6강 / 20강

세포 한 개를 꺼내 본다 — 숫자에 처음으로 뜻이 생기는 순간

한 세포의 상위 발현 유전자 · 그리고 이상한 이름들

구조도 알았고 이름표도 붙였습니다. 이제 세포 한 개를 꺼내 봅시다. CSC 에서 세포 하나는 열 하나이고, 그 열은 data[indptr[k]:indptr[k+1]] 에 통째로 들어 있습니다. 아주 빠르게 꺼낼 수 있어요 — CSC 가 열 접근에 최적화된 형식이니까요.

고등학생숫자에 처음으로 뜻이 생기는 순간

세포 한 개의 열을 꺼내 발현이 높은 유전자를 보면, 그 세포가 무엇인지 짐작이 됩니다.

상위 유전자	추정
CD3D · CD3E	T세포
CD79A · MS4A1	B세포
LYZ · CD14	단핵구

이 순간이 숫자가 생물학이 되는 자리입니다.

이 한 세포가 무엇인지 짐작이 가나요? 상위 목록을 보면 대충 어느 계통인지 보입니다.

Python 브라우저에서 실행

import h5py, numpy as np, pandas as pd

k = 0                                     # 0번째 세포를 보겠습니다
with h5py.File("GSE268555_slice.h5", "r") as f:
    m = f["matrix"]
    a, b = m["indptr"][k], m["indptr"][k+1]
    값   = m["data"][a:b]
    행   = m["indices"][a:b]
    이름 = np.array([x.decode() for x in m["features"]["name"][:]])
    바코드 = m["barcodes"][k].decode()
    표본  = m["sample"][k].decode()

print(f"바코드 {바코드}   표본 {표본}")
print(f"총 UMI {값.sum():,}   검출된 유전자 {len(값):,}개")

o = np.argsort(-값)[:15]
print("\n가장 많이 잡힌 유전자 15개")
print(pd.DataFrame({"유전자": 이름[행[o]], "UMI": 값[o],
                    "비율%": (값[o]/값.sum()*100).round(2)}).to_string(index=False))

상위 목록에 거의 항상 등장하는 얼굴들

Actb · Actg1 · Tmsb4x — 세포뼈대. 모든 세포에서 켜져 있습니다.
Rps* · Rpl* — 리보솜 단백질. 단백질을 만드는 공장 부품이라 늘 많습니다.
mt-Co1 · mt-Nd4 … — 미토콘드리아. 정상 세포에서는 총량의 몇 % 수준.
Malat1 — 핵 안에 머무는 긴 비암호화 RNA. 거의 모든 세포에서 1~5%.
Gm42418 — 여기 주의하세요. 이건 리보솜 RNA 오염으로 잘 알려진 유전자입니다. mm10 참조에서 rRNA 영역과 겹쳐 있어서, 실험이 깨끗하지 않으면 상위권으로 튀어 올라옵니다.

이런 이름들이 상위권을 채우는 것은 정상입니다. 흥미로운 것은 그 사이에 끼어 있는 S100a8 · Lyz2 · Cd3e 같은 계통 표지자들이에요.

고등학생그런데 이상한 이름들도 있다

흔히 상위에 오는 것	정체
MT-로 시작	미토콘드리아 유전자 — 7강
RPL · RPS로 시작	리보솜 단백질 — 모든 세포에 많음
MALAT1	핵 내 lncRNA — 아주 많음
ACTB	액틴 — 세포골격

이런 것들은 어느 세포에나 많습니다 — 구분에 도움이 안 돼요.

세포마다 켜져 있는 표지자가 다릅니다. 이 차이가 나중에 군집이 됩니다.

Python 브라우저에서 실행

# 세포를 여러 개 나란히 놓고 비교해 봅니다.
import h5py, numpy as np, pandas as pd, scipy.sparse as sp

with h5py.File("GSE268555_slice.h5", "r") as f:
    m = f["matrix"]
    X = sp.csc_matrix((m["data"][:].astype(np.float32), m["indices"][:], m["indptr"][:]),
                      shape=tuple(m["shape"][:]))
    이름 = np.array([x.decode() for x in m["features"]["name"][:]])

표지자 = ["Ptprc", "S100a8", "Lyz2", "C1qa", "Cd3e", "Ncr1", "Cd79a", "H2-Ab1", "mt-Co1"]
행번호 = [int(np.where(이름 == g)[0][0]) for g in 표지자]

세포 = [0, 1, 2, 3, 4, 5]
표 = pd.DataFrame(np.asarray(X[행번호][:, 세포].todense()).astype(int),
                 index=표지자, columns=[f"세포{c}" for c in 세포])
표.loc["── 총UMI"] = np.asarray(X[:, 세포].sum(0)).ravel().astype(int)
print(표.to_string())

고등학생세포 하나로는 부족하다

한계	내용
검출률이 낮음	유전자의 5~10%만 보임
0이 많음	있는데 못 잡은 것
우연한 변동	같은 유형이어도 제각각

12강에서 군집을 만드는 이유가 바로 이것이에요 — 여럿을 모아야 안정됩니다.

이 단계에서 조건 사이의 차이를 판단하려 하면 안 됩니다. 세포 하나씩으로는 아무것도 말할 수 없어요.

Python 브라우저에서 실행

# 표본별로 세포를 하나씩 뽑아 나란히 — 조건이 다르면 세포도 달라 보일까?
import h5py, numpy as np, pandas as pd, scipy.sparse as sp

with h5py.File("GSE268555_slice.h5", "r") as f:
    m = f["matrix"]
    X = sp.csc_matrix((m["data"][:].astype(np.float32), m["indices"][:], m["indptr"][:]),
                      shape=tuple(m["shape"][:]))
    이름 = np.array([x.decode() for x in m["features"]["name"][:]])
    표본 = np.array([x.decode() for x in m["sample"][:]])

print("표본별 세포 수:", pd.Series(표본).value_counts().to_dict())

for s in ["WT_CTRL", "KD_CTRL", "WT_PD1", "KD_PD1"]:
    c = int(np.where(표본 == s)[0][0])          # 그 표본의 첫 세포
    col = np.asarray(X[:, c].todense()).ravel()
    o = np.argsort(-col)[:6]
    print(f"\n{s:8} (총 UMI {int(col.sum()):,})  상위: " +
          ", ".join(f"{이름[i]}({int(col[i])})" for i in o))

고등학생그래도 한 세포를 보는 이유

얻는 것	내용
자료의 감각	숫자가 어느 정도 크기인가
이상 발견	이상한 값이 있나
형식 확인	정수인가 이미 정규화됐나

값이 정수가 아니면 이미 정규화된 자료입니다 — 9강을 건너뛰어야 해요.

🤔 확인 문제

CSC 형식에서 세포 하나를 꺼내는 것이 빠른 이유는?

해설 CSC(Compressed Sparse Column)는 열 접근이 빠르고 행 접근이 느립니다. 반대로 CSR 은 행이 빠르죠. 유전자 한 줄을 자주 꺼낼 거라면 .tocsr() 로 바꿔 두는 것이 훨씬 빠릅니다.

🤔 확인 문제

어떤 세포의 상위 발현 유전자가 Actb · Rps29 · Malat1 · mt-Co1 뿐이었습니다. 이 세포의 유형을 알 수 있나요?

🤔 확인 문제

Gm42418 이 상위권에 있으면 무엇을 의심해야 할까요?