Lesson 11 of 20

세포주기 — 가장 흔한 가짜 히트

증식이 느려지면 전사체 전체가 같이 움직인다

스크린 결과를 순위대로 늘어놓으면 맨 위가 서로 닮아 있는 일이 많습니다. 기능도 다르고 경로도 다른 유전자들인데 전사체 변화가 비슷합니다.

이유는 대개 하나입니다. 그 유전자들이 모두 세포를 느리게 만들었기 때문입니다.

High school가장 흔한 가짜 히트

세포주기 관련 유전자를 끄면 세포가 천천히 분열합니다. 그러면 전사체 전체가 같이 움직여요.

증식이 느려지면	발현 변화
DNA 복제 유전자	내려감
세포주기 조절자	내려감
리보솜·대사	내려감
휴지기 관련	올라감

이것은 수백 개의 유전자가 한꺼번에 움직이는 큰 신호입니다.

High school왜 이것이 가짜 히트가 되나

많은 질환 신호에 증식 관련 유전자가 들어 있습니다. 암이 대표적이고, 활성화된 면역세포도 분열해요.

일어나는 일	결과
질환 신호에 증식 유전자가 포함	—
어떤 유전자를 껐더니 증식이 느려짐	증식 유전자가 내려감
역방향 점수 계산	강하게 되돌린 것으로 나옴
실제로는	세포가 그냥 덜 자라는 것

"암세포가 안 자란다"와 "병이 낫는다"는 다릅니다 — 특히 정상 세포도 안 자라면요.

성장만 늦춘 유전자 셋이 진짜 표적과 나란히, 혹은 그 위에 올라옵니다.

Python Runs in your browser

import numpy as np

rng = np.random.default_rng(5)
n = 300

# 전사체 변화 = 증식 축 + 그 유전자 고유의 축
prolif = rng.normal(0, 1, n)          # 모든 교란이 공유하는 큰 축
specific = {}
for g in ["TARGET_A", "TARGET_B", "SLOWGROW_1", "SLOWGROW_2", "SLOWGROW_3"]:
    specific[g] = rng.normal(0, 1, n)

# 질환 신호에 증식 성분이 섞여 있다
disease = 0.7 * prolif + 0.7 * specific["TARGET_A"] + rng.normal(0, 0.3, n)

def score(v):
    return -np.corrcoef(disease, v)[0, 1]

print("보정 전")
for g, w in [("TARGET_A", 0.0), ("TARGET_B", 0.0),
             ("SLOWGROW_1", -1.2), ("SLOWGROW_2", -1.1), ("SLOWGROW_3", -1.0)]:
    v = w * prolif - 0.9 * specific[g] if g.startswith("TARGET") else w * prolif + rng.normal(0, .3, n)
    print("  ", g.ljust(11), f"{score(v):+.3f}")

지우는 방법 — 공통 축을 빼낸다

모든 교란이 함께 움직이는 축을 찾아 빼면 됩니다. 실무에서 쓰는 방법 셋입니다.

방법	어떻게	주의
세포주기 점수 회귀	알려진 S기·G2M기 유전자로 점수를 매기고 그것을 뺀다	가장 흔하고 안전한 방법
첫 주성분 제거	교란들의 공통 축(PC1)을 통째로 뺀다	진짜 생물학이 PC1 이면 함께 지운다
성장률로 짝짓기	성장 속도가 비슷한 교란끼리만 견준다	세포가 많이 필요하다

High school어떻게 걸러 내나

방법	내용
세포주기 점수 계산	세포마다 주기 단계를 추정 (S기·G2M기 표지)
주기 효과를 회귀로 제거	남은 변화만 봄
질환 신호에서 증식 유전자 제외	애초에 안 들어가게
세포 수 변화를 같이 봄	세포가 줄었으면 의심
주기 관련 유전자를 후보에서 제외	거친 방법 · 진짜도 잃음

세 번째 줄이 가장 근본적입니다 — 신호를 만들 때 미리 처리하는 것이 좋습니다.

보정 전에는 둘이 비슷합니다. 증식 축을 빼면 진짜 표적만 남고 성장 유전자는 0 근처로 내려앉습니다.

Python Runs in your browser

import numpy as np

rng = np.random.default_rng(5)
n = 300
prolif = rng.normal(0, 1, n)
tgt_axis = rng.normal(0, 1, n)
disease = 0.7 * prolif + 0.7 * tgt_axis + rng.normal(0, 0.3, n)

def resid(v, axis):
    # 공통 축 성분을 빼낸다 — 단순 회귀의 잔차
    b = (v @ axis) / (axis @ axis)
    return v - b * axis

target = -0.9 * tgt_axis + rng.normal(0, 0.3, n)
slow   = -1.2 * prolif + rng.normal(0, 0.3, n)

def score(v, d):
    return -np.corrcoef(d, v)[0, 1]

print("            보정 전   보정 후")
d2 = resid(disease, prolif)
for name, v in [("진짜 표적", target), ("성장만 늦춤", slow)]:
    a = score(v, disease)
    b = score(resid(v, prolif), d2)
    print(name.ljust(10), f"{a:+.3f}", "  ", f"{b:+.3f}")

High school그런데 증식이 진짜 표적일 때도 있다

항암제라면 세포를 안 자라게 하는 것이 목적입니다. 그러니 세포주기 효과가 원하는 효과일 수 있어요.

목적	세포주기 효과는
항암	원하는 효과 — 다만 선택성이 문제
자가면역	부분적으로 원함 (증식 억제)
섬유증·대사질환	대개 부작용

"가짜 히트"인지 "진짜 효과"인지는 무엇을 치료하려는가에 달려 있습니다.

중요한 것은 구분해서 보는 것입니다. 증식 효과를 알고 있으면서 선택하는 것과, 모르고 속는 것은 다르니까요.

🤔 Check yourself

성장을 늦추는 여러 교란의 전사체 변화가 서로 닮는 이유는?

🤔 Check yourself

암처럼 질환의 본질이 증식일 때 증식 축을 어떻게 다루는 것이 나은가?