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.
PythonRuns in your browser
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.
PythonRuns in your browser
이항 축소 — 총 N개에서 D개를 뽑을 때 어떤 표지자가 몇 개 잡히는지를 다시 굴려 봅니다.
PythonRuns in your browser
아직 CD4 · CD8 을 가르기 전입니다. 전체 T세포 안의 구성이에요.
PythonRuns in your browser
깊이 문턱과 확신 문턱을 옮겨 보세요. 아형 구성이 얼마나 흔들리는지.
Loading…
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.
PythonRuns in your browser
🤔 Check yourself
표본마다 Cd3 가 찍힌 세포 비율이 1.1% 와 2.7% 로 다른 것을 보고 바로 말할 수 없는 것은?
Answer 깊이가 열 배 다른 자료에서 검출률과 실제 개수는 갈리지 않습니다. 깊이 깊은 표본이 곧 DDX 표본이라, 두 설명이 완전히 겹쳐 있어요.
🤔 Check yourself
이항 축소로 깊이를 맞추는 것이 총합으로 나누는 것보다 나은 이유는?
Answer 나누기는 값만 맞추고 불확실성은 그대로 둡니다. 60개 읽은 세포의 0과 1,000개 읽은 세포의 0은 뜻이 전혀 다른데, 나누면 둘 다 그냥 0이 됩니다.
🤔 Check yourself
CD4/CD8 미상이 81%인데도 분석을 이어 가는 것이 정당한 이유는?
Answer 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.