3강 / 20강

문자열 — 서열은 글자의 줄이다

논문 Table S1·S3 의 siRNA·guide 서열을 다뤄 본다

생물정보학에서 가장 자주 만지는 것이 문자열입니다. 서열이 곧 글자의 줄이니까요.

"GCAGAATGTCGTTCGGCCCC"   ← 논문 Table S3 의 guide 서열
"TCGA-05-4384-01A"       ← TCGA 표본 번호
"DDX54"                  ← 유전자 이름

문자열은 따옴표로 감쌉니다. 작은따옴표든 큰따옴표든 같아요.

고등학생서열은 그냥 글자의 줄입니다

생물정보학에서 가장 자주 만지는 것이 문자열입니다. DNA 서열이 곧 글자의 줄이니까요.

"GCAGAATGTCGTTCGGCCCC" — 그냥 글자 20개다

이게 왜 좋은 소식인가

DNA 를 다루는 프로그램이 특별한 기술일 것 같지만 아닙니다. 글자를 다루는 기술이면 충분해요.

서열의 길이 = 글자 수 세기
GC 함량 = 특정 글자 세기
상보서열 = 글자 바꿔치기 + 뒤집기

전부 워드프로세서에서 하던 일입니다. 찾기·바꾸기·글자수 세기요.

따옴표로 감쌉니다

글자라는 표시가 따옴표입니다. 작은따옴표든 큰따옴표든 같아요.

코드	뜻
`DDX54`	이름표 (변수). 어딘가에 정의되어 있어야 한다
`"DDX54"`	글자 그 자체

따옴표 하나 차이로 뜻이 완전히 달라집니다. NameError 라는 오류가 나면 대개 따옴표를 빠뜨린 것이에요.

이 강의가 다루는 진짜 서열

본문에 나오는 GCAGAATGTCGTTCGGCCCC 는 논문 Table S3 의 실제 서열입니다. 연구자들이 DDX54 유전자를 자르려고 설계한 가이드 RNA 예요.

지어낸 예시가 아니라 진짜 논문에 실린 20글자를 지금 여러분이 다루고 있는 겁니다.

괄호 안의 숫자가 <b>0부터</b> 세는 것에 주의하세요.

Python 브라우저에서 실행

# 논문 Table S3 의 guide 서열
guide = "GCAGAATGTCGTTCGGCCCC"

print("서열      ", guide)
print("길이      ", len(guide), "글자")
print("맨 앞 글자 ", guide[0])
print("맨 뒤 글자 ", guide[-1])
print("앞 다섯 개 ", guide[:5])
print("뒤 세 개   ", guide[-3:])
print()

# 글자 세기
for 염기 in "ATGC":
    print(염기, "가", guide.count(염기), "개")

gc = (guide.count("G") + guide.count("C")) / len(guide) * 100
print()
print("GC 함량", round(gc, 1), "%")

고등학생0부터 세는 이유 — 엘리베이터 이야기

파이썬은 첫 글자를 0번이라고 부릅니다. 처음엔 정말 헷갈립니다. 왜 이럴까요?

비유 — 층 번호

	한국 · 미국	유럽
1층	1층	G (지상층)
그 위	2층	1층

유럽식은 "지상에서 몇 층 올라갔나" 를 셉니다. 파이썬도 같아요 — "처음에서 몇 칸 갔나" 를 셉니다. 첫 글자는 0칸 간 것이니 0번입니다.

번호 = 거리이지 순서가 아니다

뒤에서 세기 — 마이너스

guide[-1] 은 맨 뒤 글자입니다. 아주 편해요.

맨 뒤를 꺼내려고 guide[len(guide)-1] 이라고 쓸 필요가 없습니다. -1 이면 끝입니다.

구간 자르기 — 끝은 포함하지 않습니다

guide[0:5] → 0·1·2·3·4번 = 다섯 글자 (5번은 빠짐)

이것도 처음엔 이상합니다. 그런데 이 규칙 덕분에 편해지는 게 있어요.

코드	결과
`guide[:5]`	앞 다섯 글자
`guide[5:]`	그 나머지

두 개를 합치면 딱 원래대로입니다. 겹치지도 빠지지도 않아요. 끝을 포함했다면 5번 글자가 양쪽에 두 번 들어갔을 겁니다.

일상에도 같은 규칙이 있습니다

"3시부터 5시까지" 회의는 5시에 끝납니다. 5시가 회의에 포함되는 게 아니라, 5시가 경계인 거죠.

버스로 치면 — 0번 정류장에서 5번 정류장까지 가면 정류장을 5개 지납니다. 6개가 아니라요.

0부터 센다

파이썬은 첫 글자를 0번이라고 부릅니다. R 이나 엑셀과 다른 점이에요.

문자열   G  C  A  G  A  A  T  G
번호     0  1  2  3  4  5  6  7
뒤에서  -8 -7 -6 -5 -4 -3 -2 -1

그리고 구간을 자를 때는 [시작:끝] 인데, 끝은 포함하지 않습니다.

guide[0:5] → 0·1·2·3·4번 (다섯 글자)

처음엔 헷갈리지만, 이 규칙 덕분에 [:5] 와 [5:] 가 딱 맞아떨어져 나뉩니다.

고등학생상보서열 — 생물정보학의 '헬로 월드'

다음 코드에서 상보서열을 만듭니다. 생물정보학을 배울 때 누구나 처음 짜 보는 프로그램이에요.

생물학 복습

DNA 는 두 가닥이고 서로 짝을 짓습니다.

A ↔ T · G ↔ C

그리고 두 가닥은 방향이 반대입니다. 한쪽이 5'→3' 이면 다른 쪽은 3'→5' 예요.

그래서 '역상보' 입니다

단계	하는 일
① 상보	글자를 짝으로 바꾼다 (A→T, G→C…)
② 역	순서를 뒤집는다

두 번째를 잊으면 틀립니다. 그런데 결과가 그럴듯해 보여서 틀린 줄 모르기 쉬워요. 2강의 // 이야기와 같은 함정입니다.

비유 — 거울에 비친 글씨

거울에 글씨를 비추면 글자 모양도 뒤집히고 순서도 뒤집힙니다. 둘 다 일어나야 진짜 거울상이죠.

RNA 로 바꾸기

guide.replace("T", "U") 한 줄입니다. RNA 에는 T 대신 U 가 들어가니까요.

논문의 siRNA(Table S1)가 RNA 라서 이 변환이 필요합니다. 글자 바꾸기 하나로 DNA 를 RNA 로 바꾸는 셈이에요.

그리고 '정리하기' 가 나옵니다

코드 뒷부분에 .strip() 과 .upper() 가 나옵니다.

메서드	하는 일	왜 필요한가
`.strip()`	앞뒤 공백·줄바꿈을 없앤다	파일에서 읽으면 줄바꿈이 딸려 온다
`.upper()`	전부 대문자로	서열 파일에 소문자가 섞여 있다

진짜 파일의 자료는 늘 지저분하다

교과서 예제는 깨끗한데 실제 파일은 안 그렇습니다. 그래서 읽자마자 정리하는 것이 습관이 되어야 해요. 8강에서 FASTA 를 읽을 때 이게 바로 필요해집니다.

파일에서 읽은 서열에는 공백과 줄바꿈이 섞여 있기 마련입니다.

Python 브라우저에서 실행

# 상보서열 만들기 — 생물정보학의 '헬로 월드'
쌍 = {"A": "T", "T": "A", "G": "C", "C": "G"}

def 역상보(서열):
    # 뒤에서부터 읽으며 짝을 붙인다
    return "".join(쌍[c] for c in reversed(서열))

guide = "GCAGAATGTCGTTCGGCCCC"
print("원본     5'-" + guide + "-3'")
print("역상보   5'-" + 역상보(guide) + "-3'")
print()

# RNA 로 바꾸기 — siRNA 는 RNA 라 T 대신 U (논문 Table S1)
print("DNA ", guide)
print("RNA ", guide.replace("T", "U"))
print()

# 대소문자·공백 다루기
지저분 = "  gcagaatg TCGTTCGGCCCC \n"
깨끗 = 지저분.strip().replace(" ", "").upper()
print("정리 전:", repr(지저분))
print("정리 후:", 깨끗)

🤔 확인 문제

guide[:5] 는 몇 글자를 돌려줄까요?

해설 0·1·2·3·4번 — 다섯 글자입니다. 끝 번호(5)는 포함하지 않아요. 그래서 [:5] 와 [5:] 가 겹치지 않고 딱 나뉩니다.