19강 / 20강

판정 — 우리가 만든 표는 쓸 만한가

할 수 있는 것과 할 수 없는 것을 줄마다 적는다

18강까지 온 길을 항목별로 채점합니다. 기준은 하나 — 우리 표로 그 질문에 답해도 되는가.

고등학생쓸 만한가 — 항목별로 채점

우리가 만든 표를 총평 한 줄로 판정하지 않는다. 용도별로 나눠서 채점한다.

용도	쓸 만한가	근거
강한 발현 변화 탐지	대체로 가능	r=0.76, 상위 유전자는 잘 맞음
미묘한 발현 차이	불가	깊이 부족 (15강)
희귀 전사체	불가	Ddx54 사례
전사체(isoform) 수준	불가	이어붙이기 미처리 (18강)
통계적 유의성 판정	불가	반복 · 정규화 미비

이 표 자체가 결과물이다

"우리 표는 괜찮다" 나 "우리 표는 못 쓴다" 는 둘 다 게으른 결론이다. 어떤 질문에는 답할 수 있고 어떤 질문에는 못 한다 가 정확한 결론이다.

자료의 품질은 자료의 성질이 아니라 자료와 질문의 관계다

판정을 코드로 적어 둡니다. 자료가 바뀌면 판정도 저절로 다시 계산됩니다.

Python 브라우저에서 실행

import bu
import numpy as np
from scipy import stats

T = bu.table(); cpm = bu.cpm(bu.published())
g = T.index
m1 = T["WT_1"].astype(float)
p1 = cpm["WT_DDX54_1"].reindex(g).fillna(0)
r1 = stats.pearsonr(np.log2(m1 + 1), np.log2(p1 + 1))[0]

# 표본 전체의 평균 상관
rs = []
for s in bu.SAMPLES:
    m = T[s].astype(float); p = cpm[bu.PUB[s]].reindex(g).fillna(0)
    rs.append(stats.pearsonr(np.log2(m + 1), np.log2(p + 1))[0])

# 상위 20개 유전자의 순위가 얼마나 맞나
top_pub = list(p1.sort_values(ascending=False).index[:20])
top_mine = list(m1.sort_values(ascending=False).index[:20])
overlap = len(set(top_pub) & set(top_mine))

# WT 와 KD 를 우리 표로 가를 수 있나 — Ddx54 로
ddx_wt = T.loc["Ddx54", bu.WT].sum() if "Ddx54" in T.index else 0
ddx_kd = T.loc["Ddx54", bu.KD].sum() if "Ddx54" in T.index else 0

checks = [
    ("FASTQ 를 열고 형식을 확인할 수 있다", True, "76bp · 품질 길이 일치 · 20,000 read"),
    ("품질 문제를 잡아낼 수 있다", True, "위치별 Q · N 비율 · 표본 간 비교까지"),
    ("오염(rRNA)의 정체와 양을 밝힐 수 있다", True, f"rDNA 8,122번 자리 · 16~22%"),
    ("가닥 특이성을 알아낼 수 있다", True, "정방향 97%"),
    ("고발현 유전자의 순위를 재현할 수 있다", overlap >= 12,
     f"상위 20개 중 {overlap}개 일치"),
    ("공개 표와 전반적으로 일치한다", np.mean(rs) > 0.6,
     f"평균 r = {np.mean(rs):.3f} (WT_1 은 {r1:.3f})"),
    ("천장 대비 성능을 말할 수 있다", True, "천장 0.910 · 우리 0.762 · 84%"),
    ("저발현 유전자를 셀 수 있다", ddx_wt + ddx_kd >= 20,
     f"Ddx54 총 {int(ddx_wt + ddx_kd)}개 — 셀 수 없다"),
    ("WT 와 KD 의 차등발현을 볼 수 있다", False,
     "유전자당 평균 수 개 — 검정이 불가능"),
    ("이형질체·스플라이싱을 볼 수 있다", False, "전사체를 하나만 골랐다"),
]

print(f"{'항목':<38}{'판정':>5}  근거")
print("-" * 92)
for name, ok, why in checks:
    print(f"{name:<38}{'가능' if ok else '불가':>5}  {why}")
print("-" * 92)
n = sum(1 for _, ok, _ in checks if ok)
print(f"{n} / {len(checks)} 항목 가능")

결과 — 10개 중 7개 가능

✅ 할 수 있는 것 (7)

형식 확인 · 품질 진단 · 오염 정량 · 가닥 판정 · 고발현 유전자 순위 · 공개 표와의 전반적 일치 · 천장 대비 평가

read 44,000개로도 충분한 일들

❌ 할 수 없는 것 (3)

저발현 유전자 세기 · 차등발현 · 이형질체 분석

깊이와 참조 설계의 한계

가장 중요한 ❌ 는 차등발현입니다. 이 논문의 주제가 "Ddx54 를 끄면 무엇이 변하나" 인데, 우리 표로는 그 질문에 답할 수 없습니다 — 유전자당 카운트가 평균 몇 개뿐이라 WT 와 KD 를 가를 통계적 힘이 없습니다.

그 질문은 생물정보학 첫걸음(/bio)이 맡습니다. 거기서는 공개 카운트 표에서 출발하니까요. 이 강의는 그 표가 어디서 왔는지를 맡았습니다.

고등학생우리가 하지 않은 것 — 명확히 밝힌다

연구를 발표할 때 가장 중요한 부분 중 하나가 한계 서술 이다. 이 강의에서 안 한 것들을 모아 적는다.

안 한 것	결과에 미친 영향
전체 전사체 대신 290 패널	정규화 분모가 틀림 · 다중매핑 과소평가
2,500만 대신 44,000 read	천장이 0.91 로 내려감
이어붙이기 미처리	read 약 1/3 손실
생물학적 반복 없음	통계 검정 불가
배치 효과 미고려	시료 간 비교에 편향 가능

왜 이걸 굳이 적나

한계를 적는 것은 겸손이 아니라 정확함 이다. 읽는 사람이 이 결과를 어디까지 믿어야 할지 판단할 수 있게 해 준다. 한계를 안 적으면 독자가 과대해석하고, 그 책임은 저자에게 있다.

한계 목록이 없는 결과 보고는 미완성이다

우리가 하지 않은 것 — 명확히 밝힙니다

전체 read 를 쓰지 않았습니다. 표본당 2,700만 개 중 150만 개로 품질을 재고, 그중 44,000개만 실었습니다. 비율 통계(rRNA·중복·가닥)는 150만 개면 충분히 안정되지만, 카운트 표는 그렇지 않습니다.

파일 앞부분만 썼습니다. 고르게 뽑기는 했지만, 그 대상은 각 런의 앞 70MB(1번 레인의 앞쪽 타일 45~53개)였습니다. 뒤쪽 레인에서 품질이 무너졌다면 우리는 못 봅니다.

참조를 290 유전자로 줄였습니다. 그래서 매핑률 26%는 실제 파이프라인의 성능이 아닙니다. 전사체 전부를 쓰면 80~90%가 나옵니다.

스플라이싱·이형질체·편향 보정을 하지 않았습니다.

재현 연구에서 안 한 것을 안 했다고 적는 일은 한 것을 적는 일만큼 중요합니다.

고등학생그래도 이 표로 할 수 있는 일

한계만 나열하면 균형이 안 맞는다. 할 수 있는 것도 적자.

할 수 있는 것	왜
KD 가 실제로 표적을 줄였는지 확인	표적 유전자는 발현이 높아 잘 잡힘
시료가 뒤바뀌지 않았는지 확인	시료 간 상관 구조로 확인 가능
공개 자료의 재현성 점검	우리 표와 대체로 맞으면 저자 표가 신뢰됨
파이프라인 학습 · 시험	이 강의의 목적

두 번째 줄이 실무에서 매우 유용하다

공개 자료를 받으면 얕게 처리해서 시료 신원부터 확인 하는 것이 좋은 습관이다. 전체를 다 돌리기 전에 몇 분 만에 큰 실수를 잡을 수 있다. 시료가 뒤바뀐 공개 자료는 생각보다 흔하다.

거친 분석에도 제 몫이 있다 — 큰 오류는 거친 분석에서 먼저 보인다

🎮 판정기

기준을 옮겨 보세요. 같은 자료가 다른 결론이 됩니다.

고등학생재현 가능하게 만드는 것

결과의 값어치는 남이 다시 해서 같은 값이 나오는가 로 정해진다. 그러려면 몇 가지가 기록되어야 한다.

기록할 것	이유
자료 출처 · 접근 번호	같은 자료로 시작해야 함
참조 버전	주석이 바뀌면 결과가 바뀜 (13강)
도구 이름과 버전	기본값이 버전마다 다름
실제로 쓴 명령과 옵션	기본값을 바꿨다면 특히
무작위 씨앗	표본 추출이 들어갔다면 필수

마지막 줄을 자주 빠뜨린다

이 강의에서 44,000개를 뽑을 때도 무작위성이 들어갔다. 씨앗을 고정하지 않으면 돌릴 때마다 r 값이 조금씩 달라진다. 자기가 다시 돌려도 다른 값이 나오는데 남이 재현할 리 없다.

무작위성을 썼으면 씨앗을 적는다 — 이것이 재현성의 최소 조건이다

🤔 확인 문제

우리 카운트 표로 차등발현을 볼 수 없는 가장 직접적인 이유는?

🤔 확인 문제

우리 매핑률 26%가 실제 파이프라인의 성능이 아닌 이유는?

🤔 확인 문제

이 강의와 /bio 생물정보학 첫걸음의 관계로 알맞은 것은?