Lesson 13 of 20

네트워크가 낸 답과 맞대 본다 — 마스터 조절자

ARACNe → VIPER 의 예측을 교란으로 확인한다

교란 실험은 비쌉니다. 그래서 무엇을 끌지를 먼저 잘 골라야 합니다. 그 목록을 만드는 좋은 방법 하나가 네트워크입니다.

🕸️

ARACNe

발현 자료만으로 조절자 → 표적 관계망을 세웁니다

👑

VIPER

그 망에서 아래가 크게 흔들린 조절자를 뽑습니다

✂️

Perturb-seq

그 조절자를 실제로 꺼서 예측이 맞는지 봅니다

이 저장소에는 앞의 둘이 이미 강의로 있습니다 — /arac 와 /viper. 이 강의는 셋째 칸을 맡습니다.

High school네트워크가 낸 답과 맞대 본다

교란 실험 말고도 표적 후보를 내놓는 방법이 있습니다. 발현 자료로 조절 네트워크를 만들어 추론하는 거예요.

도구	하는 일
ARACNe	발현 상관에서 조절자–표적 관계를 추론
VIPER	그 네트워크로 조절자의 활성을 추정

마스터 조절자 = 네트워크에서 많은 유전자를 지휘하는 유전자

자세한 내용은 /arac과 /viper 강의에 있습니다.

High school왜 두 방법을 맞대 보나

	네트워크 추론	교란 실험
필요한 것	발현 자료만	실험 — 비쌈
규모	모든 유전자	라이브러리에 있는 것만
근거	상관에서 추론	직접 개입
약점	상관은 인과가 아님	모델 세포의 한계

두 방법이 같은 유전자를 가리키면, 그 후보는 훨씬 믿을 만합니다.

두 답이 갈릴 때 무슨 뜻인가

둘 다 가리킨다

관찰이 예측했고 교란이 확인했습니다.
가장 강한 후보입니다

네트워크만 가리킨다

세포 모델이 안 맞거나(4강), 넉다운이 약하거나(8강),
세포가 모자랐을(7강) 수 있습니다. 버리지 말고 다시 물어보세요

교란만 가리킨다

네트워크를 만든 자료에 그 상태가 없었을 수 있습니다.
혹은 그 효과가 간접적일 수 있습니다

High school어긋날 때가 더 흥미롭다

상황	가능한 설명
네트워크는 예측, 교란은 무반응	추론이 틀림 · 또는 억제 실패(8강) · 또는 세포가 다름
교란은 반응, 네트워크는 예측 못 함	발현으로 안 보이는 조절 (인산화 등)
둘 다 강하게 가리킴	강한 후보

두 번째 줄이 중요합니다. 많은 조절자가 양이 아니라 활성으로 일해요. 발현 상관으로는 안 보입니다.

이 목록이 교란 쪽의 답입니다. 네트워크 쪽 답과 겹치는 이름이 몇이나 되는지가 그 네트워크의 값어치입니다.

Python Runs in your browser

import tgt

# 이 스크린에서 '조절자처럼 행동한' 유전자 — 자기 아래가 크게 흔들린 것
rows = [r for r in tgt.rows() if r["kd_ok"] and r["maxcell"] >= 100]
reg = sorted(rows, key=lambda r: -r["act"])[:15]

print("아래가 크게 흔들린 유전자 15개")
print("유전자      흔들린수  넉다운   클러스터 주석")
for r in reg:
    print(r["gene"].ljust(11),
          str(r["act"]).rjust(7),
          str(r["kd"]).rjust(8), "  ",
          r["ann"] or "-")

High school네트워크 방법의 한계

한계	내용
상관 기반	인과 방향을 못 정함
자료 의존	어느 코호트로 만들었나에 좌우
간접 관계	A→B→C를 A→C로 오인
맥락 의존	조직마다 네트워크가 다름

그래서 네트워크는 가설을 만들고, 교란이 확인합니다 — 순서가 있습니다.

🤔 Check yourself

마스터 조절자가 발현 차이 순위표 위쪽에 잘 안 나타나는 이유는?

🤔 Check yourself

네트워크는 가리켰는데 교란 실험에서 조용했습니다. 가장 먼저 의심할 것은?