3강 / 20강

【실습】 종양 10,071개와 세포 37,585개를 연다

TCGA 범암 32종 · GSE268555 마우스 종양 면역세포

고른 기준을 먼저 적습니다. 어떤 표본을 뺐는지 밝히지 않으면 숫자를 못 믿어요.

Python 브라우저에서 실행

# 사람 벌크 - 무엇이 몇 개인가
import ck

e = ck.expr()
F = ck.facts()
print(f"종양 {len(e):,}개 - 유전자 {len(F['columns'])}개")
print(f"단위 {F['unit']}")
print(f"고른 기준: {F['keep_rule']}")
print()
print("암종별 표본 수 (많은 것부터 열둘)")
v = e["암종"].value_counts()
for k, n in v.head(12).items():
    print(f"  {k:<10}{n:>6,}  {'#'*int(n/25)}")
print(f"  ... 모두 {len(v)}가지")

고등학생두 자료를 여는 이유

이 강의는 성격이 아주 다른 두 자료를 함께 쓴다.

	TCGA 범암	GSE268555
종	사람	생쥐
단위	종양 덩어리 10,071개	세포 37,585개
암종	32종	1종 (실험 모델)
강점	규모 · 다양성	세포 하나하나가 보임
약점	세포가 섞임	개체가 넷뿐

왜 둘 다 필요한가

같은 질문을 두 종류의 자료에 던져서 같은 답이 나오는지 보려는 것이다. 11강에서 벌크로 실패하고 13강에서 단일세포로 다시 묻는다.

한 자료로 답이 안 나오면 자료의 종류를 바꿔서 다시 묻는다

묶음은 가설입니다. 자료로 검증할 대상이지 전제가 아니에요.

Python 브라우저에서 실행

# 유전자는 축으로 묶어 두었다
import ck

for 축, gs in ck.axis().items():
    print(f"{축:<16}{len(gs):>3}개  {', '.join(gs[:7])}{' ...' if len(gs)>7 else ''}")
print()
print("이 묶음은 **교과서가 그렇게 묶는다** 는 뜻이지,")
print("자료가 그렇게 묶인다는 뜻이 아닙니다. 11강에서 그것을 확인합니다.")

골수계 세포가 대부분입니다. T세포와 NK 는 소수예요 — 4강의 복선입니다.

Python 브라우저에서 실행

# 마우스 단일세포 - 세포형과 조건
import ck

c = ck.cells()
print(f"세포 {len(c):,}개 - 유전자 {len(ck.facts()['mouse']['genes'])}개")
print()
print("네 조건")
이름 = dict(zip(ck.facts()["mouse"]["samples"], ck.facts()["mouse"]["labels"]))
for s, n in c["표본"].value_counts().items():
    print(f"  {s:<10}{이름[s]:<16}{n:>7,}")
print()
print("세포형 (많은 것부터)")
for t, n in c["세포형"].value_counts().head(10).items():
    print(f"  {t:<18}{n:>7,}")
print(f"  ... 모두 {c['세포형'].nunique()}가지")

고등학생10,071 이라는 규모의 값어치

표본이 많으면 무엇이 좋은가? 단순히 "정확해진다" 만은 아니다.

가능해지는 것	내용
드문 것을 본다	1% 짜리 현상도 100개는 나옴
나눠서 본다	암종별로 갈라도 각각 충분
교란을 통제한다	회귀에 변수를 여럿 넣을 수 있음
기준선이 생긴다	서로가 서로의 비교 대상

그런데 규모가 못 고치는 것이 있다

구조적 한계 는 표본을 늘려도 안 고쳐진다. 덩어리 자료가 세포를 섞는 문제(12강)는 표본이 100만 개여도 그대로다.

표본 크기는 우연 오차 를 줄인다. 계통 오차 와 정보의 부재 는 못 줄인다.

더 많이 재는 것과 다르게 재는 것은 다른 해법이다

고등학생네 조건이지만 마우스는 네 마리다

단일세포 자료에 세포가 37,585개 있다. 그런데 그 세포들이 나온 생쥐는 네 마리 다. 조건당 한 마리.

세포 수가 표본 수가 아니다

같은 생쥐에서 나온 세포들은 독립이 아니다. 그 생쥐의 나이, 장내 세균, 종양 크기, 그날의 컨디션을 공유한다.

무엇을 세는가	이 자료에서
세포 수	37,585
독립 개체 수	4
조건당 반복	1

그래서 무엇을 할 수 있고 없나

세포들 사이의 비교(어느 세포형이 무엇을 뿜나)는 할 수 있다. 조건 사이의 비교(치료가 효과가 있었나)는 통계적으로 못 한다. 반복이 없으니까.

18강에서 이 규칙을 다시 확인한다. 큰 숫자에 속지 않는 것 이 이 강의의 첫 훈련이다.

n 은 관측치 개수가 아니라 독립적으로 반복된 단위의 개수다

IL1B 만 빼면 전부 몇 % 입니다. 4강이 이 사실에서 출발합니다.

Python 브라우저에서 실행

# 두 자료를 나란히 - 같은 유전자가 양쪽에 있나
import ck

쌍 = [("IFNG", "Ifng"), ("IL6", "Il6"), ("IL10", "Il10"), ("TGFB1", "Tgfb1"),
      ("CXCL9", "Cxcl9"), ("STAT1", "Stat1"), ("SOCS3", "Socs3"), ("IL1B", "Il1b")]
e, c = ck.expr(), ck.cells()
print(f"{'유전자':<10}{'사람 벌크 평균':>14}{'마우스 세포 평균':>16}{'뿜는 세포 %':>12}")
for h, m in 쌍:
    if h in e.columns and m in c.columns:
        v = c[m]
        print(f"{h:<10}{e[h].mean():>14.2f}{v.mean():>16.4f}{100*(v>0).mean():>11.1f}%")
print()
print("단위가 다르니 값을 직접 견주면 안 됩니다.")
print("여기서 볼 것은 맨 오른쪽 - **뿜는 세포의 비율이 아주 낮다** 는 것입니다.")

고등학생공개 자료를 쓴다는 것

장점	주의할 점
바로 쓸 수 있음	내가 설계하지 않았음
규모가 큼	목적이 내 질문과 다름
재현 가능	메타데이터가 부정확할 수 있음
비교 대상이 됨	배치 효과 · 처리 방식이 다름

두 번째 줄이 이 강의의 핵심 제약이다

TCGA 는 암 유전체를 보려고 모은 자료다. 사이토카인을 보려고 설계된 것이 아니다. 채취 시점, 보관 방법, 조직 처리가 전부 그 목적에 맞춰져 있다.

사이토카인은 몇 시간 만에 발현이 바뀌는데, 수술 후 조직을 얼마 만에 얼렸는지가 표본마다 다르다. 내 질문에 맞춰 설계되지 않은 자료로 답할 수 있는 것에는 한계가 있다.

남의 자료를 쓸 때는 그 자료가 무엇을 위해 모였는지부터 본다

🤔 확인 문제

사람 벌크 표에서 한 줄은 무엇인가?

🤔 확인 문제

마우스 자료로 이 강의가 주장하지 않는 것은?