17강 / 22강

침윤 정도 재기 — 안까지 들어왔는가, 문 앞에 있는가

이 강의 전체가 향해 온 질문

드디어 1강의 질문으로 돌아왔습니다.

T세포가 종양 안까지 들어왔는가, 아니면 문 앞에서 서성이는가?

"침윤" 은 말은 쉬운데 재려면 정의가 필요합니다. 공간 자료에서는 여러 방법이 있고, 서로 조금씩 다른 것을 잽니다.

지표	재는 법	장단점
비율	전체 세포 중 림프구 %	간단하지만 위치 정보가 없다 — 단일세포로도 가능
이웃 중 종양 비율	림프구의 이웃 20개 중 종양세포 %	"얼마나 종양에 둘러싸였나" — 구역 정의가 필요 없다
가장 가까운 종양까지 거리	각 림프구에서 최근접 종양세포까지 µm	직관적이지만 종양 밀도에 영향받는다
구역 분류	격자로 종양 중심/경계/기질을 나눈 뒤 세기	해석이 쉽지만 격자 크기에 의존한다

어느 하나만 보면 안 됩니다. 여러 지표가 같은 방향을 가리킬 때 결론이 단단해집니다.

고등학생이 강의 전체가 향해 온 질문

드디어 핵심 질문이다.

T세포가 종양 안까지 들어왔는가, 문 앞에 있는가

세 가지 지표로 잰다

지표	재는 것
개수	종양 영역 안의 T세포 수
밀도	면적당 T세포 수
거리	각 T세포에서 종양 경계까지

세 지표가 서로 다른 답 을 줄 수 있다.

같은 질문에 대한 세 가지 답이 어긋날 때 무엇을 믿을지가 문제다

이 지표는 단일세포 자료로도 얻을 수 있습니다. 공간 자료를 쓰는 이유는 다음 지표들 때문이에요.

Python 브라우저에서 실행

# ① 가장 단순한 지표 — 림프구 비율.
import sp, numpy as np, pandas as pd

k = sp.keep(min_tx=20)
c = sp.cells()[k].reset_index(drop=True)
L = sp.lognorm(mask=k)
PC, _, _ = sp.pca(L, npc=30)
lab = sp.kmeans(PC, k=12, seed=3)
ann = sp.annotate(L, lab)
유형 = np.array([ann[x] for x in lab], dtype=object)

표 = []
for s in ["WT_ISO", "DDX_ISO", "WT_PD1", "DDX_PD1"]:
    m = (c["표본"] == s).values
    표.append({"표본": s, "세포": int(m.sum()),
               "림프구%": round(float((유형[m] == "림프구").mean()*100), 2)})
print(pd.DataFrame(표).to_string(index=False))
print("\n(조각 1,500 세포 기준입니다. 위젯은 표본당 25,000 세포로 계산한 값을 보여 줍니다.)")

고등학생세 지표가 왜 어긋나나

상황	개수	밀도	거리
큰 종양에 T세포 조금	많음	낮음	—
작은 종양에 T세포 조금	적음	높음	—
경계에만 몰림	중간	중간	짧음(가까움)

세 번째가 결정적이다

개수와 밀도로는 배제형과 침윤형을 못 가른다. 같은 수의 T세포가 골고루 있는지 가장자리에만 있는지가 다른데 개수는 같다.

그것을 가르는 것이 거리 분포 다.

공간 자료의 고유한 값어치는 거리를 잴 수 있다는 것이다

분포를 통째로 보세요. 중앙값 하나로 요약하면 두 봉우리를 놓칩니다.

Python 브라우저에서 실행

# ② 이웃 중 종양 비율 — '얼마나 종양에 둘러싸였나'.
import sp, numpy as np, pandas as pd
import matplotlib.pyplot as plt

k = sp.keep(min_tx=20)
c = sp.cells()[k].reset_index(drop=True)
L = sp.lognorm(mask=k)
PC, _, _ = sp.pca(L, npc=30)
lab = sp.kmeans(PC, k=12, seed=3)
ann = sp.annotate(L, lab)
유형 = np.array([ann[x] for x in lab], dtype=object)
CT = list(sp.MARKERS.keys())

fig, ax = plt.subplots(1, 4, figsize=(12, 3), sharey=True)
for a, s in zip(ax, ["WT_ISO", "DDX_ISO", "WT_PD1", "DDX_PD1"]):
    m = (c["표본"] == s).values
    _, idx = sp.neighbors(c.x[m].values, c.y[m].values, k=20)
    frac = sp.neighbor_fraction(idx, 유형[m], CT)
    종양이웃 = frac[:, CT.index("종양세포")] + frac[:, CT.index("증식 종양세포")]
    ly = 유형[m] == "림프구"
    if ly.sum() > 5:
        a.hist(종양이웃[ly]*100, bins=21, range=(0,100), color="#e03131")
        a.set_title(f"{s}\nmedian {np.median(종양이웃[ly])*100:.0f}%", fontsize=9)
    a.set_xlabel("% tumor among 20 neighbors")
plt.tight_layout()
print("오른쪽으로 치우칠수록 '종양 한가운데 있는 림프구'가 많다는 뜻입니다.")

지표마다 편향의 방향이 다릅니다. 그래서 여러 개를 함께 봅니다.

Python 브라우저에서 실행

# ③ 가장 가까운 종양세포까지의 거리.
import sp, numpy as np, pandas as pd
from scipy.spatial import cKDTree

k = sp.keep(min_tx=20)
c = sp.cells()[k].reset_index(drop=True)
L = sp.lognorm(mask=k)
PC, _, _ = sp.pca(L, npc=30)
lab = sp.kmeans(PC, k=12, seed=3)
ann = sp.annotate(L, lab)
유형 = np.array([ann[x] for x in lab], dtype=object)

표 = []
for s in ["WT_ISO", "DDX_ISO", "WT_PD1", "DDX_PD1"]:
    m = (c["표본"] == s).values
    종양 = m & np.isin(유형, ["종양세포", "증식 종양세포"])
    ly = m & (유형 == "림프구")
    if 종양.sum() < 10 or ly.sum() < 5: continue
    T = cKDTree(np.c_[c.x[종양], c.y[종양]])
    d, _ = T.query(np.c_[c.x[ly], c.y[ly]], k=1)
    표.append({"표본": s, "림프구": int(ly.sum()),
               "최근접 종양까지 중앙거리(µm)": round(float(np.median(d)), 1),
               "10 µm 이내 비율%": round(float((d <= 10).mean()*100), 1)})
print(pd.DataFrame(표).to_string(index=False))
print("\n⚠️ 이 지표는 종양세포 밀도에 영향을 받습니다.")
print("   종양세포가 적은 표본에서는 거리가 자동으로 멀어져요. 혼자 쓰면 안 됩니다.")

고등학생거리를 어떻게 재나

단계	하는 일
1	종양 영역의 경계를 정의 (14강)
2	각 T세포에서 가장 가까운 경계까지의 거리
3	안쪽은 음수, 바깥은 양수로 부호를 줌
4	거리 분포를 그림

부호를 주는 것이 유용하다

"−50 μm" 는 종양 안쪽 50 μm, "+50 μm" 는 바깥 50 μm.

분포의 중앙값이 음수면 침윤형, 양수면 배제형에 가깝다.

하나의 연속 값이 된다

"염증형/배제형/사막형" 이라는 세 범주 를 연속적인 값 으로 바꾼 것이다.

범주를 연속 값으로 바꾸면 문턱 논쟁을 피하고 정보를 더 쓴다

이 자료가 말하는 것 — 그리고 말하지 않는 것

표본당 25,000 세포로 계산한 결과는 이렇습니다.

림프구 비율: 3.0% → 3.1% → 5.5% → 11.4% (WT_ISO → DDX_ISO → WT_PD1 → DDX_PD1)
녹다운 단독도, 항-PD1 단독도 크게 늘리지 못하는데 둘을 함께 쓸 때만 뜁니다. 앞 강의의 단일세포 자료(2.4 → 2.2 → 3.3 → 21.3%)와 같은 방향이에요. 서로 다른 실험, 서로 다른 기술이 같은 결론을 냈다는 것이 이 결과의 가장 강한 근거입니다.

그런데 이웃 구성은 더 미묘한 이야기를 합니다. DDX_PD1 의 림프구는 종양세포 옆에 있을 확률이 오히려 낮고(농축 0.34), 다른 림프구·대식세포·섬유아세포 옆에 몰려 있습니다(농축 2.74 · 1.73 · 1.65).

즉 "더 많이 왔다"는 맞지만, "종양 속으로 더 깊이 파고들었다"는 이 지표로는 말할 수 없습니다. 면역세포가 무리를 지어 기질 쪽에 자리 잡은 그림에 가까워요. 이런 구조는 삼차림프구조(TLS)로 해석되기도 하고, 침윤이 막힌 상태로 해석되기도 합니다. 어느 쪽인지는 이 자료만으로 정할 수 없습니다.

고등학생이 지표의 약점

약점	내용
종양 경계 정의에 의존	14강 — 임의 선택
절편은 2차원	3차원에서는 다를 수 있음
혈관 · 기질 구조 무시	물리적 경로가 아님
품질 편향	12강 — 안쪽이 덜 잡히면

두 번째를 생각해 보자

2차원 절편에서 종양 밖 으로 보이는 T세포가 3차원에서는 종양 안 일 수 있다. 절편을 어디서 잘랐느냐에 달렸다.

이 오차는 체계적 이지 않고 무작위에 가까우니 많은 세포를 보면 평균적으로 상쇄된다.

그런데 네 번째는 체계적이다

품질 편향은 한 방향으로 작용한다. 그래서 20강에서 반드시 확인해야 한다.

무작위 오차는 표본이 많으면 사라지고, 체계적 편향은 사라지지 않는다

🤔 확인 문제

'침윤 정도'를 재는 지표 중 공간 자료가 없어도 얻을 수 있는 것은?

🤔 확인 문제

'최근접 종양세포까지의 거리'만으로 침윤을 판단하면 안 되는 이유는?

🤔 확인 문제

DDX_PD1 에서 림프구가 크게 늘었지만 종양세포와의 이웃 농축은 오히려 낮았습니다. 가장 정직한 결론은?