2강 / 20강

재료는 표 한 장 — 유전자 × 샘플

아라크네가 먹는 것은 이것뿐입니다

아라크네의 입력은 놀랄 만큼 단순합니다. 숫자 표 한 장이에요.

↕️

행 = 유전자

사람이라면 약 2만 줄, 우리 자료는 50줄

↔️

열 = 샘플

환자 한 명 = 열 하나. 우리 자료는 200명

🔢

칸 = 발현량

그 사람의 그 유전자가 얼마나 켜져 있나

생물정보학의 다른 분석과 재료가 같습니다. 다른 것은 어느 방향으로 읽느냐예요.

차등발현 분석 — 열을 나눠 본다

"이 유전자가 환자군과 대조군 사이에서 달라졌나?"
열을 두 무리로 갈라 놓고 행 하나씩 비교합니다.

한 행 안에서 끝나는 질문

아라크네 — 행끼리 견준다

"이 유전자와 저 유전자가 사람이 바뀔 때 같이 움직이나?"
열을 나누지 않고, 두 행을 나란히 놓고 봅니다.

행 두 개가 있어야 시작되는 질문

고등학생재료는 표 한 장

ARACNe 가 먹는 것은 표 하나 뿐이다.

	샘플 1	샘플 2	…
유전자 A	3.2	1.8	…
유전자 B	0.5	2.1	…

이것만으로 무엇을 알 수 있나

어떤 유전자가 함께 움직이는지 를 볼 수 있다. A 가 높은 샘플에서 B 도 높으면 관련이 있어 보인다.

그런데 방향은 모른다

A 가 B 를 켜는지, B 가 A 를 켜는지, 아니면 C 가 둘 다 켜는지 알 수 없다.

발현 자료는 함께 움직임을 보여 줄 뿐 원인을 보여 주지 않는다

값은 log2 눈금의 발현량입니다. 대체로 7 근처, 작으면 4쯤, 크면 10쯤.

Python 브라우저에서 실행

# 표를 열어 봅니다.
from arac import load_expr

genes, X, samples = load_expr("arac_expr.bin")

print("행렬:", X.shape, "  (유전자, 샘플)")
print("샘플 이름 앞 5개:", samples[:5])
print()

# 표의 왼쪽 위 귀퉁이 — 유전자 5개 × 샘플 6명
print(f"{'':10s}" + "".join(f"{s:>9s}" for s in samples[:6]))
for g, row in zip(genes[:5], X[:5]):
    print(f"{g:10s}" + "".join(f"{v:9.2f}" for v in row[:6]))

고등학생샘플이 많아야 한다

ARACNe 는 샘플 사이의 변동 을 본다. 그러니 샘플이 많아야 한다.

샘플 수	가능한 것
10개	거의 불가능
50개	강한 관계만
100~수백	권장

왜 그렇게 많이 필요한가

상호정보량을 계산하려면 두 유전자 값의 결합 분포 를 추정해야 한다.

6강에서 칸을 7개로 나누면 7 × 7 = 49칸 의 분포를 채워야 한다.

샘플이 50개면 칸당 평균 1개 다. 분포를 추정할 수가 없다.

차원이 늘면 필요한 표본이 지수적으로 늘어난다 — 차원의 저주

행의 흔들림(표준편차)이 곧 정보량입니다. 흔들리지 않는 유전자는 아무것도 알려 주지 못합니다.

Python 브라우저에서 실행

# 행 하나(유전자 하나)와 열 하나(사람 하나)를 각각 꺼내 봅니다.
import numpy as np
from arac import load_expr

genes, X, samples = load_expr("arac_expr.bin")
i = genes.index("DDX54")

row = X[i]              # DDX54 가 200명에서 어떻게 흔들리는가
col = X[:, 0]           # S001 이라는 사람의 유전자 50개

print("DDX54 행 — 200명에서:")
print("  평균", round(row.mean(), 3), " 표준편차", round(row.std(ddof=1), 3))
print("  가장 낮은 사람", round(row.min(), 2), " 가장 높은 사람", round(row.max(), 2))
print()
print(f"S001 이라는 사람의 열 — 유전자 {len(col)}개:")
print("  평균", round(col.mean(), 3), " 표준편차", round(col.std(ddof=1), 3))
print()
print("아라크네가 읽는 것은 '행'입니다. 열의 통계는 쓰지 않습니다.")

🎮 표를 직접 들여다보기

칸을 눌러 그 값이 무슨 뜻인지 보세요. 행 이름을 누르면 그 유전자가 200명에서 어떻게 흩어져 있는지 나옵니다.

고등학생샘플이 다양해야 한다

많기만 해서는 안 된다. 다양해야 한다.

상황	결과
모두 같은 조직 · 같은 조건	변동이 없어 관계가 안 보임
여러 조건 · 여러 개체	변동이 커서 관계가 드러남

왜 그런가

A 가 B 를 조절한다는 것을 보려면 A 가 변할 때 B 도 변하는 것 을 봐야 한다.

A 가 안 변하면 아무것도 못 본다.

그래서 종양 자료가 유용하다

종양은 환자마다 크게 다르다. 그 다양성이 변동 을 만든다.

변하지 않는 것은 관계를 드러내지 않는다 — 변동이 정보다

진짜 자료였다면 그 앞에 할 일이 있습니다

우리 표는 이미 깨끗하지만, 실제 RNA-seq 원자료를 아라크네에 넣기 전에는 보통 이런 손질을 거칩니다. (생물정보학 첫걸음 강의에서 다루는 내용이에요.)

단계	하는 일	왜
정규화 (CPM·TPM)	시퀀싱 깊이로 나눈다	많이 읽은 샘플이 그냥 커 보이는 것을 없앤다
log2 변환	`log2(x+1)`	몇 배 차이를 거리로 바꾼다
저발현 걸러내기	거의 안 켜진 유전자 제거	0 근처의 잡음이 가짜 관계를 만든다
배치효과 보정	측정한 날·기관의 영향 제거	안 하면 배치가 통째로 가짜 네트워크가 된다 (18강)

우리 모의 자료는 일부러 다들 비슷하게 흔들리도록 만들었습니다. 진짜 자료는 편차가 훨씬 큽니다.

Python 브라우저에서 실행

# 우리 자료의 50개 유전자를 흔들림 순으로 줄 세워 봅니다.
import numpy as np
from arac import load_expr, TFS

genes, X, samples = load_expr("arac_expr.bin")
sd = X.std(axis=1, ddof=1)

order = np.argsort(-sd)
print("흔들림이 큰 유전자 5개")
for i in order[:5]:
    tag = " (전사인자)" if genes[i] in TFS else ""
    print(f"  {genes[i]:9s} 표준편차 {sd[i]:.3f}{tag}")

print("\n흔들림이 작은 유전자 5개")
for i in order[-5:]:
    print(f"  {genes[i]:9s} 표준편차 {sd[i]:.3f}")

print("\n전체 평균 표준편차:", round(sd.mean(), 3))

50개 유전자는 어떤 것들인가

모의 자료라도 이름은 실제 유전자에서 따 왔습니다. 나중에 이야기가 붙기 쉽도록요.

무리	수	누구
전사인자 (TF)	6	DDX54 · MYC · STAT3 · NFKB1 · HIF1A · E2F1
MYC 의 표적	8	NPM1 · NCL · RPL3 · EIF4E · CAD · LDHA · SRM · ODC1 — 리보솜과 대사
STAT3 의 표적	6	SOCS3 · BCL3 · JUNB · MCL1 · VEGFA · IL6R — 염증 신호
NFKB1 의 표적	6	TNFAIP3 · NFKBIA · CXCL1 · CCL2 · ICAM1 · BIRC3
HIF1A 의 표적	5	SLC2A1 · PGK1 · CA9 · ADM · ANGPTL4 — 저산소 반응
E2F1 의 표적	6	CCNE1 · CDC6 · MCM3 · PCNA · RRM2 · TYMS — 세포주기
DDX54 의 표적	2	CD47 · CD38 — 면역회피 표지 (17강의 이야기 축)
휘어진 표적	1	IL10 — NFKB1 에 비선형으로 반응한다 (3강)
줄 없는 유전자	10	GAPDH · ACTB · TUBB … 아무와도 안 이어져 있다

줄 없는 유전자 10개가 중요합니다. 아라크네가 이것들에 선을 그으면 곧 거짓양성이거든요. 채점의 절반은 이 10개를 얼마나 조용히 두느냐에 달려 있습니다.

고등학생눈금이 사라진다

7강에서 배울 순위 변환 을 거치면 값의 눈금이 통째로 사라진다.

원래 값	순위
3.2 · 1.8 · 5.9	2 · 1 · 3
320 · 180 · 590	2 · 1 · 3 (같음)

이것이 장점이다

정규화 방법이 달라도 순위는 그대로 다. 그러니 ARACNe 는 정규화에 둔감하다.

그리고 단점이기도 하다

"두 배 늘었다" 와 "10% 늘었다" 를 구별 못 한다. 크기 정보를 버린 것이다.

눈금을 버리면 전처리에 둔감해지고 크기 정보를 잃는다 — 맞바꿈이다

🤔 확인 문제

아라크네가 표를 읽는 방향으로 맞는 것은?

🤔 확인 문제

아라크네에 샘플이 많이 필요한 진짜 이유는?

🤔 확인 문제

CPM 정규화를 했느냐 안 했느냐가 아라크네 결과를 (거의) 바꾸지 못하는 이유는?