5강 / 20강

스무 해에 걸친 다섯 시리즈 — 1999년 칩부터 2019년까지

GSE833 · GSE18920 · GSE20589 · GSE26927 · GSE139384

ALS 중추신경계 자료를 모으다 보면 금방 알게 됩니다 — 큰 연구가 없습니다. 사후 척수는 구하기 어려우니까요.

그래서 작은 시리즈를 여럿 모아야 합니다. 이 강의는 다섯을 골랐어요.

시리즈	해	플랫폼	조직	ALS	대조
`GSE833`	2001	Affymetrix Hu6800	척수 회백질	7	4
`GSE20589`	2010	HG-U133 Plus 2.0	경수 운동신경세포	3	7
`GSE18920`	2010	Human Exon 1.0 ST	척수 운동신경세포	12	10
`GSE26927`	2011	Illumina humanRef-8	뇌 여러 부위	20	45
`GSE139384`	2019	Illumina HT-12 v4	전두엽·측두엽	10	6

고등학생스무 해에 걸친 다섯 시리즈

시리즈	연도	플랫폼
GSE833	1999년경	초기 마이크로어레이
GSE18920	—	—
GSE20589	—	—
GSE26927	—	—
GSE139384	2019년경	RNA-seq

20년의 기술 변화가 들어 있다

1999년 칩과 2019년 시퀀싱은 완전히 다른 기술 이다.

같은 유전자를 재도 기술이 다르면 값이 다르다

고등학생왜 여러 시리즈를 합치나

이유	내용
각각이 작음	표본 수십 개
합치면 검정력	—
재현성 확인	여러 곳에서 나오나

세 번째가 특히 중요하다

한 시리즈에서만 나온 결과는 그 실험의 특징 일 수 있다.

여러 시리즈에서 나오면 훨씬 믿을 만하다.

그런데 합치는 것이 어렵다

플랫폼이 다르고, 조직이 다르고, 메타데이터 형식이 다르다.

6~9강이 그 이야기다.

합치면 검정력을 얻고 이질성을 함께 얻는다

가장 오래된 칩이 목록의 길이를 정하게 두지 않습니다.

Python 브라우저에서 실행

# 다섯 플랫폼의 유전자 수 — 실제 값입니다.
import pandas as pd

t = pd.DataFrame({
    "GSE":   ["GSE833", "GSE20589", "GSE18920", "GSE26927", "GSE139384"],
    "year":  [2001, 2010, 2010, 2011, 2019],
    "genes": [5545, 22876, 17678, 18186, 6213],
})
print(t.to_string(index=False))
print()
print("다섯 전부를 요구하면 :", "5,545개 안으로 갇힙니다")
print("셋 이상을 요구하면   :", "14,100개")
print()
print("이 강의는 셋 이상을 골랐습니다.")

고등학생플랫폼이 다르면

차이	영향
탐침 서열	같은 유전자를 다르게 잼
측정 범위	포화 지점이 다름
배경 잡음	—
유전자 목록	겹치는 것만 쓸 수 있음

마지막이 실무적으로 크다

1999년 칩에는 유전자가 적다. 그러니 겹치는 유전자 만 분석할 수 있다.

10강의 14,100개 가 그 결과다.

그러면 놓치는 것이 있다

새 플랫폼에만 있는 유전자는 분석에서 빠진다.

여러 자료를 합치면 공통분모만 남는다 — 그것이 합치기의 대가다

대신 유전자마다 합쳐진 시리즈 수가 다릅니다. 그 수를 k 라고 부르고 결과에 함께 적어 둡니다.

3️⃣

7,013

세 시리즈에만 있는 유전자

4️⃣

5,326

네 시리즈에 있는 유전자

5️⃣

1,761

다섯 전부에 있는 유전자

이건 실제 메타분석이 하는 방식이기도 합니다. 다만 k 를 안 적으면 독자는 어떤 유전자가 다섯 개의 증거를 갖고 있고 어떤 것이 셋뿐인지 모릅니다.

k 를 적어 두지 않으면 이 차이가 독자에게 보이지 않습니다.

Python 브라우저에서 실행

# k 가 다르면 같은 g 라도 무게가 다릅니다.
from math import sqrt

def combine(gs, ns):
    ses = [sqrt((a+b)/(a*b) + g*g/(2*(a+b))) for g, (a, b) in zip(gs, ns)]
    w = [1/s**2 for s in ses]
    gbar = sum(x*y for x, y in zip(w, gs)) / sum(w)
    se = sqrt(1/sum(w))
    return gbar, se, gbar/se

N = {"GSE18920": (12, 10), "GSE26927": (20, 45), "GSE20589": (3, 7),
     "GSE833": (7, 4), "GSE139384": (10, 6)}
order = list(N)

for k in (3, 4, 5):
    use = order[:k]
    gs = [1.2] * k
    g, se, z = combine(gs, [N[u] for u in use])
    print(f"k={k}  같은 g=1.2 인데  합친 g={g:.2f}  SE={se:.3f}  z={z:5.2f}   {use}")
print()
print("증거가 많을수록 SE 가 작고 z 가 큽니다 — 같은 효과크기인데도요.")

고등학생그래서 메타분석을 쓴다

각 시리즈를 따로 분석하고 결과를 합친다.

방식	내용
자료를 합침	배치효과가 큼
결과를 합침	메타분석 — 배치효과에 강함

왜 두 번째가 나은가

각 시리즈 안에서 환자 vs 대조 를 비교하면 그 시리즈의 배치효과는 상쇄된다.

그 결과(효과 크기)를 합치면 된다.

배치 안에서 비교하고 그 결과를 합치면 배치효과가 자동으로 빠진다

🤔 확인 문제

이 강의가 '다섯 시리즈 전부에 있는 유전자'를 요구하지 않은 이유는?

🤔 확인 문제

유전자마다 합쳐진 시리즈 수 k 를 결과에 적어 두어야 하는 이유는?