Consensus-level substitution rates are distinct from the virion-level rate

당신은 바이러스가 얼마나 빨리 진화하는지 측정하려고 노력하고 있다고 상상해 보십시오. 오랫동안 과학자들은 이를 측정하기 위해 단 하나의 자(ruler)를 사용해 왔지만, 이 논문은 실제로 서로 완전히 다른 것을 측정하는 두 개의 서로 다른 자가 존재한다고 주장합니다. 만약 잘못된 자를 사용한다면, 당신의 측정값은 한 가지 측면에서는 수학적으로 정확할지 몰라도 다른 측면에서는 완전히 틀릴 수 있습니다.

다음은 이 논문에서 설명하는 두 가지 "자"(또는 비율)를 쉬운 비유를 들어 정리한 내용입니다.

1. 바이러스를 바라보는 두 가지 관점

차이점을 이해하려면 바이러스 집단을 두 가지 방식으로 바라봐야 합니다.

• "개별적" 관점 (Virion-Level): 수백만 개의 고유한 바이러스 입자로 가득 찬 거대한 경기장을 상상해 보십시오. 각 입자는 자신만의 구체적인 유전 코드를 가진 별개의 개체입니다. 어떤 것은 여기에 작은 돌연변이가 있고, 저기에는 또 다른 돌연변이가 있습니다.
• "헤드라인" 관점 (Consensus-Level): 그 경기장에 서 있는 뉴스 리포터를 상상해 보십시오. 리포터는 모든 사람을 보고하는 대신, 경기장의 모든 지점을 살펴보고 "여기서 가장 흔하게 일지는 일이 무엇인가?"라고 묻습니다. 그들은 다수를 나타내는 단 하나의 "헤드라인"(합의 서열, consensus sequence)을 작성합니다. 만약 특정 지점에서 51%의 바이러스가 "A"를 가지고 있다면, 헤드라인은 "A"라고 기록합니다. 만약 51%가 "G"를 가지고 있다면, 헤드라인은 "G"가 됩니다.

2. 두 가지 서로 다른 비율

논문은 과학자들이 이 두 가지 관점의 변화 속도를 자주 혼동한다고 말합니다.

비율 A: 바이러스 수준 치환율 (Virion-Level Substitution Rate, VLSR)

• 측정 대상: 개별 바이러스 입자가 시간을 지나며 얼마나 빨리 돌연변이를 일으키는지 측정합니다.
• 비유: 가계도를 생각해 보십시오. 부모 바이러스가 두 개의 자식으로 분열할 때마다, 자식의 코드에 오타(돌연변이)가 발생할 확률이 있습니다. 이 비율은 가계도의 모든 가지를 따라 발생하는 모든 단일 오타를 계산합니다.
• 작동 방식: 이는 하나의 조상이 둘로 갈라지고, 다시 넷으로 갈라지는 식의 표준적인 "나무(tree)" 구조를 가정합니다. 이는 가지 위의 단계들을 계산합니다.

비율 B: 합의 수준 치환율 (Consensus-Level Substitution Rate, CLSR)

• 측정 대상: "헤드라인"(다수 보고)이 얼마나 빨리 변하는지 측정합니다.
• 비유: 사람들이 색깔에 대해 투표하고 있는 붐비는 방을 상상해 보십시오.
  • 만약 51%가 빨강을, 49%가 파랑을 투표했다면, "헤드라인"은 빨강입니다.
  • 만약 군중의 움직임이 살짝 바뀌어 52%가 파랑을, 48%가 빨강을 투표하게 된다면, "헤드라인"은 즉시 파랑으로 바뀝니다.
  • 핵심 포인트: 방 안의 개별 사람들이 반드시 투표 내용을 바꾼 것은 아닙니다(새로운 돌연변이가 발생하지 않았습니다). 단지 군중의 균형이 바뀌어 다수결이 뒤집혔을 뿐입니다.
• 작동 방식: 이 비율은 헤드라인이 한 글자에서 다른 글자로 몇 번이나 바뀌었는지를 계산합니다. 이는 개별 나무에는 관심이 없으며, 오직 군중의 변화하는 균형에 관심을 가집니다.

3. 왜 이 둘은 서로 대체될 수 없는가

논문은 이 두 비율이 같지 않으며, 심지어 움직이는 방향조차 다르다는 중요한 점을 지적합니다

• 시나리오 1: 침묵의 반전 (The Silent Flip)
  바이러스 집단 내에서 사람들이 끊임없이 빨강과 파랑을 왔다 갔다 바꾸고 있지만, 실제로 새로운 돌연변이(새로운 유전적 오류)는 발생하지 않는 상황을 상상해 보십시오.

  • 바이러스 비율 (VLSR): 제로(0). 새로운 돌연변이가 발생하지 않았습니다.
  • 헤드라인 비율 (CLSR): 높음. 군중의 균형이 흔들리면서 헤드라인이 빨강에서 파랑으로, 다시 빨강으로 끊임없이 바뀝니다.
  • 결과: 헤드라인은 빠르게 변하고 있지만, 바이러스는 돌연변이를 일으키고 있지 않습니다.

• 시나리오 2: 숨겨진 돌연변이 (The Hidden Mutation)
  새로운 돌연변이가 아주 작은 그룹(예: 10,000개 중 1개)에서 나타났다고 상상해 보십시오. 그것은 존재하지만, 너무 희귀해서 "헤드라인"을 바꾸지는 못합니다.

  • 바이러스 비율 (VL서): 높음. 돌연변이가 발생했습니다!
  • 헤드라인 비율 (CLSR): 제로(0). 다수결 규칙 때문에 헤드라인은 변하지 않았습니다.
  • 결과: 바이러스는 돌연변이를 일으키고 있지만, 헤드라인은 그대로 유지됩니다.

4. "병목 현상" 문제

논문은 또한 바이러스가 한 사람에게서 다른 사람으로 옮겨갈 때(예: 환자 A에서 환자 B로) 발생하는 기묘한 특이점을 강조합니다.

• 나무 관점: 보통 진화는 매끄러운 나무 형태를 띱니다.
• 헤드라인 관점: 환자 A가 환자 B를 감염시킬 때, 오직 소수의 바이러스만이 이동합니다. 이것이 "병목 현상(bottleneck)"입니다.
  • 환자 A에서 다수는 "빨강"일 수 있습니다.
  • 환자 B에서는 순전히 운 좋게도, 이동한 소수의 바이러스가 주로 "파랑"일 수 있습니다.
  • 결과: 환자 B의 "헤드라인"은 빨강에서 파랑으로 즉시 점프합니다. "헤드라인 비율"의 수학적 관점에서 볼 때, 이것은 엄청나고 갑작스러운 진화의 도약처럼 보이지만, 실제로는 그저 무작위적인 샘플링 사고였습니다.

5. 이것이 과학자들에게 의미하는 바

저자는 과학자들이 어떤 "자"를 사용하고 있는지 매우 주의해야 한다고 주장합니다.

1. 개별 바이러스에서 돌연변이가 얼마나 빨리 일하는지 알고 싶다면 (VLSR): 개별 바이러스 입자에 대한 데이터(또는 매우 특정한 유형의 합의 데이터)가 필요하며, 표준적인 "가계도" 수학을 사용해야 합니다.
2. "헤드라인"이 얼마나 빨리 변하는지 알고 싶다면 (CLSR): 다른 수학을 사용해야 합니다. 표준적인 나무 수학은 매끄러운 분기 과정을 가정하지만, "헤드라인" 데이터는 (환자 교체 시처럼) 갑작스러운 도약을 보일 수 있습니다. "헤드라인" 데이터에 표준 나무 수학을 적용하면 왜곡된 그림을 얻을 수 있습니다.

결론:
논문은 "합의 수준 치환율(Consensus-Level Substitution Rates)"이 측정 가능한 유효한 수치이지만, 우리가 흔히 말하는 표준 돌연변이율과는 같지 않다고 결론짓습니다. "헤드라인"은 특정 규칙(예: "50%가 넘는 글자를 선택한다")에 의존하기 때문에, 과학자들은 자신이 무엇을 측정하고 있는지 반드시 명확히 밝혀야 합니다. 그렇지 않다면, 우리가 측정하고 있는 것이 개별 개체의 속도인지, 아니면 다수결의 속도인지 알 수 없게 될 것입니다.