Lesson 19 of 20

【실습 종합】 논문 그림을 처음부터 그린다

Zhu, Dann et al. (2026) Fig. 3,4 — cluster heatmap & disease enrichment

이제 종합 실습입니다. 지금까지 배운 개념을 모두 사용해서, 이 스크린의 핵심 결과를 직접 시각화해 봅니다.

목표: 주요 클러스터의 멤버 유전자와 질병 연관을 히트맵으로 그립니다.

High school논문 그림을 처음부터 그린다

논문의 그림을 직접 그려 보는 것은 가장 좋은 학습법입니다. 그림 하나를 만들려면 모든 결정을 다시 내려야 하니까요.

그림을 그리며 마주치는 결정	어느 강
어느 조건 자료를 쓸까	14강
세포 수 문턱을 얼마로	15강
억제 확인 문턱은	9강
클러스터를 몇 개로 나눌까	12강
농축 검정의 배경 집합은	17강

논문 그림은 이 결정들이 이미 내려진 결과입니다. 그리고 대개 어떤 결정을 내렸는지는 방법 부분에 짧게만 적혀 있어요.

클러스터와 자가면역 질환의 연관을 히트맵으로 그립니다

Python Runs in your browser

import numpy as np
import matplotlib.pyplot as plt

# 클러스터-질병 연관 데이터 (실제 OR 값)
clusters = ['Cl.79\nTh17', 'Cl.22\nTCR', 'Cl.108\nmTORC', 'Cl.110\nAllergy']
diseases = ["Crohn's", 'RA', 'Asthma', 'Eczema', 'Psoriasis', 'T1D', 'Lupus']

# OR 행렬 (log2 스케일, 0은 유의미하지 않음)
or_matrix = np.array([
    [np.log2(58.2), np.log2(3.0), np.log2(3.1), 0, 0, 0, 0],
    [0, 0, 0, 0, 0, 0, 0],
    [0, 0, 0, 0, 0, 0, 0],
    [0, 0, np.log2(20.4), np.log2(24.3), np.log2(17.6), 0, 0],
])

fig, ax = plt.subplots(figsize=(9, 5))
im = ax.imshow(or_matrix, cmap='YlOrRd', aspect='auto', vmin=0, vmax=6)

ax.set_xticks(range(len(diseases)))
ax.set_xticklabels(diseases, rotation=45, ha='right')
ax.set_yticks(range(len(clusters)))
ax.set_yticklabels(clusters)

for i in range(len(clusters)):
    for j in range(len(diseases)):
        v = or_matrix[i, j]
        if v > 0:
            real_or = 2**v
            ax.text(j, i, f'{real_or:.1f}', ha='center', va='center',
                    fontsize=9, fontweight='bold', color='white' if v > 3 else 'black')

ax.set_title('클러스터-질병 연관 히트맵 (오즈비)')
cb = plt.colorbar(im, ax=ax, label='log2(OR)')
plt.tight_layout()
plt.show()

High school재현이 안 될 때

원인	확인 방법
문턱이 다름	방법 부분을 다시 읽기
자료 버전이 다름	보충자료의 버전 표시
전처리가 다름	정규화·필터 방식
알고리즘 난수	시드가 고정됐나
정말 다른 결과	드물지만 가능 — 저자에게 문의

숫자가 조금 달라도 결론이 같으면 재현된 것입니다 — 소수점까지 같을 필요는 없습니다.

다음으로, 주요 유전자들의 조건별 DE 유전자 수를 한눈에 비교합니다.

주요 유전자의 교란 영향을 종합적으로 비교합니다

Python Runs in your browser

import numpy as np
import matplotlib.pyplot as plt

genes = ['TADA2B', 'CD3E', 'STAT3', 'GATA3', 'IRF4', 'STAT6', 'CTLA4']
stim8hr = [5920, 5711, 1370, 1239, 567, 233, 1]

# 클러스터 멤버 표시
cluster_label = ['Cl.9/10', 'Cl.22', 'Cl.79', '-', 'Cl.79', 'Cl.85', '-']

fig, ax = plt.subplots(figsize=(9, 5))
colors = ['#f85149' if d > 2000 else '#E8A838' if d > 500 else '#1ABFB0' if d > 50 else '#3fb950' for d in stim8hr]
bars = ax.barh(range(len(genes)), stim8hr, color=colors, height=0.6)

for i, (bar, v, cl) in enumerate(zip(bars, stim8hr, cluster_label)):
    label = f'{v:,}  ({cl})' if cl != '-' else f'{v:,}'
    ax.text(bar.get_width() + 80, i, label, va='center', fontsize=9)

ax.set_yticks(range(len(genes)))
ax.set_yticklabels(genes)
ax.set_xlabel('DE 유전자 수 (Stim 8hr)')
ax.set_title('주요 유전자의 교란 영향 — 종합 정리')
ax.spines[['top','right']].set_visible(False)
plt.tight_layout()
plt.show()

High school그림이 감추는 것

논문 그림은 아름답게 정리돼 있습니다. 그 과정에서 사라진 것들이 있어요.

사라진 것	왜 중요한가
문턱을 못 넘은 유전자들	그중에 진짜가 있을 수 있음
세포가 적었던 조건	미판정인데 안 보임
다른 문턱에서의 결과	결론이 얼마나 튼튼한지
실패한 가이드	어떤 유전자가 검사 못 됐나

그래서 그림을 직접 그려 보면, 그림에 없는 것도 알게 됩니다. 그게 재현 실습의 진짜 소득이에요.

High school손잡이를 돌려 보기

그림을 그렸으면 문턱을 바꿔 다시 그려 봅니다.

바꿔 볼 것	보는 것
세포 수 문턱	몇 개 유전자가 들어오고 나가나
q값 문턱	목록의 크기
클러스터 개수	묶음이 얼마나 안정적인가
조건	결론이 조건에 얼마나 의존하나

문턱을 바꿔도 남는 것이 진짜 결론입니다.

상위 몇 개는 대개 안 바뀝니다. 흔들리는 것은 경계선 근처예요. 어느 쪽인지 아는 것이 그 결과를 얼마나 믿을지 정해 줍니다.

🤔 Check yourself

이 종합 실습에서 사용한 세 가지 핵심 개념은?