13강 / 20강

이름이 안 맞는다 — 상위 300개 중 16개를 못 찾았다

바뀐 유전자 이름 · 다른 파일에 있는 것 · 참조에 아예 없는 것

참조 패널을 만들 때 이런 일이 있었습니다. 공개 카운트 표에서 발현 상위 300개를 골라 Ensembl cDNA 에서 찾았는데, 16개는 이름으로 찾을 수가 없었습니다.

발현이 낮은 유전자였다면 그러려니 하겠지만, 이들은 상위 300위 안 입니다. 평균 CPM 이 600~1,300 인 것들이죠. 무슨 일일까요?

고등학생이름이 안 맞는다

read 를 다 붙였는데 마지막 관문이 남았다. 유전자 이름이 서로 안 맞는다. 상위 300개 중 16개 를 참조에서 찾지 못했다.

이건 생물학 문제가 아니라 이름 관리 문제다

같은 유전자가 여러 이름을 갖고, 이름이 시간이 지나면서 바뀐다. 연구자마다 다른 이름을 쓰고, 데이터베이스마다 갱신 시점이 다르다.

못 찾은 이유	예
이름이 바뀜	옛 심볼 → 새 심볼
다른 파일에 있음	비암호 RNA 목록에 따로
참조에 아예 없음	주석 버전이 다름
대소문자 · 종 차이	사람 GENE vs 생쥐 Gene

분석의 상당 부분은 생물학이 아니라 이름 맞추기다

이름 하나로 두 자료를 잇는 일은 생각만큼 안전하지 않습니다.

Python 브라우저에서 실행

import bu

pub = bu.published()
cpm = bu.cpm(pub)
top300 = list(cpm.mean(axis=1).sort_values(ascending=False).index[:300])
panel = bu.panel()

missing = [g for g in top300 if g not in panel]
print(f"상위 300개 중 참조에서 못 찾은 것 : {len(missing)}개")
print()
print(f"{'유전자':<14}{'평균 CPM':>10}")
for g in missing:
    print(f"{g:<14}{cpm.loc[g].mean():>10.0f}")

세 가지 이유

옛 이름	요즘 이름	왜
Atp5a1 · Atp5b · Atp5g3	Atp5f1a · Atp5f1b · Atp5mc3	ATP 합성효소 명명법이 통째로 정리됐다
Gars · Nars · Sars · Eprs	Gars1 · Nars1 · Sars1 · Eprs1	tRNA 합성효소들에 1 이 붙었다
Gnb2l1	Rack1	G단백질 소단위인 줄 알았는데 아니었다
Ptrf · Sdpr	Cavin1 · Cavin2	기능이 밝혀져 이름이 바뀌었다
Hist1h1e	H1f4	히스톤 명명법 개편
Sept7	Septin7	엑셀이 Sept7 을 '9월 7일' 로 바꿔 버려서
Gas5 · Malat1 · D17H6S56E-5	(그대로)	lncRNA — `cdna` 가 아니라 `ncrna` 파일에 있다
Rn45s	—	Ensembl 참조에 없다. 그런데 read 의 20% 다(6강)

마지막 두 줄이 특히 얄궂습니다. Malat1 은 아주 많이 발현되는 lncRNA 인데 cdna.all.fa 에 없어서 놓쳤습니다 — 파일을 하나 더 받았어야 했죠. Rn45s 는 45S 전구 rRNA 입니다. 6강에서 본 그 rRNA 요. 공개 카운트 표에는 있는데 Ensembl 참조에는 없습니다.

고등학생Sept7 과 엑셀

가장 유명한 사례를 짚고 간다. 유전자 SEPT7(셉틴 7)을 엑셀에 넣으면 "9월 7일" 로 바뀐다. MARCH1 은 3월 1일, DEC1 은 12월 1일이 된다.

이게 얼마나 흔한가

2016년 조사에서, 주요 유전체학 학술지에 실린 보충 자료 파일의 약 20% 에 이 오류가 있었다. 다섯 편 중 한 편이다.

2020년에 HGNC(유전자 이름 위원회)가 결국 항복하고 유전자 이름을 바꿨다. SEPT7 → SEPTIN7, MARCH1 → MARCHF1. 소프트웨어를 고치는 대신 생물학의 이름을 바꾼 것이다.

여기서 배울 것

도구의 자동 변환 은 편의를 위한 기능이지만 자료를 조용히 망가뜨린다. 그리고 망가진 것을 알아채기 어렵다 — 날짜도 그럴듯해 보이니까. 11강에서 말한 "조용히 틀리는 오류" 의 또 다른 예다.

자동으로 해 주는 기능은 자동으로 망가뜨리기도 한다

고칠 수 있는 것과 없는 것을 갈라 세는 것이 문제 해결의 시작입니다.

Python 브라우저에서 실행

import bu

# 이름을 고쳐 주면 몇 개나 되살아나나
FIX = {"Atp5a1": "Atp5f1a", "Atp5b": "Atp5f1b", "Atp5g3": "Atp5mc3",
       "Eprs": "Eprs1", "Gars": "Gars1", "Nars": "Nars1", "Sars": "Sars1",
       "Gnb2l1": "Rack1", "Ptrf": "Cavin1", "Sdpr": "Cavin2",
       "Hist1h1e": "H1f4", "Sept7": "Septin7"}

pub = bu.published()
cpm = bu.cpm(pub)
top300 = list(cpm.mean(axis=1).sort_values(ascending=False).index[:300])
panel = bu.panel()
missing = [g for g in top300 if g not in panel]

fixed = [g for g in missing if FIX.get(g)]
still = [g for g in missing if g not in FIX]
print(f"이름만 고치면 살아나는 것 : {len(fixed)}개")
print(f"그래도 남는 것           : {len(still)}개  {still}")
print()
print("남는 넷 중 셋은 ncrna 파일에 있고, Rn45s 는 Ensembl 에 아예 없습니다.")
print("즉 '참조 파일을 하나 더 받았어야 했다' 가 절반, '참조의 한계' 가 나머지입니다.")

그래서 어떻게 해야 하나

유전자 이름이 아니라 안정된 ID로 이어 붙인다.

ENSMUSG00000026193 같은 Ensembl 유전자 ID 나 NCBI Entrez ID 는 거의 바뀌지 않습니다. 이름은 사람이 읽으라고 있는 것이지, 자료를 잇는 열쇠가 아닙니다.

그런데 이 자료의 공개 카운트 표에는 이름밖에 없습니다. 그래서 우리는 이름으로 이을 수밖에 없었고, 16개를 잃었습니다. 표를 만들어 공개할 때 ID 열을 함께 넣어야 하는 이유가 이것입니다.

고등학생이름 대신 ID 를 쓴다

근본적인 해법은 이름을 쓰지 않는 것이다. 안정한 식별자 를 쓴다.

식별자	예	성질
유전자 심볼	TP53	사람이 읽기 좋음 · 바뀜
Ensembl ID	ENSG00000141510	안정 · 버전 있음
NCBI Gene ID	7157	안정
HGNC ID	HGNC:11998	안정 · 권위 있음

실무 원칙

계산은 ID 로 하고, 표시할 때만 심볼로 바꾼다. 주민등록번호로 관리하고 이름으로 부르는 것과 같다. 이름이 같은 사람이 있어도, 개명을 해도 문제가 없다.

ID 에도 버전이 붙는다는 점(ENSG….15)은 또 다른 함정이다. 버전까지 맞추면 완벽하고, 버전을 떼면 대체로 맞는다.

사람이 읽는 이름과 기계가 쓰는 이름은 분리해야 한다

🎮 이름 대조기

못 찾은 16개를 하나씩 눌러 이유를 확인하세요.

고등학생16개를 어떻게 처리할 것인가

선택	결과
버린다	정직하지만 정보 손실 — 하위 5%면 대개 무해
수동으로 맞춘다	정확하지만 재현이 어려움 — 반드시 기록
별칭 표를 써서 자동 매핑	가장 좋음 — HGNC 별칭 파일 사용

어느 쪽이든 반드시 기록한다

"300개 중 16개를 매핑하지 못해 제외했다" 는 한 줄이 논문 방법 절에 들어가야 한다. 그래야 남이 재현할 수 있다.

이 강의가 계속 강조하는 것 — 선택 자체보다 선택을 밝히는 것이 중요하다. 8강 트리밍, 12강 다중 매핑, 여기 이름 매핑까지 전부 같은 원칙이다.

기록되지 않은 결정은 없었던 결정이 아니라 숨겨진 결정이다

🤔 확인 문제

두 자료를 유전자 이름으로 잇는 것이 위험한 이유는?

🤔 확인 문제

Sept7 이 Septin7 로 바뀐 직접적인 계기는?

🤔 확인 문제

Malat1 을 참조에서 못 찾은 이유는?

해설 Ensembl 은 cdna.all.fa(단백질 만드는 것 중심)와 ncrna.fa(비암호 RNA)를 따로 배포합니다. lncRNA 까지 세려면 두 파일을 합쳐야 하는데, 우리는 하나만 썼습니다.