원자료는 표가 아니라
글자 더미입니다
논문에 실리는 것은 깔끔한 카운트 표입니다. 그런데 시퀀서가 실제로 내놓는 것은 76 글자짜리 조각 2,500만 개예요.
이 강의는 그 사이를 직접 잇습니다 — 진짜 FASTQ(SRA SRR31831920~26)를 열어 품질을 재고, 섞여 들어온 리보솜 RNA를 잡아내고, k-mer 색인을 손으로 지어 read를 유전자에 붙이고, 만든 표를 논문이 GEO에 올린 표와 맞춰 봅니다.
이렇게 배웁니다
🧾진짜 read를 만진다
만들어 낸 예시가 아닙니다. SRA에서 받은 SRR31831926의 실제 read 44,000개가 브라우저 안에 들어옵니다. 기기 이름도, 품질 점수도, 오염도 그대로예요.
🔍이상한 것을 끝까지 판다
가장 흔한 서열이 무엇인지, 품질 점수가 왜 여섯 가지뿐인지, SRA 기록이 왜 기기 이름과 안 맞는지 — 넘어가지 않고 밝힙니다.
🔑정렬기를 여덟 줄로 짠다
k-mer 색인 · 역상보 · 첫 일치. salmon이 하는 일의 뼈대를 직접 짜서 44,000 read를 290 유전자에 붙입니다.
⚖️만점을 계산하고 채점한다
"r = 0.76은 좋은 점수인가"는 답할 수 없습니다. 천장이 0.91임을 모의실험으로 구한 뒤에야 84%라고 말할 수 있어요.
전체 커리큘럼
01
원자료는 표가 아니라 글자 더미다
FASTQ 네 줄의 구조 · 2,500만 개의 76 글자
✓
02
read 이름이 말해 주는 것 — 그리고 메타데이터가 틀렸다
기기 · 플로우셀 · 레인 · 타일 · 좌표 · 그리고 SRA 기록과의 불일치
✓
03
품질 점수 — 글자 하나가 확률 하나
Phred 점수와 ASCII · 그리고 이 자료의 품질이 여섯 가지뿐인 이유
✓
04
위치별 품질 — 어디서부터 나빠지는가
76 자리의 평균 품질 곡선 · N 은 어디에 몰리나
✓
05
똑같은 read 가 자꾸 나온다 — 중복 37%
PCR 중복인가 진짜 발현인가 · RNA-seq 에서 중복을 지우면 안 되는 이유
✓
06
가장 흔한 서열의 정체 — read 다섯 개 중 하나가 리보솜
45S rDNA 에서 그 자리를 찾아낸다 · 왜 돈을 20% 버렸나
✓
07
read 끝에 붙은 것들 — 어댑터와 polyA 꼬리
어댑터는 0.3% 뿐인데 polyA 는 20% · 무엇이 진짜 문제인가
✓
08
자를 것인가 말 것인가 — 직접 잘라 보고 정한다
품질 트리밍 · polyA 트리밍 · 그리고 아무 효과도 없었다는 결과
✓
09
read 를 유전자에 붙이는 두 가지 길
게놈 정렬(STAR)과 유사정렬(salmon) · 왜 브라우저에서도 되는가
✓
10
k-mer 색인을 직접 짓는다
31 글자로 자르고 사전에 담는다 · 왜 하필 31인가
✓
11
가닥 — 역상보를 잊으면 절반을 잃는다 (이 자료는 아니지만)
라이브러리가 가닥 정보를 지켰는지 자료에서 직접 알아낸다
✓
12
44,000 read 를 290 유전자에 붙인다
붙이는 함수를 짜고 · 어느 유전자인지 정할 수 없는 read 를 만난다
✓
13
이름이 안 맞는다 — 상위 300개 중 16개를 못 찾았다
바뀐 유전자 이름 · 다른 파일에 있는 것 · 참조에 아예 없는 것
✓
14
카운트 표를 만들고 공개 표와 맞춰 본다
우리 손으로 만든 290 × 7 · 그리고 r = 0.76
✓
15
깊이가 정확도를 만든다 — 왜 2,700만 개를 읽는가
500 개에서 20,000 개까지 · 그리고 Ddx54 는 끝내 안 보인다
✓
16
긴 유전자가 read 를 더 받는다 — 그런데 나누면 더 나빠졌다
TPM · FPKM 이 무엇을 고치는가 · 그리고 언제 쓰면 안 되는가
✓
17
우리가 낼 수 있었던 최고점 — 천장을 계산한다
뽑기 잡음만으로 정해지는 상한 0.91 · 우리는 0.76, 즉 그 84%
✓
18
진짜 파이프라인은 무엇을 더 하나
STAR · salmon · featureCounts 가 우리 여덟 줄에 더하는 것들
✓
19
판정 — 우리가 만든 표는 쓸 만한가
할 수 있는 것과 할 수 없는 것을 줄마다 적는다
✓
20
원자료를 받으면 처음 할 일
20강에서 만든 도구 · 점검 목록 · 다음 걸음
✓