Lesson 2 of 20

레귤론 — 부하 직원 명부

단백질 하나가 부리는 유전자들의 목록

회사에서 어떤 팀장이 지금 얼마나 바쁜지 알고 싶다고 해 봅시다. 팀장 본인을 붙잡고 물어보기 어렵다면? 그 팀 사람들이 지금 뭐 하고 있는지를 보면 됩니다. 팀원 열둘이 전부 야근하고 있다면 팀장이 뭔가 크게 벌이고 있는 거예요.

이때 필요한 것이 누가 그 팀 사람인지 적힌 명부입니다. 전사인자 단백질 하나가 직접 조종하는 유전자들의 목록 — 이것을 레귤론(regulon)이라고 부릅니다. VIPER 가 하는 일의 절반은 이 명부를 잘 읽는 것입니다.

레귤론(TF) = { 부하 유전자 → (조종 방향, 얼마나 믿을 만한가) }

명부에는 이름만 적혀 있는 게 아닙니다. 부하마다 두 가지가 더 붙습니다.

MoR (Mode of Regulation, 조종 방향) — 상사가 이 부하를 켜는가 끄는가. −1 부터 +1 사이의 수입니다. 4강에서 자세히 봅니다.
likelihood (신뢰도) — 이 부하가 정말 그 상사의 부하가 맞는가. 0 부터 1 사이의 수입니다. 5강에서 자세히 봅니다.

High school부하 직원 명부

레귤론 은 한 단백질이 조절하는 유전자들의 목록이다.

항목	내용
표적 목록	누구를 조절하나
MoR	액셀인가 브레이크인가 (4강)
신뢰도	얼마나 확실한 관계인가 (5강)

단순한 목록이 아니다

이름만 나열한 것이 아니라 각 표적에 두 개의 숫자 가 붙어 있다.

방향과 무게가 붙어야 명부가 계산에 쓸 수 있는 물건이 된다

레귤론 하나를 손으로 적어 봅니다. 실제 레귤론은 부하가 수십~수백 개입니다.

Python Runs in your browser

# 레귤론은 파이썬에서 그냥 중첩 딕셔너리입니다.
# TF → { 부하유전자: (MoR, likelihood) }
레귤론 = {
    "MYC": {
        "NPM1":  (+0.92, 1.00),   # 강하게 켠다, 아주 확실한 부하
        "RPL5":  (+0.81, 0.87),
        "CDK4":  (+0.74, 0.65),
        "NCL":   (+0.68, 0.51),
        "CDKN1A":(-0.77, 0.72),   # 끈다 (음수) — 브레이크를 밟는 부하
        "TP53I3":(-0.55, 0.40),
    },
}

부하들 = 레귤론["MYC"]
print("MYC 의 레귤론 크기:", len(부하들), "개")
print()
print(f"{'부하':<9}{'MoR':>7}{'신뢰도':>8}   방향")
for g, (mor, lik) in 부하들.items():
    print(f"{g:<9}{mor:>7.2f}{lik:>8.2f}   {'켠다 ▲' if mor > 0 else '끈다 ▼'}")

print()
print("켜는 부하:", sum(1 for m, _ in 부하들.values() if m > 0), "개")
print("끄는 부하:", sum(1 for m, _ in 부하들.values() if m < 0), "개")

High school레귤론 크기가 왜 중요한가

크기	문제
너무 작음 (<20)	우연히 쏠릴 수 있음
적당 (50~500)	—
너무 큼 (>2000)	특이성이 없음

작으면 왜 문제인가

표적이 5개인데 다 위쪽에 있다면? 우연히 그럴 확률이 꽤 높다.

표적이 200개인데 다 위쪽이면 우연일 확률이 거의 0 이다.

11강에서 수식으로 본다

같은 정도의 쏠림이라도 레귤론이 클수록 더 놀랍다.

NES 계산에 크기가 자동으로 들어간다.

같은 패턴도 표본이 크면 더 강한 증거가 된다 — 통계의 기본

명부 크기는 얼마가 좋을까요

부하가 너무 적으면(예: 3명) 우연히 그 셋이 다 같이 움직였을 뿐일 수 있습니다. 너무 많으면(예: 5,000명) 특이성이 사라져서 어떤 상사를 봐도 비슷한 답이 나옵니다.

실전에서는 보통 부하 25개 이상인 레귤론만 씁니다. 25 라는 숫자는 통계적 검정력이 안정되기 시작하는 지점이라서 그렇습니다. 11강에서 왜 크기가 확신도에 직접 영향을 주는지 수식으로 보게 됩니다.

🎮 명부를 직접 들여다보세요

상사를 하나 고르면 그 부하 명부가 펼쳐집니다. 슬라이더로 신뢰도 문턱을 올리면 확실하지 않은 부하부터 명부에서 빠집니다. 문턱을 올릴수록 명부가 깨끗해지지만 동시에 작아진다는 것 — 그 맞바꿈을 눈으로 확인해 보세요.

High school표적이 겹친다는 문제

여러 전사인자가 같은 표적 을 공유한다.

전사인자	표적
A	{1, 2, 3, 4, 5}
B	{3, 4, 5, 6, 7}

그러면 A 와 B 의 점수가 함께 움직인다

3, 4, 5 가 올라가면 둘 다 활성화로 나온다.

그런데 실제로는 하나만 활성화되었을 수 있다.

16강의 그림자 분석이 이 문제를 다룬다

겹치는 표적을 빼고 다시 계산해서 어느 쪽이 진짜인지 가려낸다.

공유하는 부분을 빼고 봐야 각자의 고유한 기여가 보인다

잘라 낼 것인가, 무게를 줄일 것인가. VIPER 는 후자를 택합니다.

Python Runs in your browser

# 문턱을 올리면 명부가 깨끗해지지만 작아집니다 — 직접 세어 봅시다.
레귤론 = {
    "NPM1": (+0.92, 1.00), "RPL5": (+0.81, 0.87), "CDK4": (+0.74, 0.65),
    "NCL": (+0.68, 0.51), "CDKN1A": (-0.77, 0.72), "TP53I3": (-0.55, 0.40),
    "EIF4E": (+0.61, 0.33), "SRM": (+0.58, 0.28), "ODC1": (+0.70, 0.22),
    "BAX": (-0.44, 0.19), "MTHFD2": (+0.52, 0.15), "SLC7A5": (+0.49, 0.11),
}

for 문턱 in [0.0, 0.2, 0.4, 0.6, 0.8]:
    남은것 = {g: v for g, v in 레귤론.items() if v[1] >= 문턱}
    평균신뢰 = sum(v[1] for v in 남은것.values()) / len(남은것) if 남은것 else 0
    막대 = "█" * len(남은것)
    print(f"문턱 {문턱:.1f} → 부하 {len(남은것):>2}개  평균신뢰 {평균신뢰:.2f}  {막대}")

print()
print("문턱을 올릴수록 명부는 깨끗해지지만(평균신뢰 ↑) 작아집니다(부하 수 ↓).")
print("VIPER 는 자르는 대신 '가중치'로 다룹니다 — 5강에서 봅니다.")

High school레귤론은 조직 특이적이다

조직	같은 전사인자의 표적
간	간 특이 유전자들
뇌	신경 특이 유전자들

왜 다른가

전사인자가 결합하려면 DNA 가 열려 있어야 한다. 조직마다 열린 부위가 다르다.

그러니 같은 인자가 다른 유전자 를 조절한다.

그래서 조직마다 레귤론을 만들어야 한다

간 자료로 만든 레귤론을 뇌에 쓰면 부정확하다.

그런데 자료가 없으면?

14강의 metaVIPER 가 그 문제를 다룬다 — 남의 지도를 빌리는 법.

조절망은 세포 유형마다 다르다 — 하나의 지도로는 부족하다

🤔 Check yourself

레귤론(regulon)을 가장 정확히 설명한 것은?

🤔 Check yourself

부하가 5개뿐인 레귤론을 VIPER 에 쓰기 꺼려지는 까닭은?

🤔 Check yourself

다른 조직(예: 간)에서 만든 레귤론을 폐암 데이터에 그대로 쓰면 생기는 문제는?