Lesson 20 of 20

두 층을 겹쳐 읽는다는 것

20강에서 만든 도구 · 다음에 할 수 있는 일 · 이 강의가 남기는 습관

우리가 지나온 길

부	한 일	남은 도구
1~4강	표 두 장을 열고 같은 자로 맞췄다	`cpm()` · 표본 짝짓기 · 발현 문턱
5~8강	각 층에서 무엇이 변했는지 검정했다	`de()` · `bh()` · 화산도
9~13강	두 층을 잇는 규칙을 손으로 짜 넣었다	`seed()` · `sites()` · `targets_of()`
14~18강	규칙이 자료에서 성립하는지 쟀다	`shift()` · `ecdf()` · `family_shifts()`
19~20강	확인된 것과 못 한 것을 갈라 적었다	판정 코드

이 중 9~13강이 이 강의의 핵심입니다. 자료 두 장을 나란히 놓는 것은 누구나 합니다. 그 둘을 무엇으로 이을 것인가 — 그 규칙이 분석의 전부입니다.

High school두 층을 겹쳐 읽는다는 것

이 강의가 한 일을 한 줄로 줄이면 이렇다.

miRNA 층의 변화가 mRNA 층의 변화를 설명하는지 확인했다

단계	도구	강
각 층의 변화 재기	차등발현 · FDR	5~8강
두 층을 잇는 다리 만들기	씨앗 · 계열 · 표적 예측	9~13강
다리가 실제로 작동하는지 확인	집합 검정 · CDF	14~18강
결론의 강도 채점	판정표	19강

층을 잇는 다리가 예측일 때, 결론은 그 예측만큼만 튼튼하다

코드는 짧습니다. 그 코드를 믿을 수 있게 만드는 일이 길었을 뿐입니다.

Python Runs in your browser

import mi

# 20강 전체가 이 여덟 줄로 압축됩니다.
d = mi.expressed()                                    # mRNA 층
fam_up = mi.dmi().loc[mi.members(mi.FAM34)]           # miRNA 층
targets = mi.targets_of(mi.FAM34)                     # 두 층을 잇는 규칙
result = mi.shift(targets)                            # 겹쳐서 검정

print(f"miR-34 계열 : {len(fam_up)}종, 가중 변화 "
      f"{(fam_up.logFC * fam_up.baseCPM).sum() / fam_up.baseCPM.sum():+.2f} log2")
print(f"예측 표적   : {result['n']}개")
print(f"표적 이동   : {result['delta']:+.4f} log2  ({(2 ** result['delta'] - 1) * 100:+.1f}%)")
print(f"단측 p      : {result['p']:.3f}")
print()
print("숫자 네 개. 20강은 이 네 숫자를 '믿을 수 있게' 만드는 과정이었습니다.")

이 자료로 더 할 수 있는 일

다른 계열을 파 보기 — 16강의 지도에서 표적이 크게 내려간 계열들 (miR-423-5p · miR-328-3p · miR-185-5p)은 왜 그런지 아무도 보지 않았습니다.
-3p 가닥 보기 — 이 강의는 5p 만 다뤘습니다. miR-34b-3p 도 +0.83 로 유의하게 올랐습니다.
miRNA 사이의 경쟁 모형 — Argonaute 자리를 두고 다투는 것을 모형화하면 2.4 배 증가가 실제 결합에서 몇 배가 되는지 추정할 수 있습니다.
3'UTR 길이 변화 — 암세포는 UTR 을 짧게 씁니다. 짧아진 UTR 이 자리를 잃어버렸는지는 이 자료로도 일부 볼 수 있습니다.

같은 논문을 다루는 다른 강의

생물정보학 첫걸음(/bio) — 같은 GSE285342 로 RNA-seq 기초부터
유전자탐색 첫걸음(/gene) — TCGA 로 ARACNe·VIPER·DIGGIT 을 직접 돌린다
생물정보학 데이터셋 첫걸음(/dataset) — 같은 논문의 단일세포 자료 GSE268555
공간전사체 데이터셋 첫걸음(/spatial) — 같은 논문의 Xenium 자료 GSE285341

High school숫자들을 한자리에

숫자	뜻	강
1,976 × 6 / 24,419 × 7	두 표의 크기	2강
38만 / 21만	표본별 read 수	3강
35% / 절반	상위 2종의 비중 / 0 인 비율	4강
103 vs 17	유의한 수 vs 우연 기댓값	8강
1,936 → 1,558	miRNA 종 → 계열	10강
516 / 436 / 405	내 예측 / TargetScan / 겹침	12강
452	검정한 표적 집합 크기	14강
+0.03	전역 상관	16강
2.4배 / 2.8%	miRNA 상승 / 표적 감소	17강

마지막 줄이 이 강의의 핵심 숫자다 — 조절자는 크게 변해도 결과는 작게 변한다

High school이 강의가 남기는 습관

습관	나온 곳
표본 이름을 먼저 맞춘다	2강
깊이를 확인하고 정규화한다	3강
분포의 모양을 먼저 본다	4강
유의한 수를 우연 기댓값과 견준다	8강
예측을 사실로 다루지 않는다	13강
작은 효과는 모아서 본다	14강
선택을 바꿔 보고 확인한다	18강
못 한 것과 못 하는 것을 나눈다	19강

여덟 습관 모두 "이 숫자가 정확히 무엇을 뜻하나" 를 묻는 훈련이다

🎮 되돌아보기

20강에서 나온 숫자들을 한자리에 모았습니다.

High school다음에 할 수 있는 일

다음 단계	메우는 빈칸
리보솜 프로파일링	번역 억제 (17강)
프로테오믹스	단백질 수준
CLIP-seq (AGO)	실제 결합 자리 (13강)
miRNA 억제제 실험	인과 확인
표본 수 늘리기	검정력 (18강)

이어지는 과목

관심	과목
원자료 처리	/bulk
다중검정과 통계	/stat
공개 발현 자료 다루기	/geo
그림으로 보이기	/viz

한 층만 봐서는 못 보는 것이 있다 — 그것이 층을 겹쳐 읽는 이유다

🤔 Check yourself

이 강의에서 두 층을 잇는 규칙 역할을 한 것은?

🤔 Check yourself

이 강의의 최종 결론을 한 문장으로 옮기면?

🤔 Check yourself

같은 방법(집합 수준 검정)을 쓸 수 있는 다른 상황은?

Answer 핵심은 미리 정의된 유전자 집합과 연속형 순위가 있으면 쓸 수 있다는 것입니다. GSEA·경로 농축·전사인자 활성 추론(VIPER)이 모두 같은 뼈대 위에 서 있습니다 — /gene 강의에서 그 계보를 이어서 볼 수 있습니다.