Lesson 1 of 22

세포 37,585개의 지도 — 종양 안에는 무엇이 있나

네 표본 · 군집 22개 · 세포유형 19가지

종양 안에는 암세포만 있는 것이 아닙니다. 호중구 · 대식세포 · T세포 · NK세포 · 수지상세포 … 면역세포가 종양 무게의 절반 가까이를 차지하기도 합니다.

이 자료는 생쥐 LLC1 종양에서 CD45 양성 면역세포만 골라 한 개씩 읽은 것입니다. 네 조건에서 각각 한 마리씩.

표본	Ddx54	처리	QC 통과 세포
WT_CTRL	정상	아이소타입(대조)	11,187
KD_CTRL	녹다운	아이소타입	6,257
WT_PD1	정상	항-PD1	11,686
KD_PD1	녹다운	항-PD1	8,455

2×2 설계입니다. 논문의 주장은 이렇습니다 — Ddx54 를 끄고 항-PD1 을 같이 주면, 그때만 종양이 면역 사막에서 면역 열점으로 바뀐다. 칸 하나에서만 일어나는 시너지를 보겠다는 것이죠.

High school세포 하나하나를 읽는다는 것

예전에는 조직을 통째로 갈아서 RNA 를 읽었다. 그러면 평균 만 나온다. 어느 세포가 무엇을 하는지는 알 수 없다.

단일세포 시퀀싱은 세포를 하나씩 가둔다

기름방울 하나에 세포 하나씩 넣고, 방울마다 다른 바코드를 붙인다. 그러면 나중에 어느 RNA 가 어느 세포에서 왔는지 알 수 있다.

	덩어리 RNA-seq	단일세포
관측 단위	조직 한 조각	세포 하나
알 수 있는 것	평균 발현	세포마다의 발현
세포 조성	추정만 가능	직접 셈
깊이	깊음	얕음 (세포당)

평균을 보던 것에서 분포를 보는 것으로 — 그것이 이 기술이 바꾼 것이다

표본마다 같은 수(3,000개)로 뽑았습니다 — 이유는 5강에서.

Python Runs in your browser

import im

c = im.cells()
print(f"세포 {len(c):,}개 × 유전자 {len(im.genes())}개")
print()
print(c.head(4).to_string())
print()
print("표본마다 몇 개씩 실려 있나")
print(c["표본"].value_counts()[im.SAMPLES].to_string())

High school37,585 · 22 · 19 라는 숫자들

숫자	뜻
37,585	읽은 세포 수
4	표본 수 (조건당 하나)
22	알고리즘이 나눈 군집 수
19	우리가 붙인 세포유형 이름 수

22 와 19 가 다른 것에 주목하자

군집은 알고리즘이 나눈 것이고 세포유형은 사람이 붙인 이름이다. 군집 두 개가 같은 세포유형일 수도 있고, 한 군집 안에 두 유형이 섞여 있을 수도 있다.

2강에서 이 이야기를 자세히 한다.

그리고 4 라는 숫자

세포는 3만 7천 개인데 표본은 넷 이다. 이 불균형이 이 강의의 절반을 차지한다 — 4강부터 13강까지가 그 이야기다.

가장 큰 숫자가 아니라 가장 작은 숫자가 분석의 한계를 정한다

2차원 좌표는 t-SNE 로 미리 계산해 둔 것입니다.

Python Runs in your browser

import im
import matplotlib.pyplot as plt

c = im.cells()
fig, ax = plt.subplots(1, 2, figsize=(11, 4.6))

# 왼쪽 — 세포유형으로 칠하기
cts = c["세포유형"].value_counts().index[:10]
for i, ct in enumerate(cts):
    m = c["세포유형"] == ct
    ax[0].scatter(c.x[m], c.y[m], s=1.2, alpha=.5, label=ct)
ax[0].set_title("세포유형"); ax[0].set_xticks([]); ax[0].set_yticks([])
ax[0].legend(markerscale=8, fontsize=6, loc="upper right", ncol=2)

# 오른쪽 — 표본으로 칠하기
for s in im.SAMPLES:
    m = c["표본"] == s
    ax[1].scatter(c.x[m], c.y[m], s=1.2, alpha=.5, label=s)
ax[1].set_title("표본"); ax[1].set_xticks([]); ax[1].set_yticks([])
ax[1].legend(markerscale=8, fontsize=7)
plt.tight_layout()

print("왼쪽은 덩어리가 또렷하고, 오른쪽은 색이 섞여 있습니다.")
print("표본이 달라도 같은 세포유형끼리 모인다는 뜻 — 좋은 신호입니다.")

호중구와 단핵구·대식세포가 대부분입니다 — 골수계가 압도적인 종양이에요.

Python Runs in your browser

import im

c = im.cells()
print(f"{'세포유형':<18}{'세포 수':>8}{'비율':>8}")
print("-" * 36)
v = c["세포유형"].value_counts()
for ct, n in v.items():
    print(f"{ct:<18}{n:>8,}{n/len(c)*100:>7.1f}%")
print()
print("큰 갈래로 묶으면")
print(c["갈래"].value_counts().to_string())

High school군집이란 무엇인가

세포 3만 7천 개를 어떻게 유형별로 나누나? 비슷한 유전자를 쓰는 세포끼리 묶는다.

단계	하는 일
1	세포마다 유전자 2만 개의 발현 벡터를 만듦
2	차원을 줄임 (PCA → 보통 30~50차원)
3	가까운 세포끼리 이웃 그래프를 만듦
4	그래프를 조밀한 덩어리로 자름 (Leiden/Louvain)
5	덩어리마다 번호를 붙임 → 군집

중요한 것은 4단계에 손잡이가 있다는 점

해상도(resolution) 라는 값을 올리면 군집이 많아지고 내리면 적어진다. 정답이 없다.

22개라는 숫자는 자연이 정한 것이 아니라 우리가 손잡이를 어디에 뒀느냐 의 결과다.

군집 개수는 발견이 아니라 설정이다

🎮 지도 탐색기

세포유형·표본·유전자로 색을 바꿔 가며 지도를 살펴보세요.

High schoolUMAP 그림을 어떻게 읽어야 하나

단일세포 논문에는 거의 언제나 알록달록한 UMAP 그림이 나온다. 읽는 규칙이 있다.

읽어도 되는 것	읽으면 안 되는 것
어떤 덩어리들이 있나	덩어리 사이의 거리
덩어리 안의 대략적 구조	덩어리의 크기(면적)
세포가 어느 덩어리에 속하나	축의 방향이 뜻하는 것

거리를 읽으면 안 되는 이유

UMAP 은 가까운 것을 가깝게 유지하는 데 집중한다. 먼 것끼리의 거리는 거의 보존하지 않는다.

서울에서 부산까지, 부산에서 도쿄까지의 거리를 지하철 노선도로 재는 것과 같다. 노선도는 연결을 보여 주지 거리를 보여 주지 않는다.

UMAP 은 지도가 아니라 노선도다 — 이웃 관계만 믿는다

🤔 Check yourself

이 강의가 /dataset 강의와 같은 자료를 쓰면서도 다른 것은?

Answer QC · 정규화 · 군집 · 이름 붙이기는 /dataset 이 20강에 걸쳐 가르칩니다. 이 강의는 그 결과를 받아서 비교와 통계에 22강을 씁니다 — 훨씬 어려운 부분이거든요.

🤔 Check yourself

2×2 설계에서 '시너지' 를 보려면 무엇을 확인해야 하는가?

🤔 Check yourself

t-SNE 그림에서 표본으로 칠했을 때 색이 섞여 있는 것이 좋은 신호인 이유는?