Lesson 17 of 20

유전자 하나가 아니라 무리로 — Hallmark 세트

프로그램 단위로 보기, 그리고 마우스→인간 이름 맞추기

16강 마지막에 남긴 문제가 있습니다. Cd47 의 변화는 −0.70, "극적"이라기엔 완만합니다. 개별 유전자만 보면 이런 변화는 놓치기 쉬워요.

그런데 생각해 봅시다. 세포 안에서 유전자는 혼자 일하지 않습니다. "세포가 이동한다", "염증 신호를 켠다" 같은 일은 유전자 수십 개가 한 팀으로 움직여 만들어 내는 결과예요. 이 팀을 경로(pathway) 또는 유전자 세트(gene set) 라고 합니다.

유전자 하나씩 보기

Cd47 −0.70 (p=0.0001)
Fn1 −0.51 (p=0.02)
Col1a1 −0.4 …

하나하나는 그저 그런 변화

팀으로 보기

EMT 팀 33명이 전부 조금씩
같은 방향으로 내려감

우연으로는 설명하기 힘든 일관성

Hallmark — 잘 정리된 50개의 팀

MSigDB 의 Hallmark 는 수많은 연구를 종합해 만든 "대표적인 생물학적 프로그램 50개" 목록입니다. 코드랩은 그중 논문이 지목한 네 개를 씁니다.

🏃

EMT

상피–간엽 전이. 세포가 제자리를 떠나 움직이는 프로그램 — 전이의 시작.

⚡

MYC_TARGETS

Myc 이 켜는 부하 유전자들. 리보솜·대사 등 증식 기계.

🔥

IL6_JAK_STAT3

염증 신호 축. 암세포의 생존과 면역억제에 관여.

🚨

TNFA_NFKB

NF-κB 염증 경로. 만성적으로 켜지면 암을 돕는 쪽으로 기웁니다.

High school하나가 아니라 무리로 봅니다

16강이 남긴 문제 — Cd47 의 −0.70 은 큰 변화인가?

혼자서는 애매하다 — 무리로 보면 분명해진다

무리로 본다는 것

유전자는 혼자 일하지 않습니다. 경로(pathway) 라는 팀으로 움직여요.

혼자 보면	무리로 보면
Cd47 −0.70	이 팀 전체가 내려갔다
Cd38 −0.87
… 그 팀의 50개가 조금씩

작은 변화 50개가 큰 변화 1개보다 강한 증거일 수 있다

비유 — 반 성적

철수 점수가 5점 올랐습니다. 우연일까요? 모르죠.

그런데 반 전체가 평균 5점씩 올랐다면? 뭔가 일어난 겁니다.

여럿이 같은 방향이면 우연으로 설명하기 어렵다

Hallmark 세트

Hallmark 는 널리 쓰이는 유전자 세트 모음입니다. 잘 정리된 50개 경로가 들어 있어요.

세트 예	무엇
EMT	세포가 이동성을 얻는 프로그램
IL6-JAK-STAT3	염증 신호 (`/chem` 14강)
MYC_TARGETS	Myc 가 켜는 유전자들

남이 정리해 둔 지식을 빌려 쓰는 것

이름을 맞춰야 한다 — 마우스와 인간

여기 실무적인 함정이 하나 있습니다. 우리 데이터는 생쥐이고, Hallmark 는 인간 기준으로 만들어졌습니다. 그런데 표기 관습이 다릅니다.

생쥐: Ddx54 Cd47 Myc Fn1 (첫 글자만 대문자) 인간: DDX54 CD47 MYC FN1 (전부 대문자)

다행히 대부분의 유전자는 철자가 같고 대소문자만 다릅니다. 그래서 코드랩은 가장 단순한 방법을 씁니다 — g.upper().

order = np.array([g.upper() for g in des.index])

이것을 리스트 컴프리헨션이라고 합니다. "des.index 의 각 g 에 대해 g.upper() 를 모은 리스트를 만들어라"는 뜻이에요.

High school완벽한 방법은 아닙니다

note 가 한계를 미리 적습니다. 마우스 이름을 인간 이름에 맞추는 문제예요.

Hallmark 는 인간 유전자 이름 — 우리 자료는 생쥐

어떻게 맞추나

이 강의는 대문자로 바꾸는 단순한 방법을 씁니다.

생쥐	대문자로	인간	맞나
Cd47	CD47	CD47	✔
Myc	MYC	MYC	✔
일부 유전자	?	이름이 다르다	✘

대부분 맞지만 전부는 아니다

왜 이름이 다를 수 있나

종마다 명명 규칙이 다르다
중복된 유전자가 종마다 다르다 (하나가 둘이 되기도)
대응되는 유전자가 아예 없을 수도

제대로 하려면 상동성 데이터베이스를 써야 한다

그런데도 이 방법을 쓰는 이유

이유	설명
단순하다	한 줄이면 된다
대부분 맞다	주요 유전자는 이름이 같다
한계를 적었다	알고 쓰면 문제없다

불완전한 방법도 불완전하다고 적으면 쓸 수 있다

/immunology 7강의 깊이비 이야기와 같습니다 — 완벽하지 않지만 어떻게 만들었는지 우리가 안다.

20강에서 이 한계를 다시 짚습니다.

순위 리스트 — GSEA 의 입력

GSEA 는 "어떤 유전자가 유의한가"를 묻지 않습니다. 13,095개 전부를 한 줄로 세운 순위 를 입력으로 받아, 어떤 팀이 그 줄의 위쪽이나 아래쪽에 몰려 있는지를 봅니다.

des = de.sort_values("t", ascending=False) # 큰 t → 작은 t order = [g.upper() for g in des.index] # 이름 (대문자) rk = des["t"].to_numpy() # 그 순서의 t 값

14강에서 예고한 대로, 여기서는 절댓값이 아니라 부호 그대로 정렬합니다. 줄의 맨 위 = KD 에서 가장 올라간 유전자, 맨 아래 = 가장 내려간 유전자가 되어야 방향을 판정할 수 있으니까요.

세트는 그냥 '공백으로 구분된 유전자 이름 문자열' 입니다. split() 한 번이면 리스트.

Python Runs in your browser

import numpy as np
import bio

de = bio.de()
des = de.sort_values("t", ascending=False)             # 부호 그대로 내림차순
order = np.array([g.upper() for g in des.index])       # 마우스 → 대문자
rk = des["t"].to_numpy()

print(f"순위 리스트 {len(order):,}개")
print("맨 위 3개 (KD 에서 가장 올라감):", order[:3], np.round(rk[:3], 1))
print("맨 아래 3개 (KD 에서 가장 내려감):", order[-3:], np.round(rk[-3:], 1))
print()

# 세트의 유전자 중 몇 개가 우리 표에 있는지 확인
있는것 = set(order)
for 이름, 세트 in bio.HALLMARK.items():
    유전자들 = 세트.split()                              # 공백으로 잘라 리스트로
    찾음 = [g for g in 유전자들 if g in 있는것]
    print(f"  {이름:14s} {len(유전자들):3d}개 중 {len(찾음):3d}개 매칭")

print()
print("Ddx54 는 순위 리스트에서 몇 번째?",
      f"{int(np.where(order == 'DDX54')[0][0]):,} / {len(order):,}")

High school세트는 그냥 글자 문자열입니다

캡션이 김빠지는 말을 합니다 — "세트는 그냥 공백으로 구분된 유전자 이름 문자열" 이라고요.

"MYC NPM1 NCL ..." → .split() → 리스트

이게 왜 좋은 소식인가

유전자 세트가 대단한 자료구조일 것 같지만 글자 줄 하나입니다.

그러니 /py 3~4강에서 배운 문자열과 리스트로 다 다룰 수 있어요.

복잡해 보이는 것도 열어 보면 단순하다

split() 이 하는 일

"MYC NPM1 NCL".split() → ["MYC", "NPM1", "NCL"]

공백을 기준으로 잘라서 리스트로 만듭니다. 인자를 안 주면 공백이 기본이에요.

코드	기준
`.split()`	공백 (기본)
`.split("\t")`	탭
`.split(",")`	쉼표

GMT 형식

유전자 세트 파일은 보통 GMT 형식입니다.

세트이름 ⟶ 설명 ⟶ 유전자1 ⟶ 유전자2 ⟶ … (탭으로)

한 줄이 세트 하나예요. 아주 단순합니다.

그리고 이게 좋은 설계입니다

단순하니 어떤 도구로도 읽을 수 있어요. /py 8강의 FASTA 와 같은 이유로 오래 살아남았습니다.

단순한 형식이 오래 간다

🎮 세트 매칭 확인하기

세트를 골라 어떤 유전자가 매칭되고 어떤 유전자가 빠졌는지 보세요. 그리고 각 유전자가 순위 리스트의 어디쯤 있는지도 함께 표시됩니다.

High school부호 그대로 정렬하는 이유

14강에서 절댓값으로 정렬했죠. 여기서는 부호 그대로 정렬합니다. 왜일까요?

GSEA 는 줄의 위아래에 뜻이 있다

순위 리스트를 만들면

위치	어떤 유전자
맨 위	가장 많이 올라간 것
가운데	거의 안 변한 것
맨 아래	가장 많이 내려간 것

위치가 곧 방향과 크기를 나타낸다

그러면 18강에서 이렇게 물을 수 있습니다

"이 팀의 유전자들이 줄의 어디에 몰려 있나?"

몰린 곳	뜻
위쪽	이 경로가 켜졌다
고르게 퍼짐	아무 일 없다
아래쪽	이 경로가 꺼졌다

절댓값으로 정렬하면 위아래가 섞여 이 물음을 못 한다

비유 — 성적순 줄 세우기

학생을 성적순으로 세웁니다. 그리고 "우리 반 학생들이 어디쯤 있나" 를 봐요.

앞쪽에 몰려 있으면 → 잘하는 반
뒤쪽에 몰려 있으면 → 못하는 반
고르게 퍼져 있으면 → 평범한 반

전교 등수에서 우리 반의 위치를 보는 것 — 그게 GSEA

그러려면 등수가 방향을 가져야 합니다. 절댓값으로 세우면 1등과 꼴찌가 섞여 버려요.

🤔 Check yourself

"MYC NPM1 NCL".split() 의 결과는?

Answer split() 은 인자 없이 쓰면 공백을 기준으로 문자열을 잘라 리스트를 만듭니다. 유전자 세트를 한 줄 문자열로 적어 두고 필요할 때 리스트로 펴는 편리한 방법입니다.

🤔 Check yourself

GSEA 순위 리스트를 만들 때 절댓값이 아니라 부호 그대로 정렬하는 이유는?

🤔 Check yourself

g.upper() 로 마우스 이름을 인간 이름에 맞추는 방식의 한계는?