Lesson 8 of 20

실험이 성공했나 — 녹다운부터 확인한다

하류 결과를 믿기 전에 반드시 하는 검사

이제 분석을 시작할 수 있습니다. 그런데 그전에 반드시 해야 할 일이 하나 있어요.

우리가 곧 볼 결론은 전부 "Ddx54 를 껐더니 …" 라는 형태입니다. 그런데 만약 애초에 안 꺼졌다면? 그 뒤의 모든 해석이 무의미해집니다. 그래서 생물정보학자는 하류(downstream) 결과를 보기 전에 실험 조작이 실제로 일어났는지부터 확인합니다. 이것을 sanity check 라고 불러요.

원자료CPMlog2 ✓ 녹다운 확인필터통계경로판정

코드랩의 그 부분입니다.

cpm0 = counts / counts.sum(0) * 1e6 ddx = np.log2(cpm0.loc["Ddx54"] + 1) print(ddx[WT].mean(), ddx[KD].mean())

cpm0.loc["Ddx54"] 는 3강에서 배운 행 하나 꺼내기입니다. 결과는 이름표가 붙은 길이 7짜리 줄(Series)이고, 거기에 [WT] 처럼 이름 목록을 넣으면 원하는 4칸만 골라집니다.

High school하류를 믿기 전에 반드시 하는 검사

이 강의에서 가장 실용적인 교훈일지 모릅니다.

결과를 보기 전에 실험이 성공했는지 먼저 확인한다

무슨 뜻인가

이 연구는 Ddx54 를 껐다고 합니다. 그러면 정말 꺼졌는지부터 봐야죠.

확인 안 하면	무슨 일
안 꺼졌는데 하류를 본다	아무 의미 없는 분석
결과가 안 나온다	"효과가 없구나" ← 틀린 결론
결과가 나온다	다른 이유일 수 있다

실험이 안 됐는데 결과를 해석하면 전부 헛수고

비유 — 시험 전에 답안지 확인

시험지를 냈는데 이름을 안 썼다면? 아무리 잘 봐도 점수가 안 나오죠.

답을 다 맞혔는지 확인하기 전에 이름부터 확인하는 겁니다.

결과를 보면

Ddx54 가 확실히 내려갔다 ✔

그리고 좋은 신호가 하나 더 있습니다 — WT 4개끼리, KD 3개끼리 서로 잘 모여 있어요.

보는 것	왜 좋은 신호인가
군 안에서 값이 비슷	실험이 일관됐다
군 사이는 다름	진짜 차이가 있다

잡음이 작고 신호가 크다 — 좋은 자료다

10강에서 이걸 숫자로 재게 됩니다.

Ddx54 가 확실히 내려갔습니다. WT 4개끼리, KD 3개끼리 서로 잘 모여 있는 것도 좋은 신호입니다.

Python Runs in your browser

import pandas as pd, numpy as np

WT = ["WT_DDX54_1", "WT_DDX54_2", "WT_DDX54_3", "WT_DDX54_4"]
KD = ["KD_DDX54_1", "KD_DDX54_2", "KD_DDX54_3"]
df = pd.read_csv("GSE285342_LLC1_cnt_DDX54.tsv.gz", sep="\t", index_col=0)
counts = df.groupby(level=0).sum()[WT + KD].astype(float)

cpm0 = counts / counts.sum(0) * 1e6
ddx = np.log2(cpm0.loc["Ddx54"] + 1)      # 길이 7짜리 Series

print("샘플별 Ddx54 log2CPM")
for s in WT + KD:
    막대 = "█" * int(ddx[s] * 6)
    print(f"  {s:12s} {ddx[s]:5.2f}  {막대}")

print()
wt, kd = ddx[WT].mean(), ddx[KD].mean()
print(f"WT 평균 {wt:.2f}  →  KD 평균 {kd:.2f}   (Δ = {kd - wt:+.2f})")
print(f"배수로는 {2**(kd - wt):.2f} 배  ≈  {(1 - 2**(kd - wt)) * 100:.0f}% 감소")
print()
print("→ 녹다운 성공. 하류 결과를 믿을 근거가 생겼습니다.")

High school군 안에서 모여 있다는 것

결과를 볼 때 두 가지를 보세요.

무엇	보는 법	좋은 상태
차이 (신호)	WT 평균 vs KD 평균	크다
흩어짐 (잡음)	같은 군 안에서	작다

신호 ÷ 잡음 = 믿을 만한 정도

이게 t 값의 정체입니다

10~13강에서 배울 t 통계량이 정확히 이 비율이에요.

t = 차이 ÷ 흩어짐

어렵게 보이지만 발상은 단순합니다 — 차이가 크고 흩어짐이 작으면 믿을 만하다.

비유 — 소리 듣기

상황	들리나
큰 소리 + 조용한 방	잘 들린다 ✔
큰 소리 + 시끄러운 방	안 들릴 수 있다
작은 소리 + 조용한 방	들린다
작은 소리 + 시끄러운 방	못 듣는다

소리의 절대 크기가 아니라 주변 소음 대비가 중요하다

그래서 실험 설계가 중요합니다

신호를 키우기 어려우면 잡음을 줄이면 됩니다.

같은 조건에서 실험한다
같은 날 · 같은 사람이 한다
짝지어 비교한다

/stat 10강의 "n 을 늘리는 것보다 잡음을 줄이는 게 쌀 때가 많다" 가 여기 걸립니다.

High schoolSeries 에서 여러 칸 고르기

note 가 ddx[WT] 라는 문법을 설명합니다. 간단해 보이지만 강력해요.

ddx[WT] = WT 리스트에 있는 이름들만 골라낸다

1강의 리스트가 여기서 쓰입니다

1강에서 만든 WT = [시료 4개] 를 그대로 넣으면 그 네 개만 나옵니다.

코드	결과
`ddx`	7개 전부
`ddx[WT]`	WT 4개만
`ddx[KD]`	KD 3개만

이름으로 고르니 순서가 바뀌어도 안전하다

4강에서 말한 그 이야기입니다 — 번호보다 이름이 안전해요.

그리고 결과 타입

퀴즈가 ddx[WT] 의 타입을 묻습니다.

결과도 Series — 이름표가 붙은 1차원 자료

타입	무엇
Series	이름표 붙은 1차원 (한 유전자의 여러 시료)
DataFrame	이름표 붙은 2차원 (표 전체)

Series 라서 좋은 점

.mean() · .std() 같은 걸 바로 쓸 수 있습니다. 그리고 결과에 이름표가 남아 있어요.

이름표가 남으면 어느 시료인지 계속 알 수 있다

numpy 배열로 바꾸면 이름이 사라집니다. 그래서 가능한 한 오래 pandas 로 다루는 게 좋아요.

🎮 녹다운 막대그래프

샘플을 눌러 켜고 꺼 보세요. 어떤 샘플을 빼면 평균이 얼마나 흔들리는지, WT 안의 흔들림과 WT-KD 사이의 차이 중 어느 쪽이 큰지 직접 비교해 보세요. 이 비교가 바로 다음 강부터 시작할 통계의 정체입니다.

High school'완전히 껐다' 가 아닙니다

note 가 중요한 구별을 합니다.

녹다운(knockdown) ≠ 녹아웃(knockout)

	녹다운 (KD)	녹아웃 (KO)
무엇을	발현을 줄인다	유전자를 없앤다
결과	30~70% 남는다	0
방법	siRNA · shRNA	CRISPR 등
비유	볼륨을 낮춘다	선을 끊는다

Δ = −0.81 → 약 57% 남아 있다

왜 완전히 안 끄나

기술적으로 어렵다
완전히 끄면 세포가 죽을 수 있다
부분적 억제가 오히려 약과 비슷하다

세 번째가 중요하다 — 약도 완전히 못 막는다

실제 약이 표적을 100% 막는 경우는 거의 없어요. 그러니 부분 억제로도 효과가 있는지 보는 게 더 현실적입니다.

그리고 결론을 조심해야 합니다

말할 수 있는 것	말할 수 없는 것
"발현을 절반으로 줄이면 이런 일이 생긴다"	"이 유전자가 없으면 이렇게 된다"

한 실험이 답하는 것은 그 조건에서만이다

/immunology 7강의 "무엇을 뺐는지 알면 결론을 어디까지 믿을지 안다" 와 같은 태도예요.

🤔 Check yourself

하류 분석을 하기 전에 Ddx54 자체 발현부터 확인하는 이유는?

🤔 Check yourself

ddx[WT] 의 결과 타입은?

Answer 이름 리스트로 골랐으므로 결과도 여러 칸, 즉 Series 입니다. 그래서 곧바로 .mean() 을 이어 붙일 수 있습니다.

🤔 Check yourself

Δ(KD − WT) 가 −0.81 이라는 것은?