Lesson 10 of 20

2,000개만 남긴다 — 모든 유전자가 정보를 주지는 않는다

평균-분산 추세 · 고변동 유전자(HVG)

Actb 는 모든 세포에서 높습니다. 그러니 세포를 구별하는 데는 아무 쓸모가 없어요. 반대로 S100a8 은 호중구에서만 폭발적으로 높습니다. 이런 유전자가 정보를 줍니다.

그래서 다음 단계로 넘어가기 전에 유전자를 골라냅니다. 기준은 "평균 발현량에 비해 유난히 들쭉날쭉한가" — 이것이 고변동 유전자(HVG, highly variable gene) 입니다.

그냥 분산이 큰 순서로 뽑으면 안 됩니다. 개수 자료에서는 평균이 크면 분산도 자동으로 커지거든요. 그러면 Actb 같은 고발현 유전자가 전부 뽑혀 버립니다. 그래서 이렇게 합니다.

평균 vs 분산

유전자마다 점을 찍는다

→

추세선

"이 평균이면 보통 이 정도 분산"

→

잔차

추세선보다 얼마나 위에 있나

→

상위 2,000

가장 튀는 것부터

High school모든 유전자가 정보를 주지는 않는다

3만 유전자를 다 쓰면 계산이 느리고 노이즈가 섞입니다.

유전자 유형	세포 구분에
모든 세포에서 같음	도움 안 됨
거의 안 검출됨	노이즈만
세포마다 크게 다름	유용

2,000개 정도만 골라 씁니다 — 고변동 유전자(HVG)예요.

세포 3개에서만 잡힌 유전자로는 분산을 제대로 잴 수 없습니다. 논문도 3개 미만을 버렸다고 적었습니다.

Python Runs in your browser

# 먼저 '너무 드문 유전자'를 버립니다 — 세포 10개 미만에서만 잡힌 것.
import numpy as np, sc

L = sc.lognorm(mask=sc.keep())          # 7·9강에서 한 QC + 정규화
검출세포수 = np.diff(L.tocsr().indptr)

print("전체 유전자:", f"{L.shape[0]:,}")
for t in [1, 3, 10, 50]:
    print(f"   {t:3d}개 이상 세포에서 검출된 유전자: {(검출세포수 >= t).sum():,}")

회색 구름이 추세입니다. 주황색은 그 추세보다 위로 튀어나온 유전자들 — 우리가 쓸 2,000개예요.

Python Runs in your browser

# 평균-분산 그림을 직접 그려 봅니다.
import numpy as np, sc
import matplotlib.pyplot as plt

L = sc.lognorm(mask=sc.keep())
hv, mu, var, score, ok = sc.hvg(L, n=2000)

print(f"분산을 잰 유전자 {len(ok):,}개 → HVG {len(hv):,}개")
print("HVG 상위 12:", ", ".join(sc.genes()[hv[:12]]))

plt.figure(figsize=(7, 4.6))
plt.scatter(np.log1p(mu), np.log1p(var), s=3, c="#adb5bd", label="all genes")
sel = np.isin(ok, hv)
plt.scatter(np.log1p(mu[sel]), np.log1p(var[sel]), s=4, c="#e8590c", label="HVG 2000")
plt.xlabel("log1p(mean)"); plt.ylabel("log1p(variance)")
plt.title("mean-variance trend"); plt.legend()

High school평균-분산 추세

단순히 분산이 큰 것을 고르면 안 됩니다. 발현이 높으면 분산도 크니까요.

단계	내용
1	유전자마다 평균과 분산을 계산
2	평균에 따른 기대 분산의 추세를 그림
3	추세보다 분산이 큰 유전자를 고름

"발현 수준을 감안했을 때 유난히 흔들리는" 유전자를 찾는 것입니다.

High school몇 개를 고를까

개수	결과
500	주요 세포 유형만 — 세부 구분이 약함
2,000	일반적
5,000	세부까지 · 노이즈도 늘어남

숫자에 정답이 없습니다 — 바꿔 보고 결과가 안정적인지 확인하세요.

평균이 그리 높지 않은데도 분산이 큰 유전자들이 뽑힙니다. 그게 바로 일부 세포에서만 켜지는 유전자예요.

Python Runs in your browser

# HVG 상위 30개를 표로 — 자료가 무엇을 말하는지 읽어 봅니다.
import numpy as np, pandas as pd, sc

L = sc.lognorm(mask=sc.keep())
hv, mu, var, score, ok = sc.hvg(L, n=2000)
이름 = sc.genes()

pos = {g: i for i, g in enumerate(ok)}
표 = pd.DataFrame({
    "유전자": 이름[hv[:30]],
    "평균": [round(float(mu[pos[g]]), 3) for g in hv[:30]],
    "분산": [round(float(var[pos[g]]), 3) for g in hv[:30]],
    "추세초과": [round(float(score[pos[g]]), 3) for g in hv[:30]],
})
print(표.to_string(index=False))

High school주의할 점

주의	내용
배치효과가 HVG에 들어감	배치 차이가 큰 유전자가 선택됨
세포주기 유전자	주기 차이만 반영
미토콘드리아·리보솜	제외하기도 함

HVG 목록을 눈으로 확인하세요 — 이상한 유전자가 많으면 문제입니다.

🤔 Check yourself

분산이 큰 순서로 그냥 2,000개를 뽑으면 안 되는 이유는?

🤔 Check yourself

어떤 자료의 HVG 상위가 Hba-a1 · Hbb-bs · Alas2 로 가득했습니다. 무엇을 의심해야 할까요?

🤔 Check yourself

이 자료에서 HVG 상위가 호중구 유전자로 가득한 것이 뜻하는 바는?