17강에서 우리는 얼마나 들어왔나 를 쟀습니다.
논문의 마지막 그림(Fig. 8)은 그 다음을 묻습니다 —
들어온 T세포가 어떤 T세포인가.
같은 T세포라도 하는 일이 정반대입니다.
⚔️
효과 T세포
지금 죽이고 있는 세포. Gzmb · Prf1 · Ifng
😴
소진 T세포
들어왔지만 지쳐서 못 싸운다. Pdcd1 · Havcr2 · Tox
🛑
조절 T세포
다른 면역세포를 말린다. Foxp3 · Ctla4
소진 T세포와 조절 T세포가 가득한 종양은,
숫자로만 보면 "면역세포가 많이 들어왔다" 입니다.
세는 것만으로는 좋은 소식인지 나쁜 소식인지 알 수 없어요.
논문 Fig. 8 의 주장은 네 줄입니다 —
Ddx54 녹다운과 항-PD1 을 함께 하면
효과·기억 T세포가 늘고, 소진 T세포와 조절 T세포가 준다.
먼저 패널을 확인합니다 — 8강의 습관
공간전사체는 미리 고른 유전자만 봅니다(8강).
아형을 나누려면 표지자가 패널 안에 있어야 해요.
없으면 아무리 좋은 방법도 소용없습니다.
다행히 다 있습니다. 이 패널은 면역을 보라고 만든 것이니 당연하기도 합니다.
Python브라우저에서 실행
그런데 T세포가 너무 적습니다
우리가 13~17강에서 쓴 자료는 표본마다 25,000 세포씩 뽑은 조각입니다.
그 안의 T세포는 전부 합해 2,000개뿐이에요 (표본마다 276~711개).
CD4/CD8 로 나누고 다시 다섯 아형으로 나누면 칸이 열 개가 됩니다.
276개를 열 칸에 나누면 칸마다 서른 개 남짓이에요.
그 숫자로는 아무 말도 할 수 없습니다.
그래서 원자료를 다시 훑었습니다
표본 네 개의 원본에는 세포가 19만~40만 개씩 있습니다.
그중 Cd3 가 한 번이라도 찍힌 세포만 골라 내면 —
22,976개가 나옵니다. 열한 배예요.
필요한 유전자는 서른다섯 개뿐이라, 거대한 행렬을 통째로 읽지 않고
그 유전자 줄만 걸러 읽었습니다 (tools/prep6_tcell.py).
Cd3 가 찍힌 비율이 표본마다 두 배 넘게 다릅니다 — 이것부터 설명해야 합니다.
Python브라우저에서 실행
이항 축소 — 총 N개에서 D개를 뽑을 때 어떤 표지자가 몇 개 잡히는지를 다시 굴려 봅니다.
Python브라우저에서 실행
아직 CD4 · CD8 을 가르기 전입니다. 전체 T세포 안의 구성이에요.
Python브라우저에서 실행
깊이 문턱과 확신 문턱을 옮겨 보세요. 아형 구성이 얼마나 흔들리는지.
불러오는 중…
CD4 인가 CD8 인가 — 여기서 자료가 무너집니다
논문 Fig. 8 은 CD4 와 CD8 을 따로 봅니다.
효과 T세포가 늘었다는 말은 CD8 에서 뜻이 있고,
조절 T세포가 줄었다는 말은 CD4 에서 뜻이 있으니까요.
그래서 우리도 갈라야 하는데 — 갈라 보면 이렇습니다.
81%가 '미상' 입니다. Cd3 는 찍혔는데 Cd4 도 Cd8 도 안 찍힌 세포들이에요.
Python브라우저에서 실행
🤔 확인 문제
표본마다 Cd3 가 찍힌 세포 비율이 1.1% 와 2.7% 로 다른 것을 보고 바로 말할 수 없는 것은?
해설 깊이가 열 배 다른 자료에서 검출률과 실제 개수는 갈리지 않습니다. 깊이 깊은 표본이 곧 DDX 표본이라, 두 설명이 완전히 겹쳐 있어요.
🤔 확인 문제
이항 축소로 깊이를 맞추는 것이 총합으로 나누는 것보다 나은 이유는?
해설 나누기는 값만 맞추고 불확실성은 그대로 둡니다. 60개 읽은 세포의 0과 1,000개 읽은 세포의 0은 뜻이 전혀 다른데, 나누면 둘 다 그냥 0이 됩니다.
🤔 확인 문제
CD4/CD8 미상이 81%인데도 분석을 이어 가는 것이 정당한 이유는?
해설 빠진 81%는 전사체를 적게 읽은 세포에 쏠려 있으므로 무작위가 아닙니다. 그래도 분석을 버리지 않는 것은, 한계를 밝힌 결과가 결과 없음보다 쓸모 있기 때문입니다. 밝히지 않으면 그때는 정당하지 않습니다.