1강 / 20강

파일 네 개가 도착했다 — 논문의 그림은 여기서 시작한다

GEO 등록번호 읽기 · 무엇을 받았는지 확인하기

논문을 읽다 보면 이런 문장을 만납니다.

Data, Materials, and Software Availability — single-cell RNA-seq data have been deposited in NCBI GEO (GSE268555).

이 한 줄이 이 강의의 출발점입니다. 저 등록번호를 들고 GEO에 가서 파일을 내려받으면, 논문의 그림 5I·5J·5L 을 만들어 낸 바로 그 숫자가 여러분 컴퓨터에 들어옵니다. 그런데 막상 받고 나면 이런 것들이 놓여 있어요.

GSM8294234_Group1_sample_filtered_feature_bc_matrix.h5 40,122,121 바이트 GSM8294235_Group2_sample_filtered_feature_bc_matrix.h5 24,533,815 바이트 GSM8294236_Group3_sample_filtered_feature_bc_matrix.h5 39,098,382 바이트 GSM8294237_Group4_sample_filtered_feature_bc_matrix.h5 23,827,570 바이트

엑셀로 열리지 않습니다. 메모장으로 열면 알아볼 수 없는 기호만 쏟아집니다. 여기서 대부분의 사람이 멈춥니다. 이 20강은 정확히 이 지점에서 시작합니다.

고등학생파일 네 개가 도착했다

논문의 자료를 내려받았습니다. .h5 파일 네 개예요. 열 수도 없는 이진 파일입니다.

여기서 시작하는 여정	내용
파일을 연다	2강
안에 무엇이 있는지 본다	3~5강
쓸 만한 상태로 만든다	7~11강
세포에 이름을 붙인다	12~14강
논문의 결론을 확인한다	16~17강

논문의 그림은 이 파일들에서 나왔습니다 — 우리도 같은 자리에서 시작합니다.

이 네 파일이 무엇인지부터 알아야 합니다

파일 이름의 Group1~Group4 만 봐서는 아무것도 알 수 없습니다. GEO의 표본 페이지에 적힌 제목을 봐야 비로소 뜻이 통합니다.

파일	GEO 제목	뜻
Group1	WT_DDX54_CTRL	정상 Ddx54 + 아이소타입(가짜 약)
Group2	DDX54_KD_CTRL	Ddx54 녹다운 + 가짜 약
Group3	WT_DDX54_PD1	정상 Ddx54 + 항-PD1
Group4	DDX54_KD_PD1	Ddx54 녹다운 + 항-PD1

2 × 2 설계입니다. 유전자를 껐는가(WT/KD) × 면역치료를 했는가(CTRL/PD1). 논문의 질문 — "Ddx54 를 끄면 항-PD1 이 더 잘 듣는가" — 가 파일 네 개의 배치 그 자체로 표현되어 있습니다. 실험 설계는 파일 목록에 이미 적혀 있습니다.

고등학생GEO 등록번호 읽기

접두어	뜻
GSE	연구 하나 (Series)
GSM	표본 하나 (Sample)
GPL	측정 장비 (Platform)

"이 자료는 GSE00000에 있습니다"라는 한 줄이면 누구나 받을 수 있습니다.

자료 공개가 학술지의 요구 사항이 된 덕분입니다. /geo 강의에서 이 생태계를 자세히 다뤄요.

먼저 목록부터 읽습니다. 파일을 열기 전에 '무엇이 몇 개, 얼마나 큰가'를 아는 것이 순서입니다.

Python 브라우저에서 실행

# GEO 가 함께 올려 둔 filelist.txt — 우리가 실제로 받은 목록입니다.
import pandas as pd

df = pd.read_csv("GSE268555_filelist.txt", sep="\t")
print("열 이름:", list(df.columns))      # 첫 칸이 '#Archive/File' 입니다 — GEO 가 # 을 붙여 둡니다
df = df.rename(columns={"#Archive/File": "종류"})
print()
print(df.to_string(index=False))

files = df[df["종류"] == "File"]
print("\n파일 개수:", len(files))
print("합계 크기:", f'{files["Size"].sum():,} 바이트',
      f'≈ {files["Size"].sum()/1e6:.0f} MB')

고등학생왜 파일이 네 개인가

가능성	내용
조건이 넷	대조군·처리군 등 — 이 경우
시점이 넷	시간에 따른 변화
기증자가 넷	—

파일 이름과 GEO 설명을 읽으면 무엇이 무엇인지 알 수 있습니다.

네 개 모두 일치합니다. 이제 마음 놓고 열 수 있습니다.

Python 브라우저에서 실행

# 크기 대조 — 내려받은 파일이 온전한지 확인하는 습관.
# (여기서는 실제로 받아 둔 크기를 손으로 적어 비교합니다.
#  여러분의 컴퓨터에서는 os.path.getsize() 로 재면 됩니다.)
import pandas as pd

받은크기 = {  # ls -l 로 잰 값
    "GSM8294234_Group1_sample_filtered_feature_bc_matrix.h5": 40122121,
    "GSM8294235_Group2_sample_filtered_feature_bc_matrix.h5": 24533815,
    "GSM8294236_Group3_sample_filtered_feature_bc_matrix.h5": 39098382,
    "GSM8294237_Group4_sample_filtered_feature_bc_matrix.h5": 23827570,
}
df = pd.read_csv("GSE268555_filelist.txt", sep="\t").rename(columns={"#Archive/File": "종류"})
for _, r in df[df["종류"] == "File"].iterrows():
    mine = 받은크기.get(r["Name"])
    상태 = "✅ 일치" if mine == r["Size"] else f"⛔ 다름 (내 것 {mine:,})"
    print(f'{r["Name"][:28]:30} {r["Size"]:>12,}  {상태}')

파일 이름은 문장이다

GSM8294234_Group1_sample_filtered_feature_bc_matrix.h5 를 조각내 봅시다.

GSM8294234

표본 등록번호

Group1

연구팀이 붙인 이름

filtered

빈 물방울을 이미 걸러 냄

feature_bc_matrix

유전자 × 바코드 행렬

.h5

HDF5 형식

특히 filtered 라는 한 단어가 중요합니다. 10x Genomics 의 CellRanger 는 결과를 두 벌 내놓습니다. raw 는 물방울(droplet) 전부 — 세포가 안 들어간 빈 방울까지 수십만 개. filtered 는 CellRanger 가 "이건 진짜 세포다" 라고 판정한 것만. 우리가 받은 것은 filtered 입니다. 즉 1차 선별은 이미 남이 해 놓은 상태예요. 8강에서 이 선택이 무엇을 뜻하는지 다시 이야기합니다.

고등학생filtered와 raw

10x 자료는 대개 두 벌로 제공됩니다.

파일	담는 것
filtered	세포로 판정된 바코드만
raw	모든 바코드 — 빈 방울 포함

우리가 받은 것은 filtered입니다 — 이미 누군가 결정을 내린 자료예요.

8강에서 이 선택이 무엇을 뜻하는지 다시 이야기합니다. 남이 내린 결정을 알아볼 수 있어야 합니다.

🤔 확인 문제

GSE268555 안에 GSM 이 네 개 들어 있습니다. 이것이 뜻하는 바로 가장 정확한 것은?

🤔 확인 문제

파일 이름의 filtered 가 뜻하는 것은?

🤔 확인 문제

파일을 받은 직후 가장 먼저 할 일로 이 강의가 권한 것은?