Lesson 2 of 20

표 두 장을 연다 — 1,976 × 6 과 24,419 × 7

행과 열이 뜻하는 것 · 표본 이름이 서로 다르다는 첫 번째 함정

자료 분석에서 가장 흔한 사고는 어려운 통계에서 나지 않습니다. 열을 잘못 짝지어서 납니다. 그리고 그 사고는 오류 메시지를 내지 않습니다 — 그냥 틀린 숫자가 나올 뿐입니다.

두 표의 열 이름을 나란히 놓고 보겠습니다.

High school표 두 장

이 강의가 다루는 자료는 표 두 장 이다.

표	크기	내용
miRNA	1,976 × 6	miRNA 종류 × 표본
mRNA	24,419 × 7	유전자 × 표본

열 수가 다르다 — 6 과 7

같은 실험인데 표본 수가 다르다. 어떤 표본은 한쪽만 읽혔다는 뜻이다.

겹치는 표본만 써야 두 층을 이을 수 있다. 어느 표본이 겹치는지 를 확인하는 것이 첫 일이다.

두 자료를 잇기 전에 무엇이 짝지어지는지부터 확인한다

겹치는 이름이 하나도 없습니다. 손으로 짝을 지어야 한다는 뜻입니다.

Python Runs in your browser

import pandas as pd

mi = pd.read_csv("mirna_counts.bin", sep="\t", index_col=0, compression="gzip")
mr = pd.read_csv("mrna_counts.bin",  sep="\t", index_col=0, compression="gzip")

print("miRNA 표본 :")
for c in mi.columns:
    print("   ", c)
print()
print("mRNA 표본 :")
for c in mr.columns:
    print("   ", c)
print()
print("이름이 그대로 겹치는 표본 :", set(mi.columns) & set(mr.columns))

High school표본 이름이 서로 다르다

첫 번째 함정이 여기서 나온다. 두 표에서 같은 표본을 다른 이름 으로 부른다.

흔한 어긋남	예
대소문자	WT1 vs wt1
구분자	WT_1 vs WT-1
접두·접미사	S1_WT vs WT1
순서	열 순서가 다름

이것이 왜 위험한가

이름을 안 맞추고 열 순서대로 이어 붙이면 다른 표본끼리 짝지어진다.

그러면 모든 이후 분석이 틀린다. 그런데 결과가 그럴듯해 보인다. 오류가 조용히 지나간다.

이름으로 잇지 말고 순서로 이으면 조용히 틀린다

짝을 지은 다음에는 반드시 표에 있는지 확인합니다. 오타는 여기서 잡아야 합니다.

Python Runs in your browser

# 표본을 손으로 짝지어 둡니다. 앞으로 20강 내내 이 네 목록만 씁니다.
import pandas as pd

mi = pd.read_csv("mirna_counts.bin", sep="\t", index_col=0, compression="gzip")
mr = pd.read_csv("mrna_counts.bin",  sep="\t", index_col=0, compression="gzip")

MIWT = ["WT_Ddx54_1", "WT_Ddx54_2", "WT_Ddx54_3"]
MIKD = ["Ddx54_KD_1", "Ddx54_KD_2", "Ddx54_KD_3"]
MRWT = ["WT_DDX54_1", "WT_DDX54_2", "WT_DDX54_3", "WT_DDX54_4"]
MRKD = ["KD_DDX54_1", "KD_DDX54_2", "KD_DDX54_3"]

for name, cols, df in [("miRNA WT", MIWT, mi), ("miRNA KD", MIKD, mi),
                       ("mRNA  WT", MRWT, mr), ("mRNA  KD", MRKD, mr)]:
    ok = all(c in df.columns for c in cols)
    print(f"{name} : {len(cols)}개  표에 다 있나 → {ok}")

print()
print("miRNA 는 3 대 3, mRNA 는 4 대 3 — 표본 수도 다릅니다.")

행이 뜻하는 것

두 표의 행도 성격이 다릅니다.

mRNA 표 — 행 이름은 유전자 기호(Ddx54, Myc). 한 행이 유전자 하나입니다.
miRNA 표 — 행 이름은 miRBase 이름(mmu-miR-34b-5p). mmu 는 생쥐, -5p 는 전구체의 5' 쪽에서 나온 가닥이라는 뜻입니다.

miRNA 는 헤어핀 모양 전구체에서 잘려 나옵니다. 한 헤어핀에서 두 가닥이 나오는데, 5' 쪽에서 나온 것이 -5p, 3' 쪽이 -3p 입니다. 둘은 완전히 다른 서열이고, 따라서 표적도 완전히 다릅니다. 같은 miR-34b 라도 -5p 와 -3p 를 섞으면 안 됩니다.

High school행이 뜻하는 것도 다르다

표	행 하나	식별자
miRNA	성숙 miRNA 하나	mmu-miR-34b-5p 같은 이름
mRNA	유전자 하나	Ddx54 같은 심볼

miRNA 이름 규칙

부분	뜻
mmu-	종 (생쥐)
miR-34b	계열 번호
-5p / -3p	헤어핀의 어느 쪽 팔에서 왔나

-5p 와 -3p 가 중요하다

miRNA 는 헤어핀 모양 의 전구체에서 잘려 나온다. 양쪽 팔에서 각각 하나씩 나올 수 있다.

두 팔은 서열이 다르니 표적도 다르다. "miR-34b 가 올랐다" 는 문장은 어느 팔인지 밝히지 않으면 불완전 하다.

이름의 마지막 두 글자가 표적을 통째로 바꾼다

행 이름 끝의 -5p/-3p 를 잘라 버리면 안 되는 이유.

Python Runs in your browser

# miR-34b 의 두 가닥을 나란히 봅니다. 이름이 한 글자 다를 뿐인데 값이 아주 다릅니다.
import pandas as pd

mi = pd.read_csv("mirna_counts.bin", sep="\t", index_col=0, compression="gzip")
mr = pd.read_csv("mrna_counts.bin",  sep="\t", index_col=0, compression="gzip")

rows = [r for r in mi.index if "miR-34b" in r or "miR-34c" in r]
print(mi.loc[rows])
print()
print("→ 같은 헤어핀에서 나왔지만 5p 와 3p 는 서로 다른 분자입니다.")

🎮 표 탐색기

두 표를 직접 훑어보세요. 행을 검색하고, 표본 짝을 확인할 수 있습니다.

High school자료를 열자마자 할 일

순서	확인
1	행·열 개수가 문서와 맞나
2	표본 이름이 두 표에서 대응되나
3	표본별 총 read 수가 얼마나 다른가
4	0 이 얼마나 많은가
5	결측(NA)이 있나

3번과 4번이 다음 두 강의 주제다

3강에서 깊이 차이(38만 vs 21만)를 다루고, 4강에서 0 이 절반 이라는 사실을 다룬다.

둘 다 분석 방법을 바꿔야 하는 성질이다. 자료를 열자마자 알아야 뒤에서 헤매지 않는다.

자료의 성질을 먼저 확인하면 어떤 방법을 쓸지가 정해진다

🤔 Check yourself

set(mi.columns) & set(mr.columns) 가 빈 집합인 이유는?

🤔 Check yourself

mmu-miR-34b-5p 와 mmu-miR-34b-3p 의 관계는?

🤔 Check yourself

표본 목록을 startswith("WT") 로 뽑는 대신 손으로 적어 두라고 한 까닭은?

Answer mRNA 표는 KD 를 KD_DDX54_1 로 쓰므로 startswith("WT") 의 여집합이 KD 가 맞지만, miRNA 표는 Ddx54_KD_1 이라 WT 로 시작하지 않는 것이라는 규칙이 우연히만 맞습니다. 명시적으로 적어 두면 나중에 표본이 하나 늘어도 조용히 틀릴 일이 없습니다.