5강 / 20강

누가 환자인가 — 네 시리즈가 네 가지로 적어 놓았다

Sample_characteristics_ch1 · GSE24206 · GSE10667 · GSE110147 · GSE53845 실제 값

발현값 표를 열었습니다. 열이 142개예요. 그런데 어느 열이 환자이고 어느 열이 정상인지 표에는 안 적혀 있습니다.

그건 머리에 있어요. !Sample_characteristics_ch1 줄입니다. GEO 는 이 칸을 자유 서술로 열어 두었습니다. 뭐라고 적든 받아 줘요.

그 결과가 이렇습니다. 네 시리즈가 같은 사실을 네 가지로 적어 놓았습니다.

고등학생환자 정보는 자유 문장으로 적혀 있다

병원 접수창구에서 "무슨 일로 오셨어요?"라고 물었을 때 사람마다 다르게 답합니다. "감기요", "목이 아파서요", "3일 전부터 기침이 나요". 뜻은 비슷한데 글자는 다 다릅니다.

GEO의 !Sample_characteristics_ch1 줄이 정확히 그렇습니다. 등록자가 자기 방식대로 적어요. 정해진 칸이 없습니다.

시리즈	실제로 적힌 모양
GSE24206	`disease state: IPF` / `disease state: normal`
GSE10667	`tissue: IPF lung` 같은 조직 서술
GSE110147	`diagnosis: IPF` 계열
GSE53845	또 다른 표기

네 시리즈가 네 가지로 적었습니다. 사람 눈에는 다 같은 뜻이지만, 프로그램은 IPF와 IPF lung을 다른 문자열로 봅니다.

시리즈	환자를 적은 방식	정상을 적은 방식
`GSE24206`	`phenotype: early idiopathic pulmonary fibrosis (IPF)` `phenotype: advanced idiopathic pulmonary fibrosis (IPF)`	`phenotype: healthy`
`GSE10667`	표본 제목에 `UIP, biological rep1` 특성 칸에 key: value 가 아예 없다	표본 제목에 `control, biological rep1`
`GSE110147`	`disease state: Idiopathic pulmonary fibrosis`	`disease state: Normal`
`GSE53845`	`diagnosis: IPF`	`diagnosis: control`

고등학생그래서 라벨을 손으로 짓는다

자유 문장을 표준 라벨로 바꾸는 일을 큐레이션이라고 합니다. 이 강의에서는 이렇게 합니다.

원문에 들어 있는 말	붙일 라벨
IPF, idiopathic pulmonary fibrosis, fibrotic	case
normal, control, healthy, uninvolved	control
그 밖의 것 (다른 병, 세포주 등)	제외

규칙을 코드로 적고, 규칙이 못 잡은 표본은 목록으로 뽑아 눈으로 확인합니다. 자동으로 다 되는 척하면 조용히 틀립니다. 예를 들어 non-IPF라는 문자열은 "IPF"를 포함하니까 순진한 규칙은 이걸 case로 잘못 넣어요.

문자열 매칭은 부정어에서 무너집니다 — non-, without, negative를 먼저 걸러야 합니다.

그래서 시리즈마다 따로 규칙을 씁니다. 이 강의가 실제로 쓴 코드입니다.

'None' 이 나온 줄을 보세요 — NSIP 는 버려집니다. 버리는 것도 결정입니다.

Python 브라우저에서 실행

# 실제 build_facts.py 의 label() 함수. 시리즈마다 if 문이 하나씩입니다.
def label(gse, text):
    s = text.lower()
    if gse == "GSE24206":
        if "phenotype: healthy" in s: return "ctrl"
        if "idiopathic pulmonary fibrosis" in s: return "ipf"
    elif gse == "GSE10667":
        # key: value 가 없다 — 제목과 문장으로 판단할 수밖에
        if s.startswith("control") or "normal lung tissues" in s: return "ctrl"
        if "uip" in s: return "ipf"
    elif gse == "GSE110147":
        if "disease state: normal" in s: return "ctrl"
        if "disease state: idiopathic pulmonary fibrosis" in s: return "ipf"
    elif gse == "GSE53845":
        if "diagnosis: control" in s: return "ctrl"
        if "diagnosis: ipf" in s: return "ipf"
    return None                        # 어느 쪽도 아니면 버린다

tests = [
    ("GSE24206",  "phenotype: healthy | tissue: lung"),
    ("GSE24206",  "phenotype: early idiopathic pulmonary fibrosis (IPF)"),
    ("GSE10667",  "control, biological rep3 | normal lung tissues obtained from..."),
    ("GSE10667",  "UIP, biological rep7"),
    ("GSE110147", "disease state: Idiopathic pulmonary fibrosis | tissue: Lung"),
    ("GSE110147", "disease state: Nonspecific interstitial pneumonia"),
    ("GSE53845",  "diagnosis: IPF | source: transplant"),
]
for gse, t in tests:
    print(f"{gse:11s} {t[:52]:54s} -> {label(gse, t)}")

고등학생적혀 있지 않은 것들

더 무서운 건 없는 정보입니다. 나이, 성별, 흡연력, 병기, 약물 이력 — 이런 것이 적혀 있는 시리즈도 있고 아예 없는 시리즈도 있습니다.

나이와 성별이 없으면 어떤 일이 생길까요. 환자군이 평균 65세, 정상군이 평균 40세라면, 우리가 "폐섬유증에서 올라간 유전자"라고 부른 것 중 일부는 그냥 나이 든 폐의 유전자일 수 있습니다. 확인할 방법이 없어요. 그 칸이 비어 있으니까요.

없는 정보	숨는 착각
나이	노화 신호를 질병 신호로 오해
성별	Y염색체·X불활성화 유전자가 상위권에
흡연력	흡연 반응 유전자를 섬유화 유전자로
수술 시점·보관 기간	RNA 분해 정도가 군마다 다를 수 있음

시리즈 제목이 숫자를 말해 주는 경우가 있습니다. 공짜 검산이에요.

Python 브라우저에서 실행

# 규칙을 쓴 다음 반드시 하는 일 — 세어 보고 논문과 맞춰 보기.
counted = {
    "GSE24206":  {"ipf": 17, "ctrl": 6,  "dropped": 0},
    "GSE10667":  {"ipf": 23, "ctrl": 15, "dropped": 8},
    "GSE110147": {"ipf": 22, "ctrl": 11, "dropped": 15},
    "GSE53845":  {"ipf": 40, "ctrl": 8,  "dropped": 0},
}
tot_i = tot_c = tot_d = 0
for gse, c in counted.items():
    n = c["ipf"] + c["ctrl"] + c["dropped"]
    print(f"{gse:11s} IPF {c['ipf']:3d}  정상 {c['ctrl']:3d}  버림 {c['dropped']:3d}   합 {n:3d}")
    tot_i += c["ipf"]; tot_c += c["ctrl"]; tot_d += c["dropped"]
print("-" * 52)
print(f"{'합계':11s} IPF {tot_i:3d}  정상 {tot_c:3d}  버림 {tot_d:3d}   합 {tot_i+tot_c+tot_d:3d}")
print()
print("GSE53845 의 제목이 '40 IPF patients and 8 healthy controls' 입니다.")
print("우리가 센 값과 정확히 맞습니다. 규칙이 맞았다는 증거예요.")

GEO 는 이 문제를 알고 있습니다. 그래서 근래에는 등록할 때 key: value 꼴을 권장합니다. 다만 옛 자료는 그대로 남아 있고, 권장은 강제가 아니에요.

결국 남의 자료를 쓰는 값의 대부분은 여기서 치릅니다. 계산은 몇 초면 끝나지만, 누가 환자인지 알아내는 데 며칠이 갑니다.

고등학생메타데이터를 못 믿을 때의 태도

그럼 포기해야 할까요. 아닙니다. 태도를 바꾸면 됩니다.

메타데이터가 완벽하다고 믿고 "이것이 IPF 유전자다"라고 단정하는 대신, 어떤 착각이 가능한지 목록으로 적어 두고 최종 결과에 그 목록을 같이 붙입니다. 16강에서 GSE10667의 '정상'이 사실은 폐암 수술에서 잘라 낸 가장자리 조직이라는 걸 발견하는데, 그게 바로 이 목록에 적혀 있어야 할 항목이에요.

모르는 것을 모른다고 적는 것이, 아는 척하는 것보다 언제나 더 쓸모 있습니다.

실무에서는 시리즈마다 "이 시리즈에서 확신하는 것 / 추측하는 것 / 알 수 없는 것" 세 칸짜리 표를 만들어 둡니다. 20강의 한계 목록이 그 표에서 나옵니다.

🤔 확인 문제

GSE10667 의 표본을 분류할 때 표본 제목을 봐야 했던 이유는?

해설 특성 칸에는 "Normal lung tissues obtained from the disease free margins..." 같은 영어 문장이 들어 있었습니다. 열쇠가 없으니 기계가 못 읽어요.

🤔 확인 문제

환자와 정상 라벨을 서로 바꿔 붙이면 무슨 일이 일어나나요?

🤔 확인 문제

이 강의가 GSE110147 의 NSIP 표본 15개를 버린 이유로 가장 알맞은 것은?