1강 / 20강

남이 이미 낸 자료 — 왜 거기서 시작하는가

NCBI GEO 보유고 2026년 3분기 · Pun FW, et al. Front Aging Neurosci 14:914017 (2022)

새 약의 표적을 찾으려면 병든 조직과 성한 조직을 견주어야 합니다. 그러려면 환자에게서 조직을 얻고, RNA 를 뽑고, 기계에 걸어야 해요. 사람 폐조직 백 개를 그렇게 모으는 데 몇 년이 걸립니다.

그런데 이미 그 일을 한 사람들이 있습니다. 그것도 아주 많이.

학술지 대부분이 이런 규칙을 둡니다 — "원자료를 공개 저장소에 올리지 않으면 논문을 싣지 않는다." 그 저장소 중 가장 큰 것이 미국 NCBI 의 GEO(Gene Expression Omnibus) 입니다.

이미 있는 자료로 표적을 고를 수 있는가?

고등학생남이 쓰던 자를 빌려 쓴다는 것

학교 과학실에 온도계가 한 대뿐이라고 해 봅시다. 실험을 하려면 그 온도계를 사야 하고, 사려면 돈이 들고, 돈이 없으면 실험을 못 합니다. 그런데 옆 학교가 작년에 같은 실험을 하면서 온도를 다 재 놓고, 그 기록을 공책째 도서관에 맡겨 두었다면요? 우리는 온도계 없이도 그 숫자를 볼 수 있습니다.

GEO(Gene Expression Omnibus)가 바로 그 도서관입니다. 전 세계 연구자들이 유전자 발현을 재고 나서, 논문을 내기 전에 원자료를 여기에 맡깁니다. 학술지가 그렇게 하라고 요구하기 때문이에요. 그래서 지금 이 순간 수십만 건의 실험 기록이 아무 대가 없이 누구에게나 열려 있습니다.

그런데 왜 '공짜'가 대단한가

폐섬유증 환자의 폐 조직을 새로 얻으려면, 환자 동의를 받고, 수술장에서 조직을 받고, 윤리위원회를 통과하고, 시약을 사고, 장비를 돌려야 합니다. 몇 년과 수억 원이 듭니다. GEO에 있는 GSE24206은 그 모든 과정을 이미 끝낸 결과물이에요. 우리는 파일 하나를 내려받는 것으로 그 자리에 앉습니다.

돈과 시간이 아니라 질문이 병목이 되는 순간 — 그게 재분석의 출발점입니다.

2026년 3분기 기준으로 GEO 에 쌓여 있는 것은 이렇습니다.

📚

294,462

시리즈(GSE) — 연구 한 건이 시리즈 하나입니다

🧪

8,697,276

표본(GSM) — 조직 한 조각, 세포 한 접시가 하나

📏

28,857

플랫폼(GPL) — 자료를 잰 자의 종류

표본이 870만 개입니다. 한 사람이 평생 만들 수 있는 표본이 수천 개라면, GEO 는 실험실 수천 곳의 평생을 모아 둔 셈이에요.

고등학생빌린 자에는 눈금이 새겨져 있다

공책을 빌려 쓸 때 조심할 게 있습니다. 옆 학교는 자기 질문에 맞춰 온도를 쟀어요. 아침 9시에만 쟀을 수도 있고, 교실 한 곳에서만 쟀을 수도 있습니다. 우리가 '하루 종일의 평균 온도'를 알고 싶다면 그 공책은 반쯤만 쓸모가 있습니다.

GEO 자료도 똑같습니다. GSE24206을 만든 연구팀은 '폐섬유증에서 어떤 유전자가 달라지는가'를 물었습니다. 우리가 '어떤 유전자를 약으로 때릴 수 있는가'를 물으면, 그들이 재지 않은 것 — 단백질 양, 세포 종류, 약물 반응 — 은 아무리 파고들어도 그 파일에 없습니다.

새로 실험할 때	GEO를 재분석할 때
질문에 맞춰 설계를 고른다	이미 있는 설계에 질문을 맞춰야 한다
표본 수를 내가 정한다	표본 수가 정해져 있다 (보통 적다)
환자 정보를 원하는 만큼 안다	등록자가 적어 준 만큼만 안다
몇 년, 수억 원	몇 시간, 0원

이 강의는 그 마지막 줄 때문에 GEO에서 시작합니다. 그리고 나머지 세 줄 때문에 20강 내내 조심합니다.

이 강의는 그 일을 작게, 그러나 진짜로 해 봅니다.

폐가 굳어 가는 병이 있습니다. 특발성 폐섬유증(idiopathic pulmonary fibrosis, IPF). '특발성'은 원인을 모른다는 뜻이에요. 폐포 사이에 흉터 조직이 쌓여 숨을 못 쉬게 됩니다. 진단받고 나서 중앙값으로 3~5년입니다.

GEO 에서 IPF 폐조직을 잰 시리즈 넷을 골랐습니다. 넷 다 실제 공개 자료예요.

등록번호	플랫폼	IPF	정상	발표
`GSE24206`	Affymetrix HG-U133 Plus 2.0	17	6	2010
`GSE10667`	Agilent 4x44K	23	15	2009
`GSE110147`	Affymetrix Human Gene 1.0 ST	22	11	2018
`GSE53845`	Agilent 4x44K (2색)	40	8	2014
합계		102	40	—

환자 102명. 혼자 모으려면 십 년이 걸렸을 숫자입니다. 우리는 오후 한나절에 내려받았어요.

고등학생네 개를 합치면 뭐가 달라지나 — 비유가 통하는 지점

반 친구 한 명에게 "우리 학교 급식 맛있어?"라고 물으면, 그 대답은 그 친구 입맛입니다. 열 명에게 물어 여덟 명이 "맛없다"고 하면 그건 학교 급식 이야기가 됩니다. 표본이 늘면 개인의 우연이 씻겨 나가고 공통의 신호가 남습니다.

이 강의가 네 개의 시리즈(GSE24206, GSE10667, GSE110147, GSE53845)를 쓰는 이유가 이것입니다. 시리즈 하나에서만 크게 달라진 유전자는 그 병원, 그 장비, 그 해의 사정일 수 있어요. 네 곳에서 모두 같은 방향으로 달라졌다면 그건 병 자체의 이야기일 가능성이 훨씬 큽니다.

비유가 깨지는 곳

친구 열 명은 같은 급식을 먹었습니다. 네 시리즈는 같은 자로 재지 않았습니다. 플랫폼이 다르고, 정규화가 다르고, '정상'의 정의도 다릅니다. 급식 비유대로라면 그냥 평균 내면 되지만, 여기서는 3강부터 12강까지가 통째로 "그 평균을 낼 자격을 어떻게 얻는가"에 관한 이야기예요.

합치는 것은 쉽고, 합쳐도 되는지 따지는 것이 어렵습니다.

네 시리즈를 표로. 이 숫자가 20강 내내 따라다닙니다.

Python 브라우저에서 실행

# 이 강의가 실제로 쓴 자료 — 숫자는 전부 진짜입니다.
import pandas as pd

s = pd.DataFrame({
    "GSE":      ["GSE24206", "GSE10667", "GSE110147", "GSE53845"],
    "platform": ["GPL570", "GPL4133", "GPL6244", "GPL6480"],
    "IPF":      [17, 23, 22, 40],
    "normal":   [6, 15, 11, 8],
    "year":     [2010, 2009, 2018, 2014],
})
s["total"] = s.IPF + s.normal
print(s.to_string(index=False))
print()
print("환자 합계 :", s.IPF.sum())
print("정상 합계 :", s.normal.sum())
print("표본 합계 :", s.total.sum())

표본 142개. 그런데 정상이 40개뿐이라는 데 눈이 갔으면 좋겠습니다. 정상 조직은 구하기 어렵거든요. 건강한 사람의 폐를 떼어 낼 이유가 없으니까요.

그래서 연구자들은 다른 데서 정상을 구합니다. 이식용으로 기증됐지만 쓰이지 못한 폐, 폐암 수술에서 잘라 낸 조각의 성한 가장자리, 부검 조직….

넷 중 한 시리즈의 '정상'이 무엇이었는지는 16강에서 봅니다. 그 한 줄이 결과를 어디까지 흔드는지도요.

고등학생이 강의가 20강 동안 하는 일

큰 그림을 한 번 보고 갑시다. 우리는 네 개의 남의 실험을 가져다가, 하나의 표적 후보 순위표를 만들 겁니다. 순서는 이렇습니다.

강	하는 일	한 줄로
2–5	자료를 찾고 읽는다	파일에 뭐가 들어 있나
6–7	눈금과 이름을 맞춘다	넷을 견줄 수 있게 만든다
8–9	차이를 숫자로 만든다	얼마나 달라졌나
10–12	넷을 합친다	합쳐도 되나, 어떻게 합치나
13–14	거른다	우연히 걸린 것을 뺀다
15–17	의심한다	숫자가 속이는 방식 세 가지
18–20	결론을 낸다	표적 후보와, 그 한계

15강부터 17강이 이 강의의 성격을 결정합니다. 대부분의 재분석 강의는 14강에서 끝나요. 순위표를 만들고 "찾았다"고 하죠. 이 강의는 거기서 세 강을 더 써서 그 순위표를 흔들어 봅니다.

🤔 확인 문제

GEO 에 쌓인 표본(GSM)이 870만 개인데도 IPF 폐조직 정상 대조가 40개뿐인 가장 큰 이유는?

🤔 확인 문제

인실리코메디신이 ALS 표적을 찾을 때 가장 먼저 한 일은?