Lesson 5 of 20

창구가 넷이다 — 같은 자료, 다른 숫자

GDC · UCSC Xena · cBioPortal · Firehose

"TCGA 자료를 받았다" 는 말은 생각보다 모호합니다. 창구가 여럿이거든요.

창구	무엇이 있나	특징
GDC	원본에 가장 가깝다 — BAM · MAF · counts	최신 정렬본. 무겁다
UCSC Xena	정리된 행렬과 임상표	바로 쓰기 좋다. 이 강의의 임상표
cBioPortal	PanCanAtlas 정제본 + API	표본이 걸러져 있다
Firehose	2016년에 멈춘 옛 정제본	옛 논문이 쓴 값

High school창구가 넷이다

같은 TCGA 자료를 여러 곳에서 받을 수 있습니다.

창구	특징
GDC	공식 — 원자료에 가장 가까움
UCSC Xena	정리된 표 · 시각화 도구
cBioPortal	탐색이 쉬움 · 큐레이션됨
Firehose	과거 표준 · 지금은 정지

같은 자료인데 숫자가 다릅니다 — 왜일까요?

641 대 566 — 그런데 겹치는 것은 514개뿐입니다. 한쪽에만 있는 표본이 양쪽 다 있어요.

Python Runs in your browser

import pandas as pd

# 같은 폐선암, 두 창구
xena = pd.read_csv("tcga_clinical.tsv", sep="\t", dtype={"stage": str})
xena = xena[xena["type"] == "LUAD"]
cbio = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})

print("Xena 임상표의 LUAD 표본       :", len(xena))
print("cBioPortal PanCanAtlas 표본   :", len(cbio))
print()
print("Xena 에만 있는 표본       :", len(set(xena['sample']) - set(cbio['sample'])))
print("cBioPortal 에만 있는 표본 :", len(set(cbio['sample']) - set(xena['sample'])))
print("둘 다 있는 표본           :", len(set(xena['sample']) & set(cbio['sample'])))

High school왜 숫자가 다른가

차이	내용
처리 파이프라인 버전	정렬 도구·주석이 다름
발현 단위	6강 — counts · TPM · RSEM
필터 기준	어떤 표본을 뺐나
변이 호출 방식	Mutect · Varscan 등
정규화	배치 보정을 했나

"TCGA에서 받았다"만으로는 부족합니다 — 어느 창구, 어느 버전인지 적어야 해요.

127개 가운데 120개가 11 — 인접 정상입니다. cBioPortal 의 PanCanAtlas 는 종양만 담아요.

Python Runs in your browser

import pandas as pd
import tcga

xena = pd.read_csv("tcga_clinical.tsv", sep="\t", dtype={"stage": str})
xena = xena[xena["type"] == "LUAD"]
cbio = set(pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})["sample"])

빠진것 = xena[~xena["sample"].isin(cbio)]
code = 빠진것["sample"].str.split("-").str[3].str[:2]
print("cBioPortal 에 없는", len(빠진것), "개는 무엇인가")
for k, n in code.value_counts().items():
    print("   표본종류 %s : %d개" % (k, n))

High school무엇을 언제 쓰나

목적	추천
원자료부터 다시	GDC
빠른 탐색	cBioPortal
정리된 표로 분석	UCSC Xena
여러 암종 비교	Pan-Cancer 자료 세트

한 프로젝트 안에서는 한 창구로 통일하세요 — 섞으면 배치가 생깁니다.

127개 중 120개는 정상 조직, 나머지 7개가 품질 관리에서 빠진 표본입니다. 이 정도면 설명이 된 셈이에요.

Python Runs in your browser

import pandas as pd
import tcga

xena = pd.read_csv("tcga_clinical.tsv", sep="\t", dtype={"stage": str})
xena = xena[xena["type"] == "LUAD"]
cbio = set(pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})["sample"])

빠진것 = xena[~xena["sample"].isin(cbio)]
종양만 = 빠진것[빠진것["sample"].map(tcga.is_tumor)]
print("설명되는 차이 (정상 조직) :", len(빠진것) - len(종양만), "개")
print("아직 설명 안 된 차이      :", len(종양만), "개")
print()
print("남은 것들:")
for s in 종양만["sample"].head(8):
    print("   ", s)

High school접근 등급

등급	내용	접근
공개 (open)	발현 · 임상 · 요약 변이	누구나
통제 (controlled)	원시 서열 · 생식세포 변이	승인 필요

생식세포 변이는 개인 식별이 가능해서 통제됩니다 — 유전 정보는 지문 같아요.

🤔 Check yourself

논문 A는 LUAD 표본 566개, 논문 B는 641개를 썼다고 합니다. 무엇이 가장 그럴듯한가요?

🤔 Check yourself

논문의 방법 문단에 반드시 적어야 하는 것은?