Lesson 7 of 20

프로브에서 유전자로 — 54,613개를 22,876개로 접는다

GPL570 · GPL4133 · GPL6244 · GPL6480 플랫폼 주석표 실제 처리

지금까지 다룬 표의 행 이름은 이렇게 생겼습니다.

GPL570   "1007_s_at"    "1053_at"    "117_at"
GPL4133  "A_23_P100001"    "A_23_P100011"
GPL6244  "7892501"    "7892502"
GPL6480  "A_23_P100001"    "A_23_P100011"

유전자 이름이 아닙니다. 칩 위의 점 번호예요. 플랫폼마다 붙이는 방식이 다르고, 같은 유전자라도 칩이 다르면 번호가 다릅니다.

네 시리즈를 합치려면 공통의 이름이 있어야 합니다. 그것이 유전자 기호예요.

High school54,613을 22,876으로 — 이름표 바꿔 달기

칩 위에는 프로브가 5만 개 넘게 있지만, 사람 유전자는 2만 개 남짓입니다. 계산이 안 맞죠. 유전자 하나를 프로브 여러 개가 겹쳐 재기 때문입니다.

학급 사진을 여러 각도에서 세 장 찍은 것과 같습니다. 사진은 세 장이지만 반은 하나예요. "우리 반 사진"을 하나만 골라야 한다면 어떤 걸 고를지 정해야 합니다.

고르는 방법	뜻	장단
최대 평균 발현	가장 밝게 잡히는 프로브	널리 씀 · 신호 강함 · 특이성은 미보장
최대 분산	가장 많이 변하는 프로브	차이를 과장할 위험
평균	여러 프로브의 평균	안정적 · 나쁜 프로브가 섞임
중앙값	가운데 값	이상 프로브에 강함

번역표는 GEO 가 갖고 있습니다. 플랫폼 페이지에 딸린 주석표예요.

ID          Gene Symbol       Gene Title
1007_s_at   DDR1 /// MIR4640  discoidin domain receptor tyrosine kinase 1 /// microRNA 4640
1053_at     RFC2              replication factor C subunit 2
117_at      HSPA6             heat shock protein family A member 6

첫 줄을 보세요. DDR1 /// MIR4640 — 탐침 하나가 유전자 둘을 가리킵니다. 탐침이 설계된 자리에 유전자 두 개가 겹쳐 있어서 어느 쪽 신호인지 구분이 안 되는 거예요.

High school주석표는 플랫폼마다 따로 있다

"프로브 204259_at은 어떤 유전자인가?" 이 질문의 답은 GPL 파일에 들어 있습니다. 플랫폼마다 자기 주석표를 GEO에 같이 올려 두거든요.

프로브 ID → (GPL 주석표) → 유전자 기호(MMP7) → 그제서야 시리즈끼리 비교 가능

주의할 게 두 가지입니다.

문제	내용
주석이 낡았다	2005년 칩의 주석표는 그 시절 유전자 지식 기준. 그 뒤 이름이 바뀌거나 유전자로 인정 취소된 것이 있음
비어 있다	어떤 유전자에도 대응되지 않는 프로브가 상당수. 그냥 버림

낡은 주석 문제는 '재주석(reannotation)' — 프로브 서열을 현재 유전체에 다시 정렬해 새로 매핑하는 방법 — 으로 고칠 수 있지만, 이 강의는 원래 주석표를 그대로 씁니다. 그 선택도 20강의 한계 목록에 들어갑니다.

죽은 탐침을 섞으면 진짜 차이가 3분의 2로 줄어듭니다.

Python Runs in your browser

# 탐침 여럿을 유전자 하나로 접는 두 가지 방법을 견줍니다.
import numpy as np

# 한 유전자에 붙은 탐침 셋. 셋째는 신호가 죽어 있습니다(늘 배경값 근처).
probes = {
    "probe_A": np.array([8.1, 8.3, 8.0, 11.2, 11.5, 11.1]),   # 잘 잡힌다
    "probe_B": np.array([8.0, 8.2, 8.1, 10.9, 11.0, 10.8]),   # 잘 잡힌다
    "probe_C": np.array([4.1, 4.0, 4.2, 4.1, 4.0, 4.1]),      # 죽었다
}
group = np.array(["ctrl", "ctrl", "ctrl", "ipf", "ipf", "ipf"])

print("탐침별 IPF - 정상 차이")
for name, v in probes.items():
    diff = v[group == "ipf"].mean() - v[group == "ctrl"].mean()
    print(f"  {name}  분산 {v.var(ddof=1):6.3f}   차이 {diff:+.2f}")

stacked = np.vstack(list(probes.values()))
avg = stacked.mean(axis=0)
best = stacked[np.argmax([v.var(ddof=1) for v in probes.values()])]

d_avg  = avg[group == "ipf"].mean()  - avg[group == "ctrl"].mean()
d_best = best[group == "ipf"].mean() - best[group == "ctrl"].mean()
print()
print(f"평균 내면      : {d_avg:+.2f}")
print(f"최대분산 하나  : {d_best:+.2f}")
print()
print("죽은 탐침 하나가 평균을 끌어내렸습니다.")

플랫폼마다 주석표의 열 이름이 다릅니다. 이것도 손으로 맞춰야 해요.

플랫폼	유전자 기호가 든 열	모양
`GPL570`	`Gene Symbol`	`DDR1 /// MIR4640`
`GPL4133`	`GENE_SYMBOL`	`FAM174B`
`GPL6480`	`GENE_SYMBOL`	`FAM174B`
`GPL6244`	`gene_assignment`	`NM_001 // SYMBOL // 설명 // ...`

GPL6244 가 유별납니다. 유전자 기호가 슬래시 두 개로 나뉜 문자열 안에 들어 있어요. 두 번째 칸을 잘라 내야 합니다.

High school하나가 여럿을 가리키는 경우

반대 방향의 문제도 있습니다. 프로브 하나가 여러 유전자에 붙는 경우예요. 주석표에 MMP7 /// MMP20처럼 슬래시로 적혀 있습니다.

서로 아주 닮은 유전자 집안(패밀리)에서 흔합니다. 짧은 프로브 서열이 두 유전자 모두와 붙어 버리니까요. 쌍둥이 형제를 멀리서 찍은 사진 한 장으로는 누가 누구인지 못 정하는 것과 같습니다.

처리	결과
첫 번째 유전자만 취함	편하지만 자의적
모든 유전자에 같은 값 배정	중복 계산 — 가짜 상관이 생김
그 프로브를 버림	이 강의의 방식 — 안전하되 패밀리 유전자를 잃음

세 번째를 고르면 MMP 집안 일부가 통째로 사라질 수 있습니다. 그래서 최종 순위표에 특정 유전자가 없다는 것이 "차이가 없다"는 뜻이 아닐 수 있어요.

네 줄짜리 함수 하나가 네 플랫폼을 하나의 이름 체계로 모읍니다.

Python Runs in your browser

# 네 플랫폼의 주석 문자열을 유전자 기호 하나로 만드는 함수.
def to_symbol(platform, raw):
    if platform == "GPL6244":
        # "NM_001 // RFC2 // replication factor // chr7 // 100"
        parts = [x.strip() for x in raw.split("//")]
        return parts[1] if len(parts) > 1 else ""
    # 나머지 셋은 슬래시 셋으로 유전자를 나눈다
    return raw.split("///")[0].strip()

cases = [
    ("GPL570",  "DDR1 /// MIR4640"),
    ("GPL570",  "RFC2"),
    ("GPL4133", "FAM174B"),
    ("GPL6480", "FAM174B"),
    ("GPL6244", "NM_001278 // RFC2 // replication factor C subunit 2 // 7q11 // 5982"),
    ("GPL6244", "---"),
]
for p, raw in cases:
    s = to_symbol(p, raw)
    print(f"{p:8s} {raw[:46]:48s} -> {s if s and s != '---' else '(버림)'}")

버려지는 탐침이 생각보다 많습니다.

Python Runs in your browser

# 접은 결과 — 실제 값입니다.
import pandas as pd

t = pd.DataFrame({
    "GPL":      ["GPL570", "GPL4133", "GPL6244", "GPL6480"],
    "probes":   [54613, 43376, 33297, 41000],
    "mapped":   [45782, 30963, 28089, 34127],   # 유전자 기호가 붙은 탐침
    "genes":    [22876, 19746, 23305, 19592],
})
t["mapped_pct"] = (t.mapped / t.probes * 100).round(1)
print(t.to_string(index=False))
print()
print("탐침의 15~30% 는 유전자 기호가 아예 없습니다 —")
print("대조용 탐침, 미확인 전사체, 예전에 유전자로 여겼다가 취소된 것들입니다.")

High school접고 나면 넷이 만난다

이 작업이 끝나야 비로소 네 시리즈가 같은 표에 앉습니다.

접기 전	접은 후
GSE24206: 프로브 54,675개	공통 유전자 기호 약 15,000개
GSE10667: 프로브 약 41,000개
GSE110147: 프로브 33,297개
GSE53845: 프로브 약 41,000개

공통 유전자만 남기니까 숫자가 확 줄어듭니다. 어떤 유전자는 GPL570에는 있고 GPL6244에는 없어요. 넷 모두에 있는 것만 메타분석에 쓸 수 있습니다.

시리즈를 늘리면 신뢰도는 오르지만 공통 유전자 수는 줄어듭니다 — 항상 맞바꿈입니다.

🤔 Check yourself

탐침 주석이 DDR1 /// MIR4640 일 때, 이 강의가 내린 결정은?

🤔 Check yourself

한 유전자에 붙은 탐침 여럿을 평균 내면 생길 수 있는 문제는?

🤔 Check yourself

유전자 기호 대신 Entrez ID 를 쓰는 것이 더 안전한 이유는?