3강 / 22강

세포 표 — 한 줄이 세포 하나, 그리고 좌표가 붙어 있다

cells.csv 의 열 열네 개 · 면적과 핵

Xenium 이 내놓는 파일 중 가장 만만한 것이 cells.csv.gz 입니다. 그냥 표예요. 열어 보면 이런 열들이 있습니다.

cell_id, x_centroid, y_centroid, transcript_counts, control_probe_counts, genomic_control_counts, control_codeword_counts, unassigned_codeword_counts, deprecated_codeword_counts, total_counts, cell_area, nucleus_area, nucleus_count, segmentation_method

단일세포 자료에는 없던 것이 세 가지 보입니다.

x_centroid · y_centroid — 세포 중심의 좌표(µm). 이 강의 전체가 이 두 열 위에 서 있습니다.
cell_area · nucleus_area — 세포와 핵의 넓이(µm²). 진짜로 재어 본 값입니다.
control_* counts — 음성 대조군이 몇 개 잡혔나. 7강의 주인공입니다.

고등학생한 줄이 세포 하나

cells.csv 는 세포마다 한 줄이다. 열이 열네 개.

열	내용
cell_id	세포 식별자
x_centroid · y_centroid	좌표
transcript_counts	배정된 분자 수
cell_area	세포 면적
nucleus_area	핵 면적
control_probe_counts 등	음성 대조 (7강)

좌표가 무게중심이라는 점

x_centroid 는 세포의 중심점 이다. 세포는 실제로 모양이 있는 다각형 인데 한 점으로 요약한 것이다.

거리를 잴 때 이 단순화가 오차 가 된다. 큰 세포는 특히.

한 점으로 세포를 대표하면 크기와 모양의 정보를 잃는다

세포면적과 핵면적이 실제 µm² 값입니다. 단일세포 자료로는 알 수 없는 정보예요.

Python 브라우저에서 실행

# 네 표본 조각의 세포 표를 봅니다.
import sp, pandas as pd

c = sp.cells()
print(c.head(6).to_string())
print(f"\n조각 세포 {len(c):,}개 · 표본별 {c['표본'].value_counts().to_dict()}")
print("\n표본별 중앙값")
print(c.groupby("표본")[["전사체수", "세포면적", "핵면적"]].median().round(1).to_string())

고등학생면적과 핵의 비

세포 면적과 핵 면적의 비 가 유용한 지표다.

비 (세포/핵)	시사하는 것
1 에 가까움	세포질이 거의 안 잡힘 — 분할 문제
2~4	정상 범위
매우 큼	여러 세포가 합쳐졌을 수 있음

왜 이것이 중요한가

세포 분할(9강)이 잘못되면 면적이 이상해진다.

핵만 잡히면 세포질의 RNA 를 놓치고, 너무 크게 잡히면 옆 세포의 RNA 가 섞인다.

면적 분포를 보면 분할이 잘 되었는지 대략 알 수 있다

핵/세포 비가 1에 가까운 세포가 많다면 분할이 핵만 잡고 세포질을 놓쳤다는 뜻일 수 있습니다.

Python 브라우저에서 실행

# 세포 크기의 분포 — 진짜로 재어 본 값이라 생물학적으로 읽을 수 있습니다.
import sp, numpy as np
import matplotlib.pyplot as plt

c = sp.cells()
fig, ax = plt.subplots(1, 3, figsize=(11, 3.4))
ax[0].hist(c["세포면적"], bins=60, range=(0, 200), color="#4c6ef5")
ax[0].set_xlabel("cell area (um2)"); ax[0].set_title("cell area")
ax[1].hist(c["핵면적"], bins=60, range=(0, 120), color="#2b8a3e")
ax[1].set_xlabel("nucleus area (um2)"); ax[1].set_title("nucleus area")
r = c["핵면적"] / np.maximum(c["세포면적"], 1e-9)
ax[2].hist(r, bins=60, range=(0, 1), color="#e8590c")
ax[2].set_xlabel("nucleus / cell"); ax[2].set_title("N:C ratio")
plt.tight_layout()

print("세포 지름 환산 (원으로 가정)")
d = 2 * np.sqrt(c["세포면적"] / np.pi)
print(f"  중앙값 {d.median():.1f} µm · 25~75% {d.quantile(.25):.1f}~{d.quantile(.75):.1f} µm")
print(f"핵/세포 넓이 비 중앙값 {r.median():.2f}")

고등학생세포당 전사체 수를 먼저 본다

가장 먼저 그려야 할 그림이다.

패턴	해석
대부분 수십~수백	정상
0 이나 아주 적은 것이 많음	빈 세포 · 분할 문제
극단적으로 높은 것	세포 두 개가 합쳐짐

단일세포보다 훨씬 적다

	세포당 전사체
단일세포 RNA-seq	수천~수만
Xenium	수십~수백

패널이 5,006개뿐이고, 검출 효율도 다르다. 그러니 세포 하나하나의 정보가 훨씬 얕다.

공간 자료는 세포를 얕게 본다 — 그 대신 위치를 얻는다

아주 중요한 점입니다. x = 3000 µm 라는 값은 그 조직 안에서만 뜻이 있어요.

Python 브라우저에서 실행

# 좌표의 범위 — 조직이 슬라이드 위 어디에 놓였는지.
import sp

c = sp.cells()
for s in ["WT_ISO", "DDX_ISO", "WT_PD1", "DDX_PD1"]:
    m = c["표본"] == s
    x, y = c.loc[m, "x"], c.loc[m, "y"]
    print(f"{s:9} x {x.min():7.0f} ~ {x.max():7.0f} µm   y {y.min():7.0f} ~ {y.max():7.0f} µm   "
          f"({(x.max()-x.min())/1000:.1f} × {(y.max()-y.min())/1000:.1f} mm)")
print("\n→ 표본마다 조직 크기와 놓인 위치가 다릅니다.")
print("→ 그래서 좌표를 표본끼리 직접 비교하면 안 됩니다. 각 조직 안에서만 뜻이 있습니다.")

고등학생얕다는 것이 만드는 문제

문제	내용
세포 유형 배정이 어려움	표지가 0 으로 잡힘
드문 유전자를 못 봄	검출 한계
세포 상태 구분이 거침	미세한 차이가 안 보임

그래서 단일세포 자료와 함께 쓴다

단일세포로 세포 유형을 정의 하고, 그 정의를 공간 자료에 투영 한다.

자료	맡는 일
단일세포	무엇이 있나 (깊게)
공간	어디에 있나 (얕게)

두 자료가 서로의 약점을 메운다 — 그래서 함께 쓴다

🤔 확인 문제

cells.csv 에 있고 단일세포 RNA-seq 자료에는 없는 정보는?

🤔 확인 문제

표본 A 의 세포가 x=3000 µm 에 있고 표본 B 의 세포도 x=3000 µm 에 있습니다. 옳은 해석은?

🤔 확인 문제

어떤 세포의 핵 면적이 세포 면적과 거의 같았습니다. 무엇을 의심할까요?