6강 / 20강

발현량의 단위 — counts 와 TPM 은 같은 것이 아니다

counts · FPKM · FPKM-UQ · TPM · RSEM

발현표를 열면 숫자가 있습니다. 그 숫자는 무엇일까요? 답이 다섯 가지나 되고, 다섯이 서로 비교 불가능합니다.

단위	무엇을 세나	보정한 것
counts	이 유전자에 붙은 조각 수	없다 — 날것
FPKM	길이와 깊이로 나눈 값	유전자 길이 + 총 조각 수
FPKM-UQ	FPKM 인데 분모가 상위사분위	극단값에 덜 흔들린다
TPM	길이 먼저, 깊이 나중	표본마다 합이 1,000,000
RSEM	어느 전사체에서 왔는지까지 추정	동형체(isoform) 배분

고등학생counts와 TPM은 같은 것이 아니다

단위	보정	쓰임
counts	없음 — 원시 read 수	차등발현 검정
FPKM	깊이 + 길이	옛 관례
FPKM-UQ	상위 분위수 정규화	GDC 제공
TPM	깊이 + 길이 (순서가 다름)	표본 내 비교
RSEM	아이소폼 추정 기반	—

단위를 모르고 비교하면 완전히 틀립니다.

표본끼리, 같은 유전자

counts 로 충분하다. DESeq2 · edgeR 이 이걸 원한다.

한 표본 안, 유전자끼리

TPM 을 쓴다. 길이 보정이 되어 있다.

두 창구의 값을 섞기

단위가 다르면 절대 섞지 않는다.

고등학생언제 무엇이 필요한가

목적	필요한 단위
차등발현 (DESeq2 등)	원시 counts — 정규화된 값 금지
표본 간 같은 유전자 비교	깊이만 보정하면 됨
한 표본 안 유전자끼리	길이 보정 필요 — TPM
기계학습 입력	대개 log TPM

첫 줄이 중요합니다 — DESeq2에 TPM을 넣으면 통계 모형이 깨집니다.

ALK 는 중앙값 4.4, ACTB 는 112,879. 2만 5천 배 차이입니다.

Python 브라우저에서 실행

import tcga

e = tcga.expr()
print("이 강의의 발현표: 유전자", e.shape[0], "× 표본", e.shape[1])
print("단위는 RSEM 정규화값입니다.")
print()
print("유전자마다 중앙값이 얼마나 다른가")
med = e.median(axis=1).sort_values()
for g in [med.index[0], med.index[1], med.index[-2], med.index[-1]]:
    print("   %-8s %12.1f" % (g, med[g]))

고등학생FPKM과 TPM의 차이

	FPKM	TPM
순서	깊이 먼저 → 길이	길이 먼저 → 깊이
표본별 합	제각각	항상 100만
표본 간 비교	어려움	비교적 쉬움

합이 일정하니 TPM이 비율로 읽기 좋습니다 — 그래서 요즘 표준이에요.

잘라 온 표에서는 정규화가 깨진다 — 부분표를 다룰 때 늘 기억해야 하는 것입니다.

Python 브라우저에서 실행

import tcga

e = tcga.expr()
합 = e.sum(axis=0)
print("우리 표에는 유전자가 19개뿐이라 표본별 합이 1,000,000 이 되지 않습니다.")
print("표본 몇 개의 19유전자 합:")
for s in e.columns[:4]:
    print("   %-18s %12.0f" % (s, 합[s]))
print()
print("이것이 정상입니다 — 전체 2만 유전자 가운데 19개만 잘라 왔으니까요.")

고등학생자료를 받으면 확인할 것

확인	방법
정수인가	정수면 counts
합이 100만인가	TPM
이미 로그인가	7강 — 최댓값이 20 미만
음수가 있나	이미 표준화됐을 수도

파일 이름만 믿지 말고 값을 직접 확인하세요.

🤔 확인 문제

두 표본에서 TP53 발현을 견주려 합니다. 어느 단위가 필요한가요?

🤔 확인 문제

한 표본 안에서 'TP53 이 ALK 보다 많이 발현되었다' 고 말하려면?