20강 / 20강

원자료를 받으면 처음 할 일

20강에서 만든 도구 · 점검 목록 · 다음 걸음

우리가 지나온 길

부	한 일	남은 도구
1~4강	파일을 열고 형식과 품질을 확인했다	`reads()` · `phred()` · `per_position()`
5~8강	무엇이 섞여 있는지 밝혔다	중복 · `is_rrna()` · 어댑터 · 트리밍
9~13강	read 를 유전자에 붙였다	`index()` · `rc()` · `assign()`
14~17강	표를 만들고 정답지와 견줬다	`table()` · 깊이 곡선 · 천장
18~20강	진짜 도구와 견주고 한계를 적었다	판정 코드

고등학생원자료를 받으면 처음 할 일

스무 강을 점검 목록 하나로 압축하면 이렇다.

순서	확인할 것	강
1	read 개수 · 길이 · 페어 여부	1강
2	품질 인코딩 · 위치별 품질	3~4강
3	중복률 — 조건 간에 다른가	5강
4	rRNA · 어댑터 · polyA 비율	6~7강
5	가닥 여부를 자료에서 확인	11강
6	메타데이터와 자료가 일치하는가	2강

여섯 항목이면 대부분의 큰 사고를 미리 잡는다. 정렬을 시작하기 전에 하는 것이 핵심이다. 잘못된 자료로 사흘 계산하고 나서 알게 되는 것보다 훨씬 낫다.

전처리 점검은 시간 낭비가 아니라 시간 절약이다

코드가 아니라 코드를 믿을 근거가 이 강의의 내용이었습니다.

Python 브라우저에서 실행

import bu

# 20강 전체가 이 여섯 줄로 압축됩니다.
idx = bu.index()                       # ① 참조를 k-mer 사전으로
T = bu.table()                         # ② read 를 붙여 카운트 표로
pub = bu.cpm(bu.published())           # ③ 정답지

import numpy as np
from scipy import stats
m = T["WT_1"].astype(float)
p = pub["WT_DDX54_1"].reindex(T.index).fillna(0)
r = stats.pearsonr(np.log2(m + 1), np.log2(p + 1))[0]

print(f"색인 {len(idx):,} k-mer · 표 {T.shape[0]} × {T.shape[1]} · r = {r:.3f}")
print()
print("코드는 짧습니다. 20강은 이 숫자를 '믿을 수 있게' 만드는 과정이었습니다.")

FASTQ 를 받으면 이 순서로

형식 — read 수 · 길이 · 서열과 품질 길이 일치 (1강)
이름 — 기계·레인·타일. 메타데이터와 맞는지 (2강)
품질 — 위치별 곡선. 표본끼리 겹쳐 그리기 (3~4강)
오염 — 가장 흔한 서열의 정체를 반드시 밝힐 것 (5~6강)
끝단 — 어댑터·polyA. 그리고 자를지 말지는 재어 보고 정하기 (7~8강)
참조 — 어떤 주석·어떤 버전인지 적어 둘 것. 결과가 여기서 갈린다 (13·17강)
가닥 — 자료에게 물어볼 것. 거꾸로 넣으면 카운트가 0 이 된다 (11강)
깊이 — 목적에 맞는지. 그리고 깊이보다 표본 수 (15강)

여덟 줄 중 여섯은 카운트 표를 만들기 전에 하는 일입니다. 분석에서 가장 많은 사고가 여기서 납니다 — 그리고 여기서 난 사고는 아래로 내려갈수록 커집니다.

고등학생이 강의가 남기려는 습관 다섯

습관	나온 곳
문서 말고 자료에게 물어라	2강 메타데이터 · 11강 가닥
기본값을 따르기 전에 재 봐라	8강 트리밍
기준선(천장)을 만들고 나서 평가해라	17강
보정은 그 편향이 있을 때만 해라	16강 길이 보정
내린 결정을 전부 적어라	13강 · 19강

공통점 하나

다섯 개 모두 "남이 그러라고 해서" 를 "재 보니까 그렇더라" 로 바꾸는 습관이다. 생물정보학 안내서에는 관행이 많고, 관행 중 상당수는 특정 시대의 특정 자료에 맞춰진 것이다.

내 자료에 맞는지 확인하는 데 드는 시간은 대개 몇 분이다. 그 몇 분이 결론을 바꾼다.

관행은 출발점이지 결론이 아니다

다음 걸음

생물정보학 첫걸음(/bio) — 우리가 만든 표에서 시작해 정규화·차등발현·GSEA 로. 이 강의의 정확한 다음 편입니다.
miRNA-mRNA 첫걸음(/mirna) — 같은 세포의 miRNA 층까지 겹쳐 읽기
생물정보학 데이터셋 첫걸음(/dataset) — 같은 논문의 단일세포 원자료
공간전사체 데이터셋 첫걸음(/spatial) — 좌표가 있는 원자료
유전자탐색 첫걸음(/gene) — TCGA 로 네트워크 추론까지

이 자료로 더 할 수 있는 일

ncrna 파일을 합쳐 Malat1·Gas5 를 되살리기 (13강)
전사체를 여러 개 넣고 multi-mapping 을 EM 으로 나눠 보기 (12·18강)
레인·타일별 품질을 갈라 보기 — 우리는 1번 레인만 봤습니다 (2강)
WT 와 KD 의 배치 차이(중복률·rRNA 비율)가 카운트에 남았는지 추적하기 (5·6강)

고등학생숫자들을 한자리에

숫자	뜻	강
2,500만 × 76	이 자료의 크기	1강
여섯 가지	품질 점수 종류 (압축됨)	3강
37%	중복률	5강
20%	rRNA 비율	6강
0.3% / 20%	어댑터 / polyA	7강
31	k-mer 길이	10강
290 × 7	우리가 만든 표의 크기	14강
0.76 / 0.91 / 84%	우리 값 / 천장 / 천장 대비	14 · 17강

숫자를 외우라는 게 아니다

중요한 것은 이 숫자들이 전부 자기 손으로 센 것 이라는 점이다. 남이 준 표에 적힌 숫자가 아니라, 파일을 열어서 세었다. 그 경험이 남으면 다음 자료에서도 셀 수 있다.

세어 본 사람은 다음에도 센다. 그것이 이 강의가 남기려는 것이다

🎮 되돌아보기

20강에서 나온 숫자들을 한자리에 모았습니다.

고등학생다음 걸음

관심	다음 과목
발현량 표로 실제 분석하기	/geo — 공개 발현 자료 다루기
단일세포로 넘어가기	/tenx · /spatial
시퀀싱 장비 원리	/illumina · /libprep
통계적 판단 다지기	/stat
결과를 그림으로	/viz

스스로 해 볼 것 하나

SRA 에서 아무 RNA-seq 자료나 하나 받아서, 20강의 점검 목록 여섯 항목을 돌려 보라. 어떤 자료든 이상한 점이 하나는 나온다. 그것을 설명할 수 있게 되면 이 강의를 다 배운 것이다.

모든 자료에는 이야기가 있다 — 물어보면 답한다

🤔 확인 문제

FASTQ 를 받았을 때 카운트 표를 만들기 전에 해야 할 일이 아닌 것은?

🤔 확인 문제

이 강의가 강조한 '습관으로 처리하지 않는다' 의 대표적인 예는?

🤔 확인 문제

이 강의 전체를 한 문장으로 옮기면?