쪽으로 치우친다

논문이 쓴 값은 λ = 3 입니다.

이 도구가 주는 것과 주지 않는 것

준다

최적화한 뉴클레오타이드 서열 · CAI · MFE · λ 를 바꿔 가며 뽑은 여러 후보

주지 않는다

피해야 할 제한효소 자리 걸러 주기 · 자리별 접근성 그림 · 실제 발현량

오른쪽 칸이 12·13·14강의 일거리입니다. 도구 하나로 끝나지 않습니다.

🤔 Check yourself

LinearDesign 의 이름에 Linear 가 붙은 까닭은?

🤔 Check yourself

두 목표(CAI · MFE)를 하나의 점수로 합치는 까닭은?

🤔 Check yourself

LinearDesign 이 해 주지 않는 것은?