13강 / 20강

다 같은 파이프라인으로 다시 — 그러면 견줄 수 있나

표준화가 실제로 없애 주는 것과 남기는 것

이 강의의 출발점으로 돌아갑니다. GEO 의 숫자가 제각각이었던 이유는 올린 사람마다 다르게 처리했기 때문이었어요.

그럼 원시 read 를 받아 전부 같은 파이프라인으로 다시 돌리면 어떻게 될까요?

고등학생다 같은 파이프라인으로 다시

여러 연구의 자료를 합치고 싶습니다. 각 연구가 자기 방식으로 처리한 표를 그냥 붙이면 될까요?

각자 처리한 표를 붙이면	일어나는 일
유전자 목록이 다름	주석 버전이 달라서
정규화 방식이 다름	값의 스케일이 다름
필터 기준이 다름	어떤 표에만 있는 유전자
정렬 도구가 다름	같은 유전자도 값이 다름

그래서 원자료부터 같은 방식으로 다시 처리합니다 — 그것이 재처리의 목적입니다.

✅ 사라지는 것

· 정규화 방식의 차이 — 내가 하나로 정합니다
· 유전체 판(version)의 차이 — hg19 와 hg38 을 섞지 않게 됩니다
· 유전자 모델의 차이 — 어느 주석표를 썼는지 통일됩니다
· 정렬 도구의 차이 — 같은 도구, 같은 설정
· 탐침 설계의 차이 — 마이크로어레이의 근본 문제가 아예 없어집니다

❌ 그대로 남는 것

· 라이브러리 선택 — PolyA 와 리보솜 제거 (5강)
· 읽기 길이와 레이아웃 — 50bp SINGLE 과 150bp PAIRED (6강)
· 깊이 — 4,828배 차이 (7강)
· 기계 — Illumina 와 DNBSEQ 의 오류 성질이 다릅니다
· 표본 자체 — 조직·사후지연·대조군의 정체

왼쪽이 사라지는 것만으로도 큰 이득입니다. 그런데 오른쪽은 그대로예요.

고등학생재처리가 없애 주는 것

없어지는 차이	내용
도구·버전 차이	모두 같은 도구
주석 차이	모두 같은 유전자 정의
정규화 차이	모두 같은 방식
필터 차이	모두 같은 기준

이것만으로도 큰 소득입니다. 서로 다른 표를 억지로 맞추느라 생기는 오류가 사라져요.

표준화가 하는 일과 못 하는 일을 갈라 두어야 합니다.

Python 브라우저에서 실행

# 다시 처리해도 남는 차이를 세어 봅니다 — 이 강의 자료의 실제 값.
remains = [
    ("라이브러리 선택", 8,  "RNA-Seq 433개 run 안에서만 8가지"),
    ("레이아웃",        2,  "PAIRED 621 · SINGLE 92"),
    ("기계 플랫폼",     4,  "ILLUMINA 674 · DNBSEQ 35 · NANOPORE 2 · PACBIO 2"),
    ("기계 모델",      10,  "NovaSeq X · NovaSeq 6000 · HiSeq 4000 …"),
]
print("같은 파이프라인으로 다시 돌려도 그대로 남는 것들 —")
for what, n, detail in remains:
    print(f"  {what:16s} {n:2d}가지   {detail}")
print()
print("읽기 길이 : 50 ~ 1,408 bp")
print("깊이      : 3,533만 ~ 1,705억 염기 (4,828배)")
print()
print("이것들은 계산이 아니라 '만들어진 방식' 의 차이라 지울 수 없습니다.")

고등학생그런데 남는 것

남는 차이	왜	강
라이브러리 방식	polyA vs rRNA 제거 — 자료 자체가 다름	5강
read 길이·양말단 여부	정보량이 다름	6강
깊이	얕은 것은 얕은 채로	7강
시료 처리·보관	RNA 분해 정도	—
연구별 배치	실험실·시기·기증자	14강

재처리는 계산 단계의 차이를 없앨 뿐, 실험 단계의 차이는 그대로 둡니다.

그래서 다시 처리한 뒤에도 /geo 강의의 방법이 그대로 필요합니다.

시리즈 안에서 먼저 빼고, 그 효과크기를 합친다

다만 이제는 같은 눈금 위에서 뺍니다. 그게 나아진 점이에요.

이득이 분명한 만큼 값도 분명합니다.

Python 브라우저에서 실행

# 표준화 전후를 견줍니다.
before = {
    "계산 때문에 생긴 차이": "크다 (로그 씌운 곳, 안 씌운 곳, 2색 비율…)",
    "만들어진 방식의 차이":  "크다",
    "합칠 수 있는 유전자":   "플랫폼 공통만 — 이 강의 /geo 에서 15,485개",
}
after = {
    "계산 때문에 생긴 차이": "없다 (내가 하나로 정했다)",
    "만들어진 방식의 차이":  "크다 (그대로)",
    "합칠 수 있는 유전자":   "주석표 전체 — 사람이면 6만 개 넘게",
}
print(f"{'':24s} {'GEO 숫자를 쓸 때':>34s}   {'다시 처리했을 때'}")
for k in before:
    print(f"{k:24s} {before[k]:>34s}   {after[k]}")
print()
print("얻는 것: 눈금 통일 + 유전자 수 네 배")
print("치르는 것: 4.4 테라바이트와 계산 시간 (15강)")

고등학생그래도 재처리가 값진 이유

이유	내용
변수를 하나 줄임	남은 차이의 원인을 좁힐 수 있음
배치 보정이 가능해짐	같은 척도여야 보정 모형을 쓸 수 있음
결측 유전자가 없어짐	모든 표본에 같은 유전자 목록
재현 가능	남이 같은 방식으로 다시 할 수 있음

완벽하게 만드는 것이 목적이 아닙니다. 남은 차이가 무엇인지 알 수 있게 만드는 것이 목적이에요.

모르는 차이가 여러 개일 때보다, 아는 차이가 하나일 때 훨씬 다루기 쉽습니다.

🤔 확인 문제

모든 자료를 같은 파이프라인으로 다시 처리하면 사라지는 차이는?

🤔 확인 문제

다시 처리한 뒤에도 시리즈 안에서 먼저 빼고 효과크기를 합쳐야 하는 이유는?