4강 / 20강

【실습】 관문 유전자를 범암에서 본다

표본 10,071개 · 암종 31종 · 어디에 브레이크가 많이 걸려 있나

자료를 직접 엽니다. cBioPortal 의 TCGA PanCanAtlas 발현입니다.

표본 10,071 × 유전자 39 · 단위 log2(RSEM 정규화 카운트 + 1)
포함 기준 — CD274 · PDCD1 · CD8A 세 값이 모두 있는 표본만

기준을 먼저 적었습니다. 왜냐하면 무엇을 뺐는지 모르면 그다음 숫자를 견줄 수 없기 때문입니다.

고등학생범암 자료라는 것

이 실습에서 여는 자료는 표본 10,071개, 암종 31종 이다. 한 암종을 깊게 보는 대신 여러 암종을 나란히 놓고 본다.

왜 이렇게 보나

한 암종만 볼 때	여러 암종을 볼 때
그 암의 특징을 자세히	암종 간 차이가 보임
"높다" 의 기준이 없음	서로가 서로의 기준선
일반화 어려움	공통점과 예외를 구분

키가 175cm 인 사람이 큰지 작은지는 다른 사람들과 견줘야 안다. 범암 분석은 그 비교 대상을 만드는 일이다.

기준선이 없으면 어떤 값도 해석할 수 없다 — 여러 암종이 서로의 기준선이 된다

가장 큰 것이 유방암(BRCA), 가장 작은 것이 자궁육종(UCS)입니다.

Python 브라우저에서 실행

# 표를 연다
import cp

d = cp.expr()
print(f"{len(d):,} 표본 × {d.shape[1]-2} 유전자")
print()
print(cp.studies().head(10).to_string())
print("...")
print(f"암종 {len(cp.studies())}종")

자료를 열면 <b>제일 먼저 의심해 보는</b> 습관. 이상한 값의 정체를 알고 넘어갑니다.

Python 브라우저에서 실행

# 자료를 의심해 본다 - 이상한 값이 없나
import cp
import numpy as np

d = cp.expr()
num = d.drop(columns=["표본", "암종"])
음수 = int((num < 0).sum().sum())
print(f"전체 칸 {num.size:,}개 중 음수 {음수}개 ({100*음수/num.size:.3f}%)")
print(f"가장 작은 값 {num.min().min():.3f}")
print()
print("log2(RSEM + 1) 이면 음수가 나올 수 없어야 합니다.")
print("원자료에 **아주 작은 음수 RSEM** 이 섞여 있다는 뜻이에요 -")
print("정규화·배치보정에서 0 근처가 살짝 밀린 것입니다.")
print()
print("우리는 이것을 **지우지 않았습니다.** 대신 이 강의는 순위상관을 씁니다.")
print("**눈금을 온전히 믿지 않기 때문**입니다. 순위만 쓰면 이 밀림이 결과를 못 바꿔요.")

고등학생덩어리 발현이라는 한계

이 자료는 덩어리(bulk) RNA-seq 이다. 종양 조각을 통째로 갈아서 RNA 를 읽었다.

그러면 무엇이 섞이나

덩어리 안에 있는 것
암세포
T세포 · B세포 · NK세포
대식세포 · 수지상세포
섬유아세포 · 혈관내피세포

PD-1 유전자 발현이 높게 나왔다면? T세포 하나하나가 PD-1 을 많이 내는 것 일 수도, T세포 수가 많은 것 일 수도 있다. 덩어리 자료로는 구별할 수 없다.

이것이 이 강의 내내 걸리는 제약이다

7강, 20강에서 "덩어리로는 못 하는 이야기" 가 반복해서 나온다. 단일세포 자료가 필요한 지점이다 — /tenx, /spatial.

"많다" 가 "세포당 많다" 인지 "세포가 많다" 인지 — 덩어리 자료의 근본 모호함

맨 위가 흉선종(THYM)입니다 — 흉선은 원래 림프구로 가득한 기관이에요. 그다음이 두경부암·폐편평세포암.

Python 브라우저에서 실행

# 암종별로 PD-L1 이 얼마나 높나
import cp

v = cp.by_study("CD274")
print("CD274 (PD-L1) 중앙값 — 높은 순")
for 암종, x in v.items():
    막대 = "█" * int((x - v.min()) * 12)
    print(f"  {암종:<10}{x:>6.2f}  {막대}")

고등학생발현량을 비교하려면

표본마다 시퀀싱 깊이가 다르고, 유전자마다 길이가 다르다. 그대로 비교하면 안 된다. 몇 가지 처리가 필요하다.

처리	고치는 것
깊이 정규화	표본마다 read 총수가 다름
길이 보정 (TPM 등)	유전자끼리 비교할 때
로그 변환	발현량이 몇 자릿수에 걸침
표준화 (z 점수)	유전자 간 눈금을 맞춤

마지막 줄에 함정이 있다

z 점수는 어느 집합에서 평균과 표준편차를 냈느냐 에 따라 값이 달라진다. 전체 10,071개에서 표준화한 값과, 폐암 표본만 모아 표준화한 값은 다른 수 다.

11강과 12강에서 이 문제를 정면으로 다룬다. 표준화를 어느 표에서 하느냐가 점수를 바꾼다.

정규화는 중립적인 전처리가 아니라 비교 대상을 정하는 선택이다

다음 강에서 이 얽힘을 풀 실마리를 찾습니다.

Python 브라우저에서 실행

# 관문 유전자 여섯 개를 한 표로
import cp
import pandas as pd

관문 = ["PDCD1", "CD274", "CTLA4", "LAG3", "HAVCR2", "TIGIT"]
T = pd.DataFrame({g: cp.by_study(g) for g in 관문}).round(2)
T["CD8A"] = cp.by_study("CD8A").round(2)
print(T.sort_values("CD8A", ascending=False).head(12).to_string())
print("...")
print(T.sort_values("CD8A").head(5).to_string())
print()
print("CD8A 로 줄 세우면 관문 여섯 개가 **대체로 같이** 오르내립니다.")
print("이것이 이 강의에서 계속 걸리는 문제예요 - **관문 발현은 T세포 양의 대리 지표**입니다.")

고등학생높은 게 좋은 걸까 나쁜 걸까

어떤 암종에서 PD-1, PD-L1, CTLA-4 발현이 높게 나왔다. 좋은 소식인가 나쁜 소식인가? 이 자료만으로는 알 수 없다.

두 가지 읽기가 다 가능하다

읽기	논리
좋은 신호	T세포가 와 있다 → 브레이크를 풀면 반응할 것
나쁜 신호	억제가 강하다 → 이미 T세포가 무력화됨

둘 다 그럴듯하다. 실제로 암종마다 답이 다르다.

이것을 정직하게 인정하는 것이 중요하다

발현 자료는 상태 를 보여 주지 결과 를 보여 주지 않는다. "이 암종은 면역치료가 잘 들 것" 이라고 말하려면 실제로 치료받은 환자의 반응 자료가 필요하다.

이 자료에는 그것이 없다. 12강에서 이 한계를 다시 정면으로 다룬다. 있는 자료로 답할 수 없는 물음을 구분하는 것 이 이 강의의 반복 주제다.

자료가 답할 수 있는 물음과 없는 물음을 가르는 것이 분석의 첫 단계다

🤔 확인 문제

이 강의가 순위상관(Spearman)을 쓰는 이유로 제시된 것은?

🤔 확인 문제

관문 유전자 여섯 개가 CD8A 와 함께 오르내리는 것이 만드는 문제는?

🤔 확인 문제

이 자료만으로 '관문 발현이 높으면 면역치료가 잘 듣는다' 를 말할 수 없는 이유는?