Lesson 19 of 20

처음부터 다시 — 자료를 고르는 결정들

1강부터 18강까지를 한 번에

이 강의에서 내린 결정들을 모읍니다.

강	결정	다르게 정하면
4	LibraryStrategy 로 먼저 거른다	안 거르면 ATAC 자료로 발현을 계산하게 된다
5	LibrarySelection 을 맞춘다	PolyA 와 리보솜 제거가 섞이면 lncRNA 가 방법 신호를 낸다
6	레이아웃과 길이를 확인한다	SINGLE 50bp 로는 스플라이싱을 못 본다
7	깊이를 맞추거나 깎는다	얕은 자료의 0 이 '꺼짐'으로 읽힌다
9·10	라벨은 GEO·BioSample 에서 가져온다	runinfo 만으로는 환자와 대조를 못 가른다
11	발현만 필요하면 유사정렬	정렬하면 22일, 유사정렬은 1.7일
13·14	연구 안에서 먼저 뺀다	표준화해도 연구 사이 차이는 남는다
18	이유가 없으면 안 내려간다	16만 배 큰 자료를 이유 없이 다루게 된다

High school자료를 고르는 결정들

1강부터 18강까지를 한 번에 돌려 봅니다. 그러면 우리가 몇 번이나 결정했는지 보여요.

결정	강	다른 선택
어느 라이브러리 전략	4	RNA-Seq만 · 여러 개 섞기
polyA만 · rRNA 제거만 · 둘 다	5	—
양말단만 · 단일말단 포함	6	—
깊이 문턱	7	얕은 것을 뺄까
라벨 없는 run	9·10	버릴까 · 찾아볼까
정렬 vs 유사정렬	11	—
정규화 방식	12	CPM · TPM · 크기인자
배치 처리	14	공변량 · 제거 · 메타분석

위 위젯의 자료는 전부 실제 SRA runinfo 입니다. 조건을 걸면 남는 run 이 바뀌어요.

1️⃣

RNA-Seq 만

713 → 433. 아직도 선택이 여덟 가지 섞여 있습니다

2️⃣

+ PAIRED 만

스플라이싱을 보려면 필요합니다. 크게 줄어요

3️⃣

+ 깊이 문턱

얕은 것을 빼면 남는 게 얼마나 되는지 보세요

4️⃣

+ 길이 문턱

100bp 아래를 빼면 오래된 자료가 통째로 빠집니다

High school결정마다 몇 개가 빠지는가

필터를 걸 때마다 run이 줄어듭니다. 그 수를 기록해 두는 것이 중요해요.

단계	남는 수 (예시)
처음	713
RNA-Seq만	433
polyA만	더 줄어듦
양말단만	더 줄어듦
깊이 문턱	더 줄어듦
라벨 있는 것만	많이 줄어듦

이 표를 흐름도로 그려 논문에 넣는 것이 표준 관행입니다 (CONSORT 스타일).

메타데이터가 부실해서 버리는 것이 가장 많습니다.

Python Runs in your browser

# 조건을 겹칠 때마다 남는 run — 실제 값입니다.
steps = [
    ("모은 run 전체",              713),
    ("RNA-Seq 만",                 433),
    ("+ PAIRED 만",                365),
    ("+ 선택이 명시된 것만",       185),   # cDNA(불명확) 를 뺀다
]
prev = None
for label, n in steps:
    if prev is None:
        print(f"{label:26s} {n:5d}")
    else:
        print(f"{label:26s} {n:5d}   ({n/prev*100:5.1f}% 남음)")
    prev = n
print()
print(f"713 개로 시작해 {steps[-1][1]} 개가 남습니다 — {steps[-1][1]/713*100:.0f}%")
print()
print("가장 크게 깎이는 것은 마지막 줄입니다.")
print("'cDNA' 라고만 적힌 248개는 무엇으로 뽑았는지 알 수가 없어요.")

High school손잡이를 돌려 보기

손잡이를 이렇게	결과
깊이 문턱을 낮춤	run이 늘지만 저품질 자료가 섞임
라이브러리 방식을 섞음	표본이 늘지만 배치가 커짐
라벨 없는 것도 포함	비지도 분석만 가능
study 하나만 씀	배치 없음 · 일반화 안 됨

어느 설정에서도 남는 결론이 진짜 결론입니다.

내려갈수록 적어야 할 결정이 늘어납니다.

Python Runs in your browser

# 이 분석을 재현하려면 적어 둬야 하는 것들.
recipe = [
    ("검색어",        "ALS · IPF · iPSC 운동신경세포 · 사후 척수 · C9orf72 (+ WGS·WXS·ATAC·ChIP)"),
    ("받은 날",       "2026-08-30"),
    ("받은 방법",     "eutils esearch -> efetch rettype=runinfo"),
    ("전략 필터",     "LibraryStrategy 로 먼저 거른다"),
    ("선택 필터",     "LibrarySelection 을 확인하고 섞지 않는다"),
    ("레이아웃",      "물음에 따라 PAIRED 필요 여부를 정한다"),
    ("깊이",          "문턱을 정하거나 깎아서 맞춘다 — 어느 쪽인지 적는다"),
    ("라벨 출처",     "GEO -> BioSample -> 논문 순서. 없으면 그 자료는 안 쓴다"),
    ("정렬 도구",     "물음에 따라 정렬/유사정렬. 판(version)과 주석표까지 적는다"),
    ("중복 read",     "RNA-seq 은 지우지 않는다 (UMI 없으면)"),
    ("정규화",        "무엇을 묻느냐에 따라 CPM/TPM/크기인자"),
    ("합치기",        "연구 안에서 먼저 빼고 효과크기를 합친다"),
]
for k, v in recipe:
    print(f"{k:12s} : {v}")
print()
print("열두 줄입니다. /geo 의 열한 줄과 겹치는 것이 절반쯤이에요 —")
print("나머지 절반이 '원자료로 내려갔기 때문에' 생긴 결정입니다.")

High school9강의 빈 칸이 여기서 돌아온다

19강의 필터 중 가장 많이 걸러 내는 것이 라벨입니다. 9강의 Disease 100% 빈 칸과 같은 이야기예요.

상황	대응
SRA에 라벨이 없다	BioSample·GEO·논문을 뒤진다 (10강)
거기도 애매하다	규칙을 만들고 눈으로 확인
끝내 모른다	"미기재"로 남기고 그 수를 보고

공개 자료 분석에서 시간의 대부분은 라벨을 정리하는 데 들어갑니다 — 계산이 아니라요.

🤔 Check yourself

이 강의 자료에서 조건을 걸 때 가장 많이 버려지는 이유는?

🤔 Check yourself

이 강의의 레시피가 /geo 보다 긴 이유는?