20강 / 20강

정리 — 이 데이터로 말할 수 있는 것과 없는 것

Zhu, Dann et al. (2026) Discussion

20강을 마칩니다. 이 스크린이 무엇을 알려줬는지, 그리고 여전히 모르는 것은 무엇인지를 정리합니다.

고등학생말할 수 있는 것

주장	근거
유전자의 중요도는 세포와 상태에 따라 달라진다	4·14강
사람 1차 T세포에서 유전자 1만 개 이상을 교란한 지도가 만들어졌다	6강
기능적으로 묶이는 유전자 클러스터가 112개 있다	12·13강
자가면역 GWAS 신호가 특정 클러스터에 농축된다	17강
표적 후보의 세포 수준 우선순위를 매길 수 있다	18강

✅ 말할 수 있는 것

• 11,526개 유전자 각각을 끄면 전사체가 어떻게 바뀌는가
• 비슷한 효과를 내는 유전자가 112개 팀으로 묶인다
• 특정 팀이 특정 자가면역 질환의 GWAS 유전자와 강하게 겹친다
• 어떤 표적이 정밀한 스위치이고, 어떤 표적이 광범위한 영향을 주는가
• CRISPRi로 1차 T세포에서 유전체 규모 교란 스크린이 가능하다

❌ 말할 수 없는 것

• 이 결과가 다른 세포 유형(B세포, 대식세포)에서도 같은가
• 생체 내(in vivo)에서도 같은 효과가 나는가
• 약물이 유전자 녹다운과 똑같이 작용하는가
• 두 유전자를 동시에 끄면 어떤 일이 벌어지는가 (조합 효과)
• 단백질 수준의 변화 (전사체만 읽었으므로)

고등학생말할 수 없는 것

말할 수 없는 것	왜
다른 세포에서도 같을지	CD4+ T세포 하나만 봄
단백질 수준에서도 같을지	읽은 것은 RNA
약으로 막았을 때도 같을지	18강 — 유전자 끄기 ≠ 단백질 막기
이 유전자가 병의 원인인지	17강 — 농축은 인과가 아님
유전자 쌍의 상호작용	6강 — 단일 교란 설계
사람마다 같을지	기증자 수가 제한적
세포가 적었던 유전자들	15강 — 미판정

20강의 흐름을 되짚어 봅니다.

강	배운 것	핵심 숫자
1-6	원리와 설계	11,526 유전자 · 210만 세포 · 4 기증자 · 3 조건
7-10	분석 방법	DE 분석 · 유사벌크 · 표적 효과 · 가이드 일치
11-13	결과 탐색	TADA2B (5,920) → CTLA4 (1) · 112 클러스터
14-16	함정	조건 특이성 · 세포 수 · 오프타깃
17-18	질병과 약물	크론병 OR=58.2 · STAT6 vs. STAT3
19-20	종합과 한계	말할 수 있는 것 / 없는 것

고등학생20강에서 가져갈 검사 목록

이 강의가 반복해서 가르친 것은 검사의 순서입니다.

	검사	강
①	세포 수가 충분한가	15
②	표적이 실제로 눌렸나	9
③	가이드끼리 일치하나	10
④	오프타깃·이웃 효과는 아닌가	16
⑤	어느 조건에서 나온 결과인가	14
⑥	수가 아니라 무엇이 흔들렸나	12·13

이 여섯 개는 어떤 스크린 자료에도 그대로 씁니다 — Perturb-seq이 아니어도요.

20강 전체의 핵심 숫자를 한눈에 봅니다

Python 브라우저에서 실행

import matplotlib.pyplot as plt
import numpy as np

# 최종 요약 — 핵심 숫자들
fig, axes = plt.subplots(1, 3, figsize=(12, 4))

# 1. 스크린 규모
labels1 = ['Genes', 'Cells (M)', 'Clusters', 'Diseases']
vals1 = [11526, 2.1, 112, 17]
colors1 = ['#1ABFB0', '#58a6ff', '#E8A838', '#f85149']
axes[0].bar(labels1, vals1, color=colors1, width=0.5)
axes[0].set_title('Screen Scale')
axes[0].spines[['top','right']].set_visible(False)

# 2. DE 범위
labels2 = ['CTLA4', 'STAT6', 'GATA3', 'TADA2B']
vals2 = [1, 233, 1239, 5920]
colors2 = ['#3fb950', '#1ABFB0', '#E8A838', '#f85149']
axes[1].barh(labels2, vals2, color=colors2, height=0.5)
axes[1].set_title('DE Range')
axes[1].set_xlabel('DE genes')
axes[1].spines[['top','right']].set_visible(False)

# 3. 질병 OR
labels3 = ["Crohn's", 'Eczema', 'Asthma']
vals3 = [58.2, 24.3, 20.4]
colors3 = ['#f85149', '#bc8cff', '#bc8cff']
axes[2].barh(labels3, vals3, color=colors3, height=0.5)
axes[2].set_title('Disease OR')
axes[2].set_xlabel('Odds Ratio')
axes[2].spines[['top','right']].set_visible(False)

plt.suptitle('Perturb-seq 첫걸음 — 종합 정리', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()

고등학생다음으로

이어서 볼 것	어디서
같은 자료로 표적을 판정하는 실습	/pdrug
섭동 실험 전반	/perturb
단일세포 자료 다루기	/tenx
GWAS 읽는 법	/gwas
T세포 생물학	/tcell
표적 선정의 논리	/insilico

이 자료는 지도입니다 — 지도가 있어도 길은 걸어야 알 수 있습니다.

Perturb-seq이 알려 준 것은 "어느 유전자가 어느 상황에서 무엇과 연결돼 있나"입니다. 그 연결이 병으로, 약으로 이어지는지는 다음 실험들의 몫이에요. 그래도 출발점이 훨씬 좋아졌습니다.

🤔 확인 문제

Perturb-seq으로 알 수 없는 것은?

🤔 확인 문제

이 데이터가 가장 직접적으로 도움이 되는 분야는?