Lesson 2 of 20

원자료 내려받기 — GEO와 접근번호

논문의 결론이 아니라 논문의 재료를 받는다

논문을 읽을 때 우리가 보는 것은 대개 저자가 계산해 놓은 결론입니다. 그림 6에 막대가 그려져 있고 "p < 0.001" 이라고 적혀 있죠. 그런데 그 막대는 저자의 계산입니다. 우리가 다시 확인하려면 계산이 아니라 계산 이전의 재료가 필요해요.

그 재료를 맡아 두는 곳이 미국 NCBI 의 GEO(Gene Expression Omnibus)입니다. 많은 학술지가 "원자료를 GEO 에 올리지 않으면 논문을 싣지 않는다"는 규칙을 두고 있어서, 논문의 재료는 대부분 여기 있습니다. 무료이고, 로그인도 필요 없습니다.

접근번호(accession) 읽는 법

📦

GSE285342

GSE = 연구 하나 전체 (Series)

🧪

GSM…

GSM = 샘플 하나 (Sample)

🏷️

GPL…

GPL = 측정 장비 (Platform)

우리가 쓸 번호는 GSE285342 입니다. 논문의 Fig 6 을 만든 바로 그 실험이에요. GEO 의 파일 주소는 규칙이 있어서, 번호만 알면 주소를 조립할 수 있습니다.

https://ftp.ncbi.nlm.nih.gov/geo/series/GSE285nnn/GSE285342/suppl/GSE285342_LLC1_cnt_DDX54.tsv.gz └ 뒤 세 자리를 nnn 으로 ┘

High school논문의 결론이 아니라 재료를 받습니다

부제가 이 강의의 정신입니다.

논문의 결론이 아니라 논문의 재료를 받는다

GEO 가 무엇인가

Gene Expression Omnibus — 미국 NCBI 가 운영하는 유전자 발현 자료 저장소입니다.

논문을 내려면 원자료를 여기에 올려야 하는 경우가 많아요. 학술지가 요구합니다.

그래서 누구나 받아 볼 수 있다

접근번호 읽는 법

번호	뜻
GSE285342	Series — 연구 하나 전체
GSM…	Sample — 시료 하나
GPL…	Platform — 어떤 기계로 읽었나

GSE = 연구 하나 · GSM = 그 안의 시료 하나

이게 왜 대단한 일인가

20년 전에는 불가능했습니다. 자료가 연구실 컴퓨터에만 있었으니까요.

지금은 고등학생도 세계 어느 연구실의 원자료를 몇 초 만에 받을 수 있습니다.

공개가 검증을 가능하게 만들었다

그리고 그게 여러분이 지금 이 강의를 들을 수 있는 이유예요.

High school파일 이름이 이미 말해 줍니다

note 가 좋은 습관을 알려 줍니다 — 파일 이름을 읽어라.

파일 이름은 공짜로 얻는 정보다

이 파일 이름을 뜯어 보면

조각	뜻
GSE285342	어느 연구인지
cnt 또는 counts	개수 표다! 우리가 원하던 것
.txt.gz	글자 파일이고 압축되어 있다

'cnt' 가 왜 반가운가

GEO 에는 여러 형태의 파일이 올라옵니다.

파일 종류	우리에게
counts (개수)	딱 좋다 ✔ 바로 쓸 수 있다
FASTQ (원시 서열)	너무 크고 정렬부터 해야 한다
이미 정규화된 값	어떻게 처리했는지 모른다

counts 는 가공이 최소인 형태 — 그래서 좋다

왜 가공이 적을수록 좋은가

남이 가공한 값을 받으면 어떻게 가공했는지 알 수 없습니다. 그러면 내 결과가 이상해도 원인을 못 찾아요.

원재료를 받아 내가 처리하면 모든 단계를 안다

/immunology 7강의 "직접 만든 값은 기준을 내가 안다" 와 같은 이야기입니다.

그리고 실전 요령

GEO 페이지에서 파일 목록을 볼 때 이름과 크기부터 보세요.

이름에 counts · matrix 가 있으면 → 반갑다
크기가 수십 GB 면 → 원시 서열일 가능성
크기가 수 MB 면 → 표일 가능성

이 강의 페이지에는 파일이 미리 놓여 있어서 if 문의 else 쪽으로 갑니다.

Python Runs in your browser

import os

# 주소를 두 조각으로 나눠 쓰면 나중에 번호만 바꿔 재활용하기 쉽습니다.
URL = ("https://ftp.ncbi.nlm.nih.gov/geo/series/GSE285nnn/GSE285342/suppl/"
       "GSE285342_LLC1_cnt_DDX54.tsv.gz")
cache = "GSE285342_LLC1_cnt_DDX54.tsv.gz"     # 내 컴퓨터에 저장할 이름

# 이미 받아 두었으면 다시 받지 않는다 — '캐시(cache)'
if not os.path.exists(cache):
    import urllib.request
    urllib.request.urlretrieve(URL, cache)
    print("내려받았습니다.")
else:
    print("이미 있습니다. 다시 받지 않습니다.")

print("파일 크기:", f"{os.path.getsize(cache):,}", "바이트")

High school왜 캐시를 쓰나요

note 가 캐시 이야기를 합니다. 코드에 if not os.path.exists(cache): 가 있는 이유예요.

이미 받아 둔 파일이 있으면 다시 안 받는다

왜 그래야 하나

이유	설명
빠르다	몇 초 vs 몇 분
예의다	남의 서버에 부담을 안 준다
안정적	인터넷이 끊겨도 작업이 이어진다
재현된다	파일이 바뀌어도 내 것은 그대로

마지막이 의외로 중요하다

파일이 바뀔 수 있다고?

네. 저자가 수정본을 올리면 파일이 바뀝니다. 그러면 어제 돌린 코드가 오늘 다른 답을 낼 수 있어요.

재현하려면 같은 파일을 써야 한다

그래서 진지한 연구에서는 파일의 체크섬(지문)까지 기록합니다. "내가 쓴 파일이 정확히 이것" 이라는 증거예요.

비유 — 도서관 책 빌리기

같은 책을 매번 다시 빌리는 사람과 한 번 빌려 두고 보는 사람이 있습니다.

두 번째가 낫죠 — 빠르고, 도서관도 편하고, 그 책이 대출 중이어도 나는 계속 볼 수 있으니까요.

캐시 = 한 번 빌려서 손에 쥐고 있는 것

퀴즈가 "if 문을 빼면?" 을 묻습니다. 답은 실행할 때마다 다시 받는다 입니다.

🎮 접근번호로 주소를 조립해 보기

번호를 바꾸면 주소가 어떻게 달라지는지, 캐시가 있을 때와 없을 때 코드가 어느 길로 가는지 눌러서 확인해 보세요.

내려받은 파일의 속을 잠깐 들여다봅시다. 압축 파일이지만 파이썬은 gzip 모듈로 바로 읽을 수 있어요.

표가 아니라 '탭으로 나뉜 글자 줄'이라는 것을 눈으로 확인합니다.

Python Runs in your browser

import gzip

with gzip.open("GSE285342_LLC1_cnt_DDX54.tsv.gz", "rt") as f:
    for i, line in enumerate(f):
        if i >= 4:
            break
        print(repr(line))      # repr 로 보면 탭(\t)과 줄바꿈(\n)이 눈에 보입니다

High school표가 아니라 '탭으로 나뉜 글자 줄'

캡션이 중요한 말을 합니다. 파일이 표처럼 보이지만 사실은 글자라는 것이요.

파일 안에는 탭으로 나뉜 글자 줄이 있을 뿐이다

눈으로 확인하는 것이 왜 중요한가

파일을 안 열어 보고 바로 read_csv 하면 이상해도 모릅니다.

확인할 것	왜
구분자가 탭인가 쉼표인가	틀리면 열이 안 갈린다
첫 줄이 머리글인가	자료가 머리글로 잡힐 수 있다
몇 열인가	기대와 다르면 파일이 다른 것
이상한 문자가 있나	NA · #N/A · 빈 칸

읽기 전에 몇 줄만 눈으로 보는 것 — 1분이면 된다

비유 — 요리 전에 재료 확인

냄비에 넣기 전에 재료를 꺼내 보죠. 상했는지, 개수가 맞는지요.

넣고 나서 이상한 걸 알면 이미 늦습니다.

자료 분석의 첫 단계는 늘 '들여다보기' 다

그리고 이건 /py 9강과 같은 이야기

거기서 SEPT2 가 2-Sep 이 되는 사고를 배웠죠. 엑셀로 열면 조용히 망가집니다.

여기서도 마찬가지예요 — 코드로 읽고, 눈으로 확인합니다.

🤔 Check yourself

GEO 접근번호 GSE285342 에서 GSE 가 뜻하는 것은?

Answer GSE = Series, 연구 하나에 딸린 샘플 전체 묶음입니다. 그 안의 샘플 하나하나는 GSM… 번호를 따로 가집니다.

🤔 Check yourself

파일 이름의 cnt 가 우리에게 왜 반가운 신호일까요?

Answer cnt = count, 원시 개수입니다. 저자가 손대기 전의 재료라서, 정규화부터 통계까지 우리 손으로 다시 할 수 있습니다 — 그래야 독립 재현입니다.

🤔 Check yourself

if not os.path.exists(cache): 를 빼면 어떤 일이 생길까요?