19강 / 22강

논문 Fig 8 을 견준다 — 효과 T세포는 어디에 있나

논문 Fig. 8C·8D · 네 방향 주장 중 몇 개가 맞나

논문 Fig. 8C·8D 는 방향을 네 번 주장합니다. Ddx54 녹다운 + 항-PD1 군에서 —

계열	아형	논문의 방향
CD4	조절 T세포	줄어든다 ↓
CD4	소진 T세포	줄어든다 ↓
CD8	효과 T세포	늘어난다 ↑
CD8	소진 T세포	줄어든다 ↓

네 개를 한꺼번에 채점합니다. 기준군은 WT + 아이소타입, 비교군은 Ddx54 KD + 항-PD1 이에요.

고등학생네 방향 주장 중 몇 개가 맞나

논문은 T세포의 위치에 대해 여러 주장을 한다. 그것을 하나씩 채점 한다.

채점의 원칙

원칙	내용
주장을 문장 단위로 쪼갠다	통째로 판정하지 않음
각각 다른 증거를 요구	주장마다 필요한 것이 다름
확인 · 미확인 · 불가로 나눔	세 칸

논문은 하나의 주장이 아니라 강도가 다른 여러 주장의 묶음이다

3 대 1 입니다. 어긋난 하나를 숨기지 않는 것이 이 강의의 규칙입니다.

Python 브라우저에서 실행

# 논문 Fig. 8 의 네 방향을 채점한다
import sp

S = sp.tlabel(sp.depth_match())
주장 = [("CD4", "조절", "감소"), ("CD4", "소진", "감소"),
        ("CD8", "효과", "증가"), ("CD8", "소진", "감소")]

맞은수 = 0
for 계열, 아형, 방향 in 주장:
    c = sp.tcomp(S, 계열)
    p = c / c.sum() * 100
    a, b = p.loc[아형, "WT_ISO"], p.loc[아형, "DDX_PD1"]
    맞음 = (b < a) if 방향 == "감소" else (b > a)
    맞은수 += 맞음
    print(f"{'O' if 맞음 else 'X'} {계열} {아형} T세포 {방향}  :  "
          f"{a:>5.1f}%  ->  {b:>5.1f}%   ({b-a:+.1f} %p)")
print()
print(f"네 주장 중 {맞은수}개가 우리 자료에서도 같은 방향입니다.")

셋은 맞고 하나는 반대입니다

✔ CD4 조절 T세포 33.8% → 20.7% — 논문대로 줄었습니다. 면역을 말리는 세포가 줄었다는 것은 좋은 소식이에요.
✔ CD8 효과 T세포 25.9% → 33.8% — 논문대로 늘었습니다. 지금 싸우고 있는 세포가 늘었습니다.
✔ CD8 소진 T세포 16.5% → 10.1% — 논문대로 줄었습니다.

✘ CD4 소진 T세포 16.9% → 31.0% — 논문과 반대로 늘었습니다.

CD4 는 이 자료에서 세포가 가장 적은 칸입니다 (표본마다 71~449개). 그리고 우리가 쓴 '소진' 표지자 여섯 개는 활성화된 T세포에도 켜집니다 (Pdcd1 은 방금 항원을 만난 T세포에서도 올라가요). 싸우러 온 세포를 소진으로 잘못 부르고 있을 가능성이 큽니다.

어느 쪽이든, 지금 우리 손의 자료로는 가릴 수 없습니다.

고등학생거리 자료를 T세포에 붙인다

17강에서 만든 종양까지의 거리 를 T세포 하나하나에 붙여 두었다.

그러면 할 수 있는 것

분석	내용
아형별 거리 분포	CD8 이 Treg 보다 안쪽인가
거리와 발현의 상관	안쪽 T세포가 더 소진되었나
조건별 비교	치료가 거리 분포를 바꿨나

두 번째가 흥미롭다

같은 CD8 T세포라도 위치에 따라 상태가 다를 수 있다. 안쪽일수록 소진 표지가 높다면 종양 환경이 T세포를 지치게 한다 는 가설을 지지한다.

위치를 연속 변수로 가지면 위치와 상태의 관계를 물을 수 있다

한 표본이 통째로 이상합니다

위에서 우리는 WT_ISO 와 DDX_PD1 둘만 견주었습니다. 네 표본을 모두 늘어놓으면 눈에 걸리는 것이 있어요.

DDX_ISO 칸을 보세요 — 다른 셋과 전혀 다른 모양입니다.

Python 브라우저에서 실행

# 네 표본을 모두 늘어놓는다
import sp
import pandas as pd
pd.set_option("display.width", 120)

S = sp.tlabel(sp.depth_match())
for 계열 in ["CD4", "CD8"]:
    c = sp.tcomp(S, 계열)
    print(f"=== {계열} (세포 수) ===")
    print(c.to_string())
    print((c / c.sum() * 100).round(1).to_string())
    print()

DDX_ISO 는 이 비교에 넣기 어렵습니다

CD8 에서 DDX_ISO 는 미접촉 9.2%, 효과 50.4% 입니다. 다른 세 표본은 미접촉이 33~41%, 효과가 26~34% 예요. 한 표본만 딴 세상입니다.

왜일까요? 12강에서 이미 봤습니다 — DDX_ISO 는 세포당 전사체 중앙값이 611 로 가장 깊고, 세포도 39만 개로 가장 많습니다. 깊이를 맞춰도 남는 것이 있어요. 깊이가 200 이상인 세포만 남기는 순간, 얕은 표본에서는 가장 좋은 세포만 살아남고 깊은 표본에서는 거의 다 살아남습니다. 남은 세포의 성격이 달라지는 거예요.

실제로 깊이 맞춘 뒤 T세포는 DDX_ISO 가 10,134개, WT_ISO 가 1,571개 입니다. 여섯 배가 넘어요.

그래서 우리는 네 조건을 나란히 견주지 않고, 논문이 세운 한 짝만 채점했습니다. 표본 하나가 자료의 절반을 차지할 때 '네 조건 비교' 는 그 표본을 다른 셋과 견주는 일이 되어 버립니다.

그리고 공간전사체만 답할 수 있는 물음

여기까지는 단일세포 자료로도 할 수 있는 일입니다. 좌표가 있어서 할 수 있는 물음은 따로 있어요 —

그 아형은 종양의 어디에 서 있는가

17강에서 만든 종양까지의 거리를 T세포 하나하나에 붙여 두었습니다. 아형마다 그 거리가 다른지 봅니다.

고등학생순열로 확인하기

16강에서 이웃 분석에 썼던 것과 같은 종류의 확인 이다.

무엇을 섞나

섞는 것	검정하는 가설
T세포의 아형 이름표	아형과 위치가 무관한가
T세포의 위치	—

아형 이름표만 섞으면 위치 분포는 그대로 두고 아형만 무작위가 된다.

그 상태에서도 아형별 거리 차이가 나오면 우리가 본 차이는 우연 이다.

무엇을 섞느냐가 어떤 가설을 검정하느냐를 정한다

네 표본 모두에서 같은 아형이 가장 가까이 있다면, 그건 우연이 아닙니다.

Python 브라우저에서 실행

# 아형마다 종양까지의 거리 - 반드시 표본 '안에서' 견준다
import sp
import pandas as pd
pd.set_option("display.width", 120)

S = sp.tlabel(sp.depth_match()).dropna(subset=["종양까지"])
표 = S.groupby(["표본", "아형"])["종양까지"].median().unstack()
표 = 표.reindex(index=sp.SAMPLE_ORDER, columns=sorted(sp.TSUB))
print("종양까지의 거리 중앙값 (µm)")
print(표.round(1).to_string())
print()
print("표본 안에서 가장 가까운 아형")
for s in sp.SAMPLE_ORDER:
    r = 표.loc[s]
    print(f"  {s:<10} {r.idxmin():<5} ({r.min():.1f} µm)   가장 먼 것: "
          f"{r.idxmax()} ({r.max():.1f} µm)")

표본을 가로질러 거리를 견주면 안 됩니다

표 안의 숫자를 세로로 읽고 싶어집니다 — WT_ISO 의 효과 T세포는 14.7 µm, DDX_PD1 은 22.8 µm. "Ddx54 를 끄면 T세포가 종양에서 멀어진다"?

아닙니다. 거리는 이름표가 붙은 종양세포 지도에서 잽니다. 그 지도는 표본마다 25,000 세포씩 뽑은 것인데, 원래 세포 수가 19만(WT_ISO)에서 39만(DDX_ISO)까지 두 배 차이 납니다. 같은 25,000개라도 표본마다 성긴 정도가 다릅니다. 성기면 '가장 가까운 종양세포' 가 더 멀리 있게 되지요.

표본 안에서 아형끼리 견주는 것은 안전합니다 — 같은 지도를 쓰니까 성긴 정도가 똑같거든요. 가로로 읽는 것은 되고, 세로로 읽는 것은 안 됩니다.

고등학생몇 개가 살아남았나

주장 유형	대개의 판정
T세포가 어디에 있나	확인 가능
아형별로 위치가 다르다	부분적 — 아형 배정의 신뢰도에 달림
치료가 위치를 바꿨다	어려움 — 표본이 적음 · 품질 차이
기전적 해석	불가 — 관찰 자료

아래로 갈수록 어렵다

"어디에 있나" 는 직접 관찰 이다. "왜 거기 있나" 는 해석 이다.

공간 자료는 첫 번째를 아주 잘한다. 두 번째는 다른 종류의 증거 가 필요하다.

공간 자료는 어디에 있는지를 답하지 왜 있는지를 답하지 않는다

🤔 확인 문제

표본 안에서는 아형끼리 거리를 견줄 수 있는데 표본을 가로질러서는 안 되는 이유는?

🤔 확인 문제

효과 T세포가 네 표본 모두에서 종양에 가장 가까웠다는 것이 이름표의 검증이 되는 이유는?

🤔 확인 문제

논문 Fig. 8 의 네 주장 중 하나가 반대로 나왔을 때 올바른 보고는?