Lesson 2 of 20

GSE · GSM · GPL — 등록번호 세 글자를 읽는다

NCBI GEO 등록번호 체계 · ncbi.nlm.nih.gov/geo

논문의 맨 끝, 아무도 읽지 않는 자리에 이런 한 줄이 있습니다.

Data availability: The microarray data have been deposited in
NCBI Gene Expression Omnibus under accession number GSE24206.

이 한 줄이 이 강의의 열쇠입니다. GSE24206 — 이 번호만 있으면 그 논문이 쓴 자료를 그대로 꺼낼 수 있어요. 신청서도, 허락도 필요 없습니다.

High school등록번호는 도서 청구기호와 같다

도서관에서 책을 찾을 때 제목으로 찾으면 헤맵니다. 청구기호로 찾으면 한 번에 갑니다. 청구기호는 짧고, 유일하고, 절대 바뀌지 않으니까요.

GEO의 등록번호(accession)가 그 청구기호입니다. 세 글자 접두어로 무엇인지 알려 주고, 뒤의 숫자로 어느 것인지 짚어 줍니다.

접두어	뜻	도서관 비유
GSE	Series — 연구 한 건	책 한 권
GSM	Sample — 표본 하나	그 책의 한 쪽
GPL	Platform — 측정 장비/칩	그 책을 찍은 인쇄기
GDS	DataSet — 큐레이터가 정리한 묶음	사서가 만든 주제별 서가

GSE24206이라고 쓰면 세계 어디서든 같은 연구를 가리킵니다. 논문에 "우리 자료는 GSE24206에 있습니다"라고 한 줄 적으면 그것으로 자료 공개가 끝나요.

GEO 의 등록번호는 앞 세 글자가 무엇의 번호인지를 말합니다.

📚

GSE

Series — 연구 한 건. 논문 하나가 대개 시리즈 하나입니다

🧪

GSM

Sample — 표본 하나. 환자 한 명의 조직 한 조각

📏

GPL

Platform — 잰 도구. 어떤 칩, 어떤 시퀀서인가

🗂️

GDS

DataSet — GEO 가 손봐서 정리한 것. 요즘은 거의 안 만듭니다

관계는 이렇습니다. 시리즈 하나가 표본 여럿을 담고, 표본마다 플랫폼 하나를 씁니다.

GSE24206 ⊃ GSM595407 … GSM595429 (23개) → 전부 GPL570 으로 쟀다

High school포함 관계 — 한 권 안에 여러 쪽

GSE 하나가 여러 개의 GSM을 품습니다. GSE24206은 표본 17개짜리 연구니까 GSM 17개를 거느립니다. 그리고 그 GSM들은 모두 같은 GPL(같은 칩)로 측정됐어요.

GSE(연구) ⊃ GSM(표본) 각각이 → GPL(장비) 하나를 가리킴

주의할 점 하나. GSE 하나가 두 개 이상의 GPL을 쓰는 경우가 있습니다. 연구 도중에 칩을 바꿨거나, 마이크로어레이와 RNA-seq을 섞은 경우예요. 이런 시리즈는 파일이 GSE00000-GPL570_series_matrix.txt.gz처럼 플랫폼별로 쪼개져 나옵니다. 하나인 줄 알고 받으면 절반만 받게 됩니다.

GDS는 왜 잘 안 쓰나

GDS는 NCBI 큐레이터가 손으로 정리한 묶음입니다. 깔끔하지만 수가 적고 갱신이 멈췄어요. 요즘 자료는 대부분 GSE만 있고 GDS가 없습니다. 그래서 이 강의도 GSE에서 직접 읽습니다.

번호를 알면 주소를 조립할 수 있습니다. GEO 의 파일 주소에는 규칙이 있어요.

https://ftp.ncbi.nlm.nih.gov/geo/series/GSE24nnn/GSE24206/matrix/GSE24206_series_matrix.txt.gz
                                            ↑ 뒤 세 자리를 nnn 으로

GSE24206 에서 뒤 세 자리 206 을 nnn 으로 바꾼 GSE24nnn 이 중간 폴더입니다. 파일이 수십만 개라 폴더를 천 개씩 나눠 둔 거예요.

규칙이 있으므로 손으로 찾아 들어갈 필요가 없습니다.

Python Runs in your browser

# 접근번호에서 다운로드 주소를 조립합니다.
def geo_url(gse):
    bucket = gse[:-3] + "nnn"          # GSE24206 -> GSE24nnn
    return ("https://ftp.ncbi.nlm.nih.gov/geo/series/"
            f"{bucket}/{gse}/matrix/{gse}_series_matrix.txt.gz")

for g in ["GSE24206", "GSE10667", "GSE110147", "GSE53845"]:
    print(g, "->", geo_url(g))

High school번호가 크면 최신인가

학번을 생각해 봅시다. 20260315는 20240712보다 나중에 부여됐습니다. GEO 등록번호도 그렇게 순차로 나갑니다. GSE24206보다 GSE110147이 나중에 등록됐어요.

그런데 등록 시점이 실험 시점은 아닙니다. 실험을 2009년에 하고 논문이 2014년에 나가면서 그때 등록되는 일이 흔합니다. 그러니 번호로 "이건 최신 기술로 잰 자료"라고 추측하면 안 됩니다. 기술을 알고 싶으면 GPL을 봐야 해요 — 그건 3강에서 다룹니다.

시리즈	번호가 말해 주는 것	말해 주지 않는 것
GSE24206	GSE110147보다 먼저 등록	언제 실험했는지, 어떤 칩인지
GSE110147	비교적 나중에 등록	표본이 몇 개인지, 정상이 뭔지

세 자리 이하인 옛날 번호는 통째로 GSEnnn 에 들어갑니다.

Python Runs in your browser

# 규칙이 정말 자리수와 무관한지 확인합니다.
cases = ["GSE1", "GSE999", "GSE1000", "GSE24206", "GSE110147", "GSE1234567"]
for g in cases:
    n = g[3:]
    bucket = g[:-3] + "nnn" if len(n) > 3 else "GSE" + "nnn"
    print(f"{g:12s} 번호 {n:>8s}  ->  {bucket}")

표본 번호 GSM 도 같은 규칙을 씁니다. 다만 우리가 표본을 하나씩 내려받을 일은 별로 없어요. 시리즈 매트릭스 파일 하나에 표본 전체가 이미 들어 있기 때문입니다. 그 파일이 4강의 주제입니다.

High school번호를 손에 넣는 실전 순서

실제로는 이런 순서로 움직입니다.

단계	하는 일
1	GEO에서 검색어로 훑는다 — "idiopathic pulmonary fibrosis expression"
2	후보 GSE 목록을 만든다 (보통 수십 개)
3	표본 수, 플랫폼, 정상 대조군 유무로 거른다
4	남은 네댓 개의 series matrix를 받는다
5	메타데이터를 열어 보고 최종 확정한다

3단계에서 대부분이 떨어집니다. 정상 대조군이 없는 시리즈, 표본이 세 개뿐인 시리즈, 조직이 아니라 세포주인 시리즈는 우리 질문에 못 씁니다. 이 강의의 네 시리즈는 그 체를 통과한 것들이에요.

검색은 넓게, 선택은 좁게 — 그리고 왜 뺐는지를 적어 두는 것이 재현성입니다.

🤔 Check yourself

GSE53845 의 시리즈 매트릭스 파일이 들어 있는 폴더 이름은?

Answer 뒤 세 자리 845 를 nnn 으로 바꾸면 GSE53nnn 입니다. 자리수를 세는 게 아니라 뒤에서 세 글자를 자르는 것이 규칙입니다.

🤔 Check yourself

논문이 "deposited under GSE110147" 이라고 적었을 때, 그 번호가 가리키는 것은?

🤔 Check yourself

이 강의가 GDS 가 아니라 GSE 를 직접 다루는 이유로 가장 알맞은 것은?