19강 / 20강

【실습】 논문의 11,070 → 3,055 를 만든다

SI 「Sample selection from TCGA data」 · Fig. S1

1강에서 논문의 표본 선별 문장을 봤습니다. 이제 그것을 코드로 만듭니다.

진짜 TCGA 자료는 여기서 받을 수 없으니(이 페이지는 네트워크를 안 씁니다), 같은 비율의 연습용 표를 만들어 같은 절차를 밟습니다. 중요한 것은 숫자가 아니라 절차예요.

1. 11,070줄짜리 표를 만든다 (표본 번호 · 종류 · 항원경로 돌연변이 · TIL · 돌연변이 수)

2. 원발암만 남긴다 → 9,707

3. 항원제시 경로에 돌연변이가 없는 것만 → 7,570

4. 면역침윤이 많은(brisk) 것만 → 3,055

5. 남은 표본의 TMB 를 구하고 TMB-High 를 센다

고등학생1강의 그 숫자를 이제 만듭니다

1강에서 논문의 표본 선별 문장을 봤습니다. 18강을 지나온 지금 그것을 코드로 만듭니다.

11,070 → 9,707 → 7,570 → 3,055

쓰이는 것들을 세어 보면

단계	배운 강
표를 만든다	11강 pandas
조건으로 거른다	6강 조건 · 11강
TMB 를 계산한다	2강 나누기 · 7강 함수
개수를 센다	10강 `.sum()`
가지런히 찍는다	5강 f-문자열

18강 동안 배운 것이 한 셀에 모인다

솔직한 단서 하나

본문이 이렇게 적습니다 — "진짜 TCGA 자료는 여기서 받을 수 없으니 같은 비율의 연습용 표를 만든다".

왜 못 받나요? 이 페이지가 네트워크를 안 쓰기 때문입니다. 파이썬이 여러분 브라우저 안에서 도니까요.

중요한 것은 숫자가 아니라 절차다

연습용 표라고 시시한 게 아닙니다. 자료만 바꿔 끼우면 똑같은 코드가 진짜가 돼요. 그게 코드의 좋은 점입니다.

순서가 중요합니다

거르는 순서를 바꾸면 결과가 달라집니다. 논문이 순서를 적어 둔 이유예요 — "먼저 원발암만, 그다음 항원 경로, 그다음 침윤".

순서까지 적혀 있어야 재현이 가능합니다.

논문의 네 숫자와 견줘 보세요. 무작위라 딱 맞지는 않지만 자릿수는 같습니다.

Python 브라우저에서 실행

import numpy as np, pandas as pd
rng = np.random.default_rng(20250225)

# ── 1. 표를 만든다 (논문의 비율에 맞춘 연습용 자료) ──────────
N = 11070
df = pd.DataFrame({
    "sample": [f"TCGA-{i:05d}" for i in range(N)],
    "type":   rng.choice(["원발", "정상", "전이"], N, p=[0.877, 0.098, 0.025]),
    "ag_mut": rng.random(N) < 0.220,          # 항원제시 경로 돌연변이
    "brisk":  rng.random(N) < 0.404,          # 면역침윤 많음
    "n_mut":  rng.poisson(240, N),            # 엑손 영역 돌연변이 수
})
print(f"1. 시작                {len(df):>7,}")

# ── 2~4. 논문의 순서대로 거른다 ─────────────────────────────
df = df[df["type"] == "원발"]
print(f"2. 원발암만            {len(df):>7,}   (논문 9,707)")

df = df[~df["ag_mut"]]
print(f"3. 항원 경로 정상       {len(df):>7,}   (논문 7,570)")

df = df[df["brisk"]]
print(f"4. 면역침윤 많음        {len(df):>7,}   (논문 3,055)")

# ── 5. TMB 를 구한다 ────────────────────────────────────────
df = df.copy()
df["tmb"] = df["n_mut"] / 38                  # 논문의 식
df["tmb_high"] = df["tmb"] >= 10

print()
print(f"TMB 중앙값 {df['tmb'].median():.2f} 개/Mb")
print(f"TMB-High(≥10) {df['tmb_high'].sum():,}개  ({df['tmb_high'].mean():.1%})")
print()
print(f"처음 {N:,}개에서 {len(df)/N:.1%} 가 남았습니다.")

고등학생무작위라 딱 안 맞는 게 정상입니다

코드를 돌리면 논문의 숫자와 정확히 같지 않습니다. 9,707 대신 9,712 같은 게 나와요. 캡션도 그렇게 말합니다.

무작위로 만든 자료라 딱 맞지는 않지만 자릿수는 같다

이게 왜 괜찮은가

우리가 확인하려는 것은 "11,070에서 시작해 3,055 가 남는 절차" 이지 3,055 라는 숫자 자체가 아니거든요.

확인하는 것	확인 안 하는 것
절차가 말이 되나	숫자가 똑같나
비율이 비슷한가	소수점까지 맞나

진짜 재현에서도 비슷합니다

/immunology 18강에서 배운 것을 떠올려 보세요 — 같은 원자료를 써도 값은 조금씩 달라집니다.

거르는 기준이 미세하게 다르면
도구 판(버전)이 다르면
무작위 씨앗이 다르면

중요한 것은 방향과 자릿수이지 소수점이 아니다

그런데 방향이 다르면 문제입니다

논문은 3,055 라는데 우리가 300 이나 30,000 이 나왔다면? 절차를 잘못 이해한 겁니다.

그때는 단계별로 확인해야 해요. 코드가 단계마다 숫자를 찍는 이유가 그겁니다 — 어디서 어긋났는지를 알 수 있게요.

그리고 다음 셀이 그 비교를 합니다

논문의 숫자와 내 숫자를 나란히 놓고 차이를 찍습니다. 이런 표를 만드는 습관이 재현 작업의 기본이에요.

논문 Fig. S1 과 나란히 놓아 봅니다.

Python 브라우저에서 실행

import numpy as np, pandas as pd, matplotlib.pyplot as plt
rng = np.random.default_rng(20250225)

N = 11070
df = pd.DataFrame({
    "type":   rng.choice(["원발", "정상", "전이"], N, p=[0.877, 0.098, 0.025]),
    "ag_mut": rng.random(N) < 0.220,
    "brisk":  rng.random(N) < 0.404,
})

# 단계마다 남는 수를 모은다
단계, 남은 = ["시작"], [len(df)]
df = df[df["type"] == "원발"];  단계.append("원발암만");     남은.append(len(df))
df = df[~df["ag_mut"]];         단계.append("항원경로 정상"); 남은.append(len(df))
df = df[df["brisk"]];           단계.append("면역침윤 많음"); 남은.append(len(df))

논문 = [11070, 9707, 7570, 3055]

x = np.arange(len(단계))
plt.figure(figsize=(7.5, 4))
plt.bar(x - .2, 논문, .4, label="논문", color="#94a3b8")
plt.bar(x + .2, 남은, .4, label="내가 만든 것", color="#ef4444")
for i, (a, b) in enumerate(zip(논문, 남은)):
    plt.text(i - .2, a + 200, f"{a:,}", ha="center", fontsize=8)
    plt.text(i + .2, b + 200, f"{b:,}", ha="center", fontsize=8)
plt.xticks(x, 단계); plt.ylabel("남은 표본 수")
plt.title("논문 Fig. S1 을 다시 그린다")
plt.legend(); plt.grid(axis="y", alpha=.3)
plt.tight_layout(); plt.show()

for s, a, b in zip(단계, 논문, 남은):
    print(f"  {s:<14}논문 {a:>7,}   내 것 {b:>7,}   차이 {b-a:+,}")

고등학생무엇을 재현한 것이고 무엇이 아닌가

이 note 가 이 강의에서 가장 정직한 대목입니다.

	내용
재현한 것	절차 — 어떤 조건으로 어떤 순서로 거르는가
재현 못 한 것	자료 — 진짜 TCGA 표본

무엇을 했고 무엇을 안 했는지 정확히 적는다

왜 이 구별이 중요한가

"논문을 재현했다" 는 말은 범위가 아주 넓습니다.

수준	무엇을	얼마나 어려운가
①	절차를 이해했다	이 강의
②	같은 자료로 같은 값을 얻었다	어렵다
③	다른 자료로 같은 결론을 얻었다	가장 어렵고 가장 값지다

우리는 ① 을 했습니다. 그리고 그렇다고 적었어요. ②나 ③을 했다고 하면 거짓말입니다.

그런데 ①도 충분히 값을 합니다

논문의 한 문단이 코드 네 줄이라는 것을 알게 된다

이걸 알고 나면 논문이 다르게 보입니다. 방법 문단이 실행 가능한 것으로 읽혀요.

그리고 "자료만 바꿔 끼우면 진짜가 된다" 는 것도 압니다. GDC 에서 TCGA 를 받는 법은 /dataset 강의에 있어요.

이 태도를 여러분 것으로

수행평가나 발표에서도 그대로 쓰세요.

"~을 확인했다" — 실제로 확인한 것만
"~은 확인하지 못했다" — 이유와 함께
"~하면 확인할 수 있다" — 다음 단계

못 한 것을 적는 보고서가 더 믿음직하다

다 했다고 쓴 보고서는 안 읽어 봐도 의심스럽습니다. 한계 없는 연구는 없으니까요.

🤔 확인 문제

이 실습에서 실제로 재현한 것은 무엇일까요?