14강 / 20강

접수기관 — 누가 보냈는지가 숫자에 남는다

TSS 34곳 · 큰 9곳만 봐도 TMB 중앙값이 3.6 에서 12.8

TCGA 의 표본은 한곳에서 모은 것이 아닙니다. 세계 곳곳의 병원이 조직을 떼어 보냈어요. 그 병원을 접수기관(TSS, tissue source site) 이라고 부르고, 바코드 둘째 칸에 두 글자로 적혀 있습니다.

TCGA-05-4244-01A-01R-1206-07

병원마다 조직을 떼는 방식도, 얼려 두는 시간도, 보내는 절차도 다릅니다. 그 차이가 DNA 와 RNA 의 상태에 남고, 결국 표의 숫자에 남아요. 이것을 배치 효과(batch effect) 라고 합니다.

이 강은 한 가지를 정합니다 — 비교하려는 두 집단이 같은 병원에서 왔는가. 아니라면 그 비교로 나온 차이는 암의 것이 아닐 수 있습니다.

고등학생누가 보냈는지가 숫자에 남는다

바코드 둘째 칸이 접수기관(TSS)입니다. 34곳이 참여했어요.

기관마다 다른 것	내용
환자 집단	지역 · 인종 · 병기
수술 방식	조직 채취
보관 방법	냉동까지의 시간
처리 시기	—

이 차이가 숫자에 남습니다 — 그것이 배치효과예요.

표본 566개가 34곳에서 왔습니다. 가장 많이 보낸 곳이 91개, 적은 곳은 한두 개예요.

Python 브라우저에서 실행

import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
print("LUAD 표본", len(s), "· 접수기관", s["tss"].nunique(), "곳")
print()

큰곳 = s.groupby(["tss", "tss_name"]).size().sort_values(ascending=False).head(9)
for (코드, 이름), n in 큰곳.items():
    print("  %-3s %-46s %3d 표본" % (코드, 이름[:46], n))

고등학생TMB 중앙값이 3.6에서 12.8

큰 9개 기관만 봐도 TMB 중앙값이 3.6에서 12.8까지 갈립니다.

가능한 이유	내용
환자 집단이 다름	흡연력 · 병기 — 진짜 차이
시료 품질	순도 · 보관
처리 시기	파이프라인 버전

첫 줄과 나머지를 가르기 어렵습니다 — 이것이 배치 문제의 본질이에요.

3.60 에서 12.78 까지 — 세 배 반이 넘게 벌어집니다. 같은 폐선암인데요.

Python 브라우저에서 실행

import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
큰곳 = s.groupby("tss").filter(lambda d: len(d) >= 25)

print("%-3s %-34s %4s %8s %8s" % ("TSS", "이름", "표본", "TMB중앙", "FGA중앙"))
표 = 큰곳.groupby(["tss", "tss_name"]).agg(n=("sample", "size"),
                                           tmb=("tmb", "median"),
                                           fga=("fga", "median"))
for (코드, 이름), r in 표.sort_values("tmb", ascending=False).iterrows():
    print("%-3s %-34s %4d %8.2f %8.3f" % (코드, 이름[:34], r["n"], r["tmb"], r["fga"]))

p = 0.0028. 접수기관 차이는 우연이 아닙니다. 이 숫자를 무시하고 분석하면 안 된다는 뜻이에요.

Python 브라우저에서 실행

import pandas as pd
from scipy import stats

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
큰곳 = s.groupby("tss").filter(lambda d: len(d) >= 25)

무리 = [d["tmb"].dropna().values for _, d in 큰곳.groupby("tss")]
H, p = stats.kruskal(*무리)
print("접수기관 %d곳 · 표본 %d개" % (len(무리), len(큰곳)))
print("크러스컬-월리스  H = %.2f   p = %.4f" % (H, p))
print()
if p < 0.05:
    print("우연이라고 보기 어렵다 — 접수기관에 따라 TMB 가 실제로 다르다")

고등학생배치와 관심 변수가 겹치면

상황	결과
한 기관이 특정 아형만 보냄	기관과 아형이 완전히 겹침
보정하려 하면	아형 신호도 함께 지워짐

겹침이 완전하면 어떤 통계로도 나눌 수 없습니다.

그래서 분석 전에 기관별 구성을 표로 만들어 봐야 합니다. 겹침이 보이면 결론을 조심해야 해요.

TMB 가 가장 높은 44번(12.78)은 3~4기 비율이 가장 낮은 6.5% 입니다. 병기로는 설명이 안 돼요 — 병원 자체의 차이입니다.

Python 브라우저에서 실행

import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
c = pd.read_csv("tcga_clinical.tsv", sep="\t", dtype={"stage": str})
m = s.merge(c, on="sample", how="inner")

def 후기(v):
    if not isinstance(v, str) or not v.startswith("Stage"):
        return None
    return v.startswith("Stage III") or v.startswith("Stage IV")

m["late"] = m["stage"].map(후기)
큰곳 = m.groupby("tss").filter(lambda d: len(d) >= 25)

print("%-3s %4s %10s %9s" % ("TSS", "표본", "3~4기비율", "TMB중앙"))
표 = 큰곳.groupby("tss").agg(n=("sample", "size"),
                             late=("late", "mean"), tmb=("tmb", "median"))
for 코드, r in 표.sort_values("tmb", ascending=False).iterrows():
    print("%-3s %4d %9.1f%% %9.2f" % (코드, r["n"], 100 * r["late"], r["tmb"]))

고등학생무엇을 할 수 있나

방법	내용
기관을 공변량으로	회귀 모형에 넣음
기관 내에서 비교	표본이 줄어듦
여러 기관에서 재현	한 기관의 특성이 아님을 보임
최소한 보고	기관 구성을 표로

마지막 줄이 최소한입니다 — 확인했다는 사실만으로도 신뢰가 올라갑니다.

🤔 확인 문제

접수기관 44번의 TMB 중앙값이 가장 높고 3~4기 비율은 가장 낮았습니다. 이것이 뜻하는 바는?

🤔 확인 문제

배치 효과를 다루는 방법으로 적절하지 않은 것은?