14강 / 20강

차등발현 표 만들기 — 13,095개를 줄 세우기

DataFrame 조립과 sort_values(key=…)

moderated_ttest 가 돌려준 것은 이름표 없는 배열 세 개입니다 — lfc, t, p. 각각 길이 13,095. 어느 값이 어느 유전자 것인지 순서로만 알 수 있죠. 위험합니다.

de = pd.DataFrame({"logFC": lfc, "t": t, "p": p}, index=logcpm.index)

딕셔너리의 키가 열 이름, 값이 열의 내용이 됩니다. 그리고 index= 로 유전자 이름을 붙이면 de.loc["Ddx54"] 처럼 이름으로 찾을 수 있게 됩니다.

무엇을 기준으로 줄 세울까

13,095줄을 다 볼 수는 없으니 중요한 것부터 봐야 합니다. 그런데 "중요하다"의 기준이 셋이나 있어요.

logFC 순

변화의 크기가 큰 순서

그런데 잡음이 큰 유전자가 섞인다

p 순

우연으로 설명하기 어려운 순서

변화가 작아도 일관되면 위로

|t| 순 ← 코드랩의 선택

신호 ÷ 잡음이 큰 순서

방향과 상관없이 강한 변화부터

de.sort_values("t", key=lambda s: s.abs(), ascending=False) └ 정렬하기 전에 각 값에 abs() 를 적용해 달라 ┘

key= 는 "값 자체가 아니라 이 함수를 통과시킨 결과로 비교하라"는 뜻입니다. 그냥 sort_values("t") 로 하면 −20 이 +20 보다 아래로 가서 크게 내려간 유전자와 크게 올라간 유전자가 표의 양 끝으로 흩어집니다. 절댓값으로 정렬하면 둘 다 위로 모입니다.

고등학생13,095개를 줄 세우기

드디어 결과 표가 만들어집니다. 15~19강의 모든 분석의 출발점이에요.

열	무엇	어느 강
logFC	얼마나 달라졌나	7 · 10강
t	차이 ÷ 흩어짐	12 · 13강
p	우연일 확률	13강

유전자 13,095개 × 열 3개 = 차등발현 표

이 표가 논문의 심장입니다

논문의 Fig 6 도, GSEA 도, 화산도 도 전부 이 표에서 나옵니다.

한 표에서 논문의 여러 그림이 나온다

그리고 줄 세우는 방식이 중요합니다

무엇을 기준으로 정렬하느냐에 따라 다른 것이 위로 올라와요.

정렬 기준	위로 오는 것
p 값 작은 순	가장 확실한 것
\|logFC\| 큰 순	가장 많이 변한 것
logFC 그대로	가장 많이 내려간 것 (17강)

정렬 기준이 무엇을 발견할지를 정한다

세 가지가 다른 유전자를 뽑습니다. 그리고 어느 것도 틀리지 않아요 — 묻는 게 다를 뿐입니다.

이 표가 15~19강의 모든 분석의 출발점입니다.

Python 브라우저에서 실행

import numpy as np, pandas as pd
import bio

L = bio.logcpm()
cols = list(range(7))
lfc, t, p = bio.moderated_ttest(L.values, cols[:4], cols[4:])

de = pd.DataFrame({"logFC": lfc, "t": t, "p": p}, index=L.index)
de = de.sort_values("t", key=lambda s: s.abs(), ascending=False)

print("변화가 가장 강한 유전자 10개")
print(de.head(10).round(3))
print()
print("방향별 개수 (p < 0.05 기준)")
유의 = de[de.p < 0.05]
print(f"  내려감 {int((유의.logFC < 0).sum()):,}개 · 올라감 {int((유의.logFC > 0).sum()):,}개"
      f"  (전체 {len(유의):,}개)")

고등학생이 표가 모든 분석의 출발점

캡션이 말합니다 — "이 표가 15~19강의 모든 분석의 출발점입니다".

앞으로 이 표로 하는 일

강	무엇을
15강	논문이 지목한 네 유전자를 찾아본다
16강	화산도로 전체를 한 장에 본다
17~19강	무리(경로) 단위로 본다
20강	재현 판정을 내린다

표 하나에서 여러 각도로 본다

DataFrame 만들기

퀴즈가 묻습니다 — pd.DataFrame({"logFC": lfc, ...}, index=...) 에서 딕셔너리의 키가 무엇이 되나?

키 → 열 이름 · 값 → 열의 내용

/py 5강에서 배운 딕셔너리가 여기서 쓰입니다 — 이름과 값의 짝이 그대로 열 이름과 열이 되는 거예요.

index 를 왜 따로 주나

유전자 이름을 붙이려고요. 안 주면 0, 1, 2… 번호가 붙습니다.

3강의 index_col=0 과 같은 이야기 — 이름표를 지킨다

이름이 있어야 de.loc["Cd47"] 처럼 유전자로 찾을 수 있습니다. 15강에서 바로 씁니다.

고등학생key= 없이 정렬하면

note 가 정렬의 함정을 짚습니다.

sort_values("logFC") — 작은 것부터 (음수가 위로)

그게 왜 문제인가

가장 많이 변한 유전자를 보고 싶다면 양쪽 극단을 다 봐야 합니다.

정렬	위에 오는 것
그냥 정렬	가장 내려간 것만
`key=lambda s: s.abs()`	가장 많이 변한 것 (양쪽)

절댓값으로 정렬해야 올라간 것도 보인다

/py 6강의 abs() 를 빼면 절반을 놓친다 와 같은 이야기입니다.

그런데 늘 절댓값이 옳은 건 아닙니다

17강에서는 일부러 부호 그대로 정렬합니다.

목적	정렬	왜
가장 많이 변한 것 찾기	절댓값	방향은 상관없다
GSEA 순위 만들기 (17강)	부호 그대로	위쪽=올라감, 아래쪽=내려감이 뜻이 있다

목적이 정렬 방식을 정한다

lambda 가 뭔가

이름 없는 짧은 함수입니다. 한 번만 쓸 함수에 이름을 안 붙이는 것뿐이에요.

lambda s: s.abs() = "s 를 받아 절댓값을 돌려주는 함수"

def 로 써도 같습니다. 짧아서 lambda 를 쓰는 거예요.

🎮 정렬 기준을 바꿔 보기

같은 표를 logFC · p · |t| 로 각각 정렬해 보세요. 상위 10개의 얼굴이 완전히 달라집니다. 어떤 기준이 우리 목적에 맞는지 생각해 보세요.

고등학생13,095번 던진 주사위

이 note 가 14강에서 가장 중요합니다. /stat 14강의 그 이야기예요.

p < 0.05 인 유전자가 4,484개

많아 보이지만 — 먼저 계산해 보세요

13,095 × 0.05 ≈ 655개가 우연으로 기대된다

	개수
p < 0.05 인 유전자	4,484
우연으로 기대되는 수	약 655
초과분	약 3,829

655 개 기대인데 4,484 개 — 신호가 분명히 있다

그런데 655개는 가짜입니다

어느 것이 가짜인지는 모릅니다. /stat 14 · 19강의 그 이야기 —

몇 개가 진짜냐 와 어느 것이 진짜냐 는 다른 물음

그래서 어떻게 하나

방법	설명
FDR 보정	q 값을 계산해 문턱을 조절 (`/stat` 15강)
효과 크기도 본다	logFC 가 충분히 큰 것만 (16강)
무리로 본다	개별 유전자 대신 경로 (17~19강)

세 번째가 이 강의가 택하는 길이다

유전자 하나하나를 다투는 대신 "이 경로 전체가 움직였나" 를 봅니다. 그러면 검정 횟수가 확 줄어요.

20강에서 이 한계를 다시 짚습니다

note 가 그렇게 예고합니다. 못 한 것을 기억해 두는 것도 이 강의의 방식이에요.

🤔 확인 문제

pd.DataFrame({"logFC": lfc, "t": t, "p": p}, index=L.index) 에서 딕셔너리의 키는 무엇이 되나요?

해설 딕셔너리의 키가 열 이름, 값이 그 열의 내용이 됩니다. 행 이름표는 index= 로 따로 지정합니다.

🤔 확인 문제

key=lambda s: s.abs() 를 붙이면 정렬이 어떻게 달라지나요?

🤔 확인 문제

p < 0.05 인 유전자가 4,484개라는 결과를 조심해서 읽어야 하는 이유는?