19강 / 20강

예측에서 실험으로 — 트윈이 말할 수 있는 것과 없는 것

시뮬레이션과 습식 실험 사이의 간극

우리는 "DDX54 를 끄면 암 어트랙터가 사라지고 세포가 정상으로 돌아온다" 는 결론을 얻었습니다. 이제 이 문장을 실험실로 가져가려면 무엇이 필요한지 봅시다.

모형이 말할 수 있는 것과 말할 수 없는 것을 구분하는 것이 이번 강의 전부입니다.

모형이 말하는 것	모형이 말하지 않는 것
DDX54 를 0 으로 만들면 증식이 멈춘다	얼마나 낮춰야 하는가 (70%? 90%?)
어트랙터가 사라진다	며칠이 걸리는가
정상 어트랙터로 이동한다	그 상태가 실제 정상 세포와 같은가
이 회로 안에서 부작용이 없다	회로 밖 유전자에 무슨 일이 생기는가
PDL1 단독은 무효다	실제 환자에서도 무효인가

고등학생시뮬레이션과 실험 사이의 간극

모형이 "DDX54 를 끄면 면역이 활성화된다" 고 예측했다. 실제로 그럴까?

모형이 말하는 것	실험이 확인할 것
어트랙터가 바뀐다	세포 상태가 바뀌나
면역 노드가 켜진다	면역세포가 실제로 공격하나
가역화 효율 X%	대응하는 실험 지표가 없음

모형의 출력과 실험의 출력이 직접 대응하지 않는다

0과 1 사이를 버린 대가입니다. 4강에서 얻은 계산 능력의 반대편이에요.

Python 브라우저에서 실행

import bn

net = bn.twin()
base = net.landscape()

# 모형은 '전부 아니면 전무' 로만 말한다. 부분 녹다운은 어떻게 될까?
print("불리언 모형이 표현할 수 있는 DDX54 수준")
print("-" * 52)
for v, name in [(1, "DDX54 = 1  (정상 발현)"), (0, "DDX54 = 0  (완전 결손)")]:
    L = net.landscape({"DDX54": v})
    print(f"  {name:<26} 암 {L.count('암'):>3}/{L.total}")

print()
print("실험실의 녹다운은 보통 70~90% 감소입니다. 그 사이 값이 없습니다.")
print("모형이 100% 라고 해도 실험은 부분 효과만 보이는 것이 정상이에요.")
print("이 간극을 메우려면 다치(multi-value) 모형이나 미분방정식 모형이 필요합니다.")

모형이 아는 것을 먼저 맞히는지 확인하고, 그다음에 모르는 것을 묻습니다.

Python 브라우저에서 실행

import bn

net = bn.twin()

# 모형 검증의 첫 단계: 이미 아는 사실을 재현하는가
print("모형이 재현해야 하는 '이미 아는 사실' 목록")
print("-" * 66)
checks = [
    ("p53 이 망가지면 암이 잘 생긴다",
     net.landscape({"p53": 0}).count("암") > net.landscape().count("암")),
    ("정상 세포는 증식하지 않는다",
     net.label(net.attractor(net.state(p53=1))) == "정상"),
    ("DDX54 과발현은 해롭다",
     net.landscape({"DDX54": 1}).count("암") > net.landscape().count("암")),
    ("면역관문 하나만 풀어서는 면역 사막이 안 뚫린다",
     net.landscape({"PDL1": 0}).count("암") == net.landscape().count("암")),
]
for text, ok in checks:
    print(f"  {'✅' if ok else '⛔'}  {text}")

print()
print("이 네 줄은 '새 예측' 이 아니라 '통과해야 할 시험' 입니다.")
print("여기서 하나라도 틀리면 새 예측을 내놓을 자격이 없습니다.")

고등학생무엇을 확인할 수 있나

모형 예측	실험 방법
DDX54 KO → CD47 감소	웨스턴 · qPCR
면역세포 활성화	공배양 · 식균 실험
세포 운명 변화	단일세포 전사체
조합 효과	이중 녹아웃

가장 확인하기 쉬운 것

직접 관계 다 — "A 를 끄면 B 가 준다."

가장 어려운 것

어트랙터 구조 다. "세포의 안정 상태가 몇 개인가" 를 실험으로 직접 세는 방법이 없다.

모형의 핵심 개념일수록 실험으로 확인하기 어렵다

예측만 적고 반증 조건을 적지 않으면, 어떤 결과가 나와도 맞았다고 우기게 됩니다.

Python 브라우저에서 실행

import bn

print("예측을 실험 계획으로 옮기기")
print("=" * 66)
plan = [
    ("모형의 예측", "DDX54 를 낮추면 증식이 멈추고 면역 공격이 가능해진다"),
    ("세포 실험",   "폐암 세포주에 shDDX54 도입 -> 증식 곡선 · 세포주기 분석"),
    ("표지 확인",   "CD47 · PD-L1 단백질이 실제로 함께 내려가는가 (유세포분석)"),
    ("공배양",      "T세포와 함께 배양해 실제로 죽이는지 본다"),
    ("동물 실험",   "생쥐 종양에 Ddx54 녹다운 ± 항-PD1 -> 종양 크기 · 침윤 림프구"),
    ("반증 조건",   "DDX54 를 낮췄는데 CD47/PD-L1 이 그대로면 회로가 틀린 것"),
]
for k, v in plan:
    print(f"  {bn.pad(k, 12)}{v}")

print()
print("마지막 줄이 가장 중요합니다.")
print("무엇이 관측되면 내 모형이 틀린 것인지를 미리 적어 두는 것 —")
print("그것이 모형을 과학으로 만듭니다.")

🎮 예측 대조표

모형의 각 예측에 대해 어떤 실험이 필요한지 짝지어 보세요.

고등학생예측이 틀렸을 때

가능성	확인 방법
모형의 유전자 선택이 틀림	빠진 경로 조사
논리식이 틀림	18강의 강건성 검사
실험 조건이 다름	세포주 · 배양 조건
모형의 추상화 수준이 안 맞음	—

예측이 틀린 것도 정보다

어디서 틀렸는지 알면 모형을 고칠 수 있다.

그리고 고친 모형이 새 예측 을 낸다.

이것이 모형-실험 순환이다

모형 → 예측 → 실험 → 수정 → 모형. 한 바퀴 돌 때마다 둘 다 좋아진다.

모형의 값어치는 맞히는 데 있는 것이 아니라 틀렸을 때 어디를 고칠지 알려 주는 데 있다

고등학생모형이 말할 수 없는 것

말할 수 없는 것	왜
얼마나 걸리나	시간 단위가 없음
얼마나 강하게	0/1 뿐
몇 %의 세포가	세포 하나만 봄
부작용은	정상 세포 모형이 필요
약으로 만들 수 있나	완전히 다른 문제

마지막이 실무적으로 크다

모형이 "이 유전자를 끄면 된다" 고 해도 그 유전자를 약으로 막을 수 있는지 는 별개다.

전사인자처럼 약을 만들기 어려운 표적이 많다.

계산이 알려 주는 표적과 약으로 만들 수 있는 표적은 다른 목록이다

🤔 확인 문제

불리언 모형이 '부분 녹다운' 을 표현하지 못하는 이유는?

🤔 확인 문제

모형 검증에서 '이미 아는 사실을 재현하는지' 먼저 보는 이유는?

🤔 확인 문제

실험 계획에 '반증 조건' 을 미리 적어 두는 이유는?