Lesson 13 of 20

【실습】 아데노신 축을 네 조건에서 잰다

논문 Fig. 7F·G · GSE268555 세포 37,585개

논문은 아데노신을 두 자리에서 언급합니다.

어디	무엇을 보였나
Fig. 7F	순환 단핵구가 아데노신 생성 유전자를 높게 켠다
Fig. 7G	공간전사체에서 병용 때 아데노신 관련 유전자가 줄어든다

우리는 이 둘을 한 축으로 묶어 네 조건에서 잽니다.

High school아데노신 축을 네 조건에서 잰다

12강에서 본 세 유전자(Entpd1 · Nt5e · Adora2a)를 네 조건에서 세포유형별로 잰다.

무엇을 기대하나

기대	근거
Treg 에서 Entpd1 높음	11강 — Treg 의 억제 기전
암세포·기질에서 Nt5e	11강
치료 후 축이 낮아짐	치료가 효과적이라면

기대를 먼저 적는 이유

결과를 본 뒤에 설명을 만들면 어떤 결과든 설명된다. 미리 적어야 예상 밖의 결과를 알아챌 수 있다.

예측을 먼저 쓰는 것이 확인과 사후 합리화를 가른다

행이 네 축, 열이 네 조건입니다.

Python Runs in your browser

# 아데노신 축을 네 조건에서 - 전체 · 단핵구계열 · T세포
import mtb

for where, 이름 in [("all", "면역세포 전체"), ("mono", "단핵구계열"), ("tcell", "T세포")]:
    print(f"[{이름}]")
    print(mtb.adeno(where).to_string())
    print()

Python Runs in your browser

# 논문 Fig. 7G 의 방향 - 병용에서 아데노신 생성이 줄었나
import mtb

a = mtb.adeno("all").loc["아데노신 생성"]
print("아데노신 생성 (Entpd1 · Nt5e)")
for s in mtb.ORDER:
    print(f"  {mtb.COND[s]:<26}{a[s]:>7.3f}")
print()
print(f"대조 {a['WT_CTRL']:.3f} -> 병용 {a['KD_PD1']:.3f}   "
      f"({100*(a['KD_PD1']/a['WT_CTRL']-1):+.1f}%)")
print()
print("네 조건을 지나며 계속 내려갑니다 - 논문 Fig. 7G 와 같은 방향입니다.")

High school세포유형별로 나눠 보는 이유

전체 평균으로 보면 축이 안 보이거나 반대로 보일 수 있다.

상황	전체 평균	실제
Treg 가 늘고 Entpd1 은 세포당 그대로	Entpd1 상승	세포 수 변화
Treg 는 그대로, 세포당 Entpd1 상승	Entpd1 상승	상태 변화

같은 관찰이 조성 변화 일 수도 상태 변화 일 수도 있다. 단일세포 자료에서는 이 둘을 가를 수 있다.

가르는 방법

세포유형별로 발현 세포 비율 과 발현 세포 안의 평균 을 따로 본다. 비율이 변했으면 조성, 평균이 변했으면 상태다.

단일세포 자료의 가장 큰 값어치는 조성과 상태를 분리할 수 있다는 것이다

High schooln=1 이라는 벽

이 자료도 조건당 생쥐 한 마리 다. 그러니 조건 간 차이의 유의성은 말할 수 없다.

할 수 있는 것	할 수 없는 것
어느 세포가 발현하는지	치료가 축을 낮췄다는 결론
조성인지 상태인지 구별	p 값
배수와 방향 보고	일반적 인과 주장

그래도 첫 줄은 값어치가 크다

"어느 세포가 CD73 을 만드나" 는 조건과 무관한 물음이다. n=1 이어도 답할 수 있다. 그리고 그것을 알면 어느 세포를 표적으로 삼을지 가 정해진다.

개체 수가 부족해도 세포 사이의 관계는 물을 수 있다

「대식세포와 골수계 첫걸음」 9강에서 쓴 것과 같은 확인 절차입니다.

Python Runs in your browser

# 구성이 바뀐 것인가, 세포마다 바뀐 것인가
import mtb

d = mtb.cells()
sc = mtb.score(mtb.axes()["아데노신 생성"], d)
print("세포형별 아데노신 생성 (상위 6)")
print(sc.groupby(d["세포형"]).mean().sort_values(ascending=False).head(6).round(3).to_string())
print()
print("같은 세포형 안에서만 조건을 견주면")
print(f"{'세포형':<16}" + "".join(f"{s:>10}" for s in mtb.ORDER))
for ct in ["단핵구", "대식세포 (Arg1+)", "대식세포 (C1q+)", "호중구"]:
    m = (d["세포형"] == ct).values
    vals = [sc[m & (d["표본"] == s).values].mean() for s in mtb.ORDER]
    print(f"{ct:<16}" + "".join(f"{v:>10.3f}" for v in vals))
print()
print("세포형 안에서도 내려갑니다 - 구성 효과만은 아닙니다.")

High school축 점수라는 요약

세 유전자를 하나의 축 점수 로 합칠 수 있다.

장점	단점
잡음이 줄어듦	세포유형별 역할이 뭉개짐
비교가 간단	어느 유전자가 움직였는지 모름

이 경우에는 조심해야 한다

세 유전자가 서로 다른 세포에 있다. 그것을 한 점수로 합치면 존재하지 않는 세포의 점수 를 만드는 셈이다.

축 점수는 조직 수준 에서는 말이 되고, 세포 수준 에서는 말이 안 된다.

여러 세포에 흩어진 경로를 한 세포의 점수로 합치면 안 된다

🤔 Check yourself

아데노신 생성 축이 네 조건을 지나며 계속 내려간 것의 뜻은?

🤔 Check yourself

'세포형 안에서도 내려갔다' 를 확인한 이유는?

🤔 Check yourself

녹다운 단독에서 NAD⁺ 소모 축이 오른 것을 어떻게 설명할 수 있나?