6강 / 20강

순위가 이미 오염되어 있다 — 5등부터 15등까지의 정체

상위 30개 중 10개가 “이미 약이 있어서” 올라왔다

5강에서 상위 20개의 주근거를 세었을 때 두 무리로 갈렸습니다. 이제 아래 무리의 이름을 봅시다.

고등학생순위가 이미 오염되어 있다

상위 30개를 들여다보니 10개가 "이미 약이 있어서" 올라와 있었습니다.

"약이 있으니 좋은 표적이다" → "좋은 표적이니 약을 만들자" — 뱀이 자기 꼬리를 뭅니다.

순환 논리가 하는 일	결과
기존 표적을 상위로	이미 아는 것만 나옴
새 표적은 근거가 없어 하위로	새 것을 못 찾음
발굴 도구가 요약 도구가 됨	목적과 어긋남

FGFR 넷 · PDGFR 둘 · VEGFR 셋(FLT1·KDR·FLT4) · 그리고 NR3C1. 2강에서 본 이름들이 그대로 있습니다.

Python 브라우저에서 실행

import ot

print("'이미 약이 있다'(clinical) 가 0.9 를 넘는 표적 — 상위 30개 안에서")
print()
for r in ot.assoc(30):
    b = r["by_type"]
    if b.get("clinical", 0) > 0.9:
        print("  %2d등  %-8s  임상 %.3f  유전학 %.3f   %s"
              % (ot.rank(r["symbol"]), r["symbol"], b["clinical"],
                 b.get("genetic_association", 0), r["name"][:38]))

이 열 개가 왜 여기 있는지

FGFR1·2·3·4 · PDGFRA·B · KDR · FLT1 · FLT4.

2강의 닌테다닙이 겨냥하는 것들입니다 — VEGFR(FLT1·KDR·FLT4) · PDGFR(α·β) · FGFR. 그리고 NR3C1 은 글루코코르티코이드 수용체 — 스테로이드가 붙는 자리고요.

(FGFR4 까지 같은 0.963 인 것은 그 약의 표적으로 함께 등록되어 있어서입니다. 약효의 세기가 아니라 기록의 모양이 점수를 만든 것이죠.)

즉 이 열 개는 “IPF 의 원인이라서” 위로 온 것이 아닙니다. 이미 IPF 에 쓰이는 약이 그것들을 치기 때문에 위로 왔습니다. 유전학 칸을 보세요 — 열 개 전부 0.000 입니다.

고등학생5등부터 15등까지의 정체

2강의 닌테다닙이 겨냥하는 것들이 여기 있습니다.

표적	정체
FLT1 · KDR · FLT4	VEGFR 계열
PDGFRA · PDGFRB	PDGFR 계열
FGFR1~4	FGFR 계열

전부 닌테다닙이 막는 키나아제들입니다. 그러니 "IPF에 쓰이는 약의 표적"이라는 임상 근거가 붙어요.

이 표적들은 발견된 것이 아니라 이미 알려진 것입니다 — 순위표가 그것을 되풀이할 뿐입니다.

이것이 순환입니다. 새 표적을 찾겠다고 만든 순위가, 이미 하고 있는 일을 다시 알려 주고 있습니다.

순위가 실제로 답한 질문

“지금 IPF 에 무엇이 시도되고 있나”
→ FGFR · PDGFR · VEGFR · 스테로이드

우리가 묻고 싶었던 질문

“아직 아무도 안 해 본 무엇이 IPF 를 일으키나”
→ 이 순위로는 답이 안 나온다

임상 칸 하나를 빼자 FGFR·PDGFR 무리가 통째로 사라집니다. 한 칸이 순위의 절반을 정하고 있었습니다.

Python 브라우저에서 실행

import ot

# 임상 칸을 빼고 다시 줄을 세운다. 나머지 여섯 근거만 평균으로.
rest = [k for k in ot.DATATYPES if k != "clinical"]
rows = []
for r in ot.assoc(60):
    b = r["by_type"]
    rows.append((sum(b.get(k, 0) for k in rest) / len(rest), r["symbol"], r["score"]))
rows.sort(reverse=True)

print("임상 근거를 빼고 다시 매긴 순위 — 상위 12")
print("등 유전자      새 점수   원래 총점")
for i, (s, g, old) in enumerate(rows[:12], 1):
    print("%2d %-10s %.3f     %.3f" % (i, g, s, old))
print()
gone = [g for _, g, _ in rows[:12]]
print("원래 상위 12 중 밀려난 표적:",
      ", ".join(r["symbol"] for r in ot.assoc(12) if r["symbol"] not in gone))

고등학생이것이 틀린 정보는 아니다

중요한 구분입니다. 임상 근거는 사실이고 유용한 정보예요. 문제는 그것을 발굴 근거로 쓸 때 생깁니다.

목적	임상 근거를
새 표적 발굴	빼야 함 — 순환
적응증 확장	써야 함 — 정확히 필요한 정보
경쟁 상황 파악	써야 함
표적 성숙도 평가	써야 함

같은 정보가 목적에 따라 근거가 되기도 잡음이 되기도 합니다.

고등학생확신과 새로움 — 두 방향

여기서 두 방향이 갈립니다.

방향	고르는 것	장단
확신 우선	근거가 많은 표적	안전 · 새롭지 않음
새로움 우선	근거가 적은 표적	위험 · 앞설 수 있음

9강에서 이 두 방향을 손잡이 하나로 만들어 봅니다.

그 손잡이를 돌리면 1등이 바뀝니다. 같은 자료, 같은 계산인데요.

🤔 확인 문제

상위 30개 중 열 개의 genetic_association 이 전부 0.000 이라는 사실이 뜻하는 것은?

🤔 확인 문제

임상 근거 칸을 빼고 다시 순위를 매기는 것이 항상 옳은가?