13강 / 22강

군집과 세포 유형 — 좌표를 쓰지 않고 먼저 나눈다

발현만으로 군집 · 표지자로 이름 붙이기

세포 × 유전자 행렬이 있으니 군집화는 앞 강의와 똑같습니다. 정규화 → 고변동 유전자 → PCA → k-평균 → 표지자로 주석.

그런데 여기서 일부러 하지 않는 것이 하나 있습니다. 좌표를 쓰지 않습니다.

발현만으로 나눈 뒤, 그 결과가 공간에서 말이 되는지 확인한다.

좌표까지 넣어 군집을 만들면 "가까운 세포가 같은 군집" 이 되는 것이 당연해집니다. 그러면 나중에 "같은 유형이 뭉쳐 있다"는 관찰이 발견이 아니라 순환논증이 되어 버려요. 좌표는 검증용으로 아껴 둡니다.

고등학생좌표를 쓰지 않고 먼저 나눈다

공간 자료인데 좌표를 안 쓰고 군집화한다. 왜 그럴까?

좌표를 쓰면 순환논증이 된다

"가까이 있는 세포끼리 같은 유형" 으로 나눠 놓고 "같은 유형이 모여 있다" 고 결론 내리면 아무것도 확인한 것이 아니다.

절차	결과의 뜻
발현만으로 나눔 → 좌표에 찍음	독립적 확인
좌표를 써서 나눔 → 좌표에 찍음	순환논증

공간에서 뭉치는 것을 확인하려면 공간을 쓰지 않고 나눠야 한다

PC1 이 1% 남짓입니다. 단일세포(8%)보다 훨씬 낮은데, 세포당 분자가 적어 잡음이 크기 때문이에요.

Python 브라우저에서 실행

# 좌표 없이 발현만으로 군집을 만듭니다.
import sp, numpy as np, pandas as pd

k = sp.keep(min_tx=20)
L = sp.lognorm(mask=k)
hv = sp.hvg(L, n=1500)[0]
print("HVG 상위 12:", ", ".join(sp.genes()[hv[:12]]))

PC, ev, _ = sp.pca(L, hv, npc=30)
print(f"\nPCA {PC.shape} · PC1 {ev[0]*100:.2f}% · 30개 누적 {ev[:30].sum()*100:.1f}%")
lab = sp.kmeans(PC, k=12, seed=3)
print("군집 크기:", np.bincount(lab))

고등학생얕은 자료로 군집화하기

세포당 유전자가 수십~수백뿐이다. 군집화가 잘 될까?

어려움	대응
0 이 많음	표지 조합을 씀
구별이 흐릿함	큰 유형만 나눔
혼입	중간 군집이 생김

현실적인 목표

공간 자료로는 큰 세포 유형 까지가 현실적이다 — 상피/종양, T세포, 골수계, 기질, 내피.

세부 아형(CD4 vs CD8, M1 vs M2)은 패널과 깊이에 따라 될 수도 안 될 수도 있다.

18강에서 T세포를 다시 나눌 때 이 한계를 만난다.

자료의 깊이가 도달 가능한 해상도를 정한다

Mrc1·Cd68 이 보이면 대식세포, Col1a1·Lum 이면 섬유아세포, Pecam1·Cdh5 면 혈관입니다.

Python 브라우저에서 실행

# 군집마다 특징 유전자를 뽑아 정체를 짐작합니다.
import sp, numpy as np

k = sp.keep(min_tx=20)
L = sp.lognorm(mask=k)
PC, _, _ = sp.pca(L, npc=30)
lab = sp.kmeans(PC, k=12, seed=3)

for j in range(12):
    m = lab == j
    t = sp.top_genes(L, m, n=6)
    print(f"군집{j:2d} (n={m.sum():4d}) : " + ", ".join(t["유전자"]))

고등학생표지자로 이름 붙이기

세포 유형	대표 표지
상피/종양	EPCAM · KRT 계열
T세포	CD3D · CD3E
B세포	MS4A1 · CD79A
골수계	LYZ · CD68 · ITGAM
내피	PECAM1 · VWF
섬유아세포	COL1A1 · DCN

이름 붙이기의 신뢰도

이 유형들은 표지가 강하고 배타적 이라 얕은 자료에서도 대체로 잘 구별된다.

문제는 중간 군집 이다 — 혼입이나 애매한 상태 때문에 생긴 것.

그런 군집은 "미분류" 로 두는 것이 정직하다.

확실히 구별되는 것만 이름 붙이고 나머지는 남겨 둔다

이 패널에는 C1qa·S100a8 이 없어서(8강) 다른 표지자를 씁니다. 대식세포는 Mrc1·Cd68·Csf1r 로 잡아요.

Python 브라우저에서 실행

# 표지자 점수로 이름을 붙입니다.
import sp, numpy as np, pandas as pd
from collections import Counter

k = sp.keep(min_tx=20)
L = sp.lognorm(mask=k)
PC, _, _ = sp.pca(L, npc=30)
lab = sp.kmeans(PC, k=12, seed=3)

Z = sp.zscore(L); g = sp.genes(); gi = {x: i for i, x in enumerate(g)}
표 = []
for j in range(12):
    m = lab == j
    행 = {"군집": j, "n": int(m.sum())}
    for ct, gs in sp.MARKERS.items():
        있 = [x for x in gs if x in gi]
        행[ct] = round(float(np.mean([Z[gi[x], m].mean() for x in 있])), 2)
    표.append(행)
df = pd.DataFrame(표).set_index("군집")
df["→ 판정"] = df.drop(columns=["n"]).idxmax(axis=1)
print(df.to_string())

ann = sp.annotate(L, lab)
print("\n세포 유형 구성:", dict(Counter(ann[x] for x in lab).most_common()))

고등학생단일세포 자료로 도움받기

방법	내용
참조 매핑	단일세포 아틀라스에 투영해 이름을 가져옴
디컨볼루션	구역별 세포 조성 추정
표지 학습	패널 안 유전자로 유형을 예측하는 모형

참조 매핑의 함정

참조 자료에 없는 세포 유형 은 가장 비슷한 것으로 억지로 배정된다.

그리고 참조가 다른 조직·다른 조건 이면 그 차이가 배정에 들어간다.

그래도 유용하다

표지 몇 개로 판단하는 것보다 전체 발현 패턴으로 판단하는 것이 대개 낫다.

참조를 쓰되 참조에 없는 것은 나올 수 없다는 것을 기억한다

🤔 확인 문제

군집화에 좌표를 넣지 않는 이유는?

🤔 확인 문제

Xenium 자료의 PC1 설명분산이 단일세포보다 훨씬 낮은 이유는?

🤔 확인 문제

어떤 군집을 '내피세포'라고 주석했습니다. 공간 자료에서 이것을 검증하는 방법은?