마이크로플레이트 판독기를 이용한 미생물 성장 분석은 바이오제약 산업에서 배지 성분 스크리닝에 흔히 사용됩니다. 이러한 분석은 매우 빠른 속도로 방대한 양의 데이터를 생성할 수 있으므로, 데이터 분석 단계의 병목 현상을 해소하는 자동화된 접근 방식은 신속한 의사 결정을 위해 매우 중요합니다. 케리(Kerry)에서는 성장 분석 데이터의 검색, 정리 및 형식 지정이 수동으로 이루어지는데, 이는 시간이 많이 소요되고 오류 발생 가능성이 높습니다.
본 연구에서는 데이터 형식 지정, 정리 및 시각화를 자동화하여 데이터 분석 방식을 개선하기 위한 일련의 스크립트를 개발했습니다. JMP의 워크플로 빌더와 애드인 빌더를 사용하여 스크립트를 캡처하고, 대량 미생물 성장 분석에서 데이터 분석 시간을 단축하고 중복 분석을 자동화하는 사용하기 쉬운 클릭 기반 방식을 구현했습니다. 이 애드인을 통해 원시 데이터 파일당 분석 시간이 20분에서 4분으로 80% 단축되었습니다. 개발된 애드인은 대량 마이크로플레이트 분석에서 데이터 검색, 정리 및 분석 과정의 병목 현상을 해결하고자 하는 다른 JMP 사용자들을 위해 공개될 예정입니다.
안녕하세요. 저는 카일 프로브스트입니다. 케리(Kerry)의 선임 과학자로, 북미 본사가 있는 위스콘신주 벨로이트에서 근무하고 있습니다. 오늘 저는 JMP 애드인 빌더(Add-in Builder)를 활용한 미생물 성장 특성 분석 자동화에 대해 발표할 예정입니다. JMP를 사용한 경험은 약 8년이며, 이번 디스커버리 서밋(Discovery Summit)에서 처음으로 발표하게 되어 매우 기쁩니다.
오늘 제가 어떤 내용을 다룰지 간략하게 개요를 설명드리겠습니다. 먼저 서론에서 이 연구를 진행하게 된 이유와 중요성, 목표, 구체적으로 추구했던 결과에 대해 이야기하고, 케리(Kerry)와 제약 세포 영양, 미생물 성장 분석법, 저희의 접근 방식, 그리고 기존 데이터 분석 방법에 대한 배경 정보를 간략하게 소개하겠습니다. 그 후 본론으로 들어가서 애드인 자체를 시연하여 저희가 개발한 기능을 명확하게 보여드리겠습니다. 마지막으로 결론을 말씀드리겠습니다.
좋습니다. 원료 및 배지 영양물질 스크리닝은 생물공정 개발에 있어 매우 중요한 단계입니다. 제약 업계에서는 마이크로플레이트 판독기를 이용한 고처리량 스크리닝(HTS) 분석법이 흔히 사용됩니다. 이러한 분석법은 매우 빠른 속도로 대량의 데이터를 생성할 수 있습니다. 따라서 데이터 처리 및 분석이 병목 현상의 원인이 됩니다.
데이터 분석 단계라는 병목 현상을 자동화하는 접근 방식은 신속한 의사 결정을 가능하게 하는 데 매우 중요합니다. 특히 산업 현장에서는 시간이 곧 돈이라는 것을 잘 알고 있습니다. 케리(Kerry)에서는 HTS 분석 데이터의 검색, 정리 및 형식 지정이 매우 시간이 많이 소요되고 오류 발생 가능성이 높은 수동 프로세스입니다. 본 연구에서는 JMP를 사용하여 HTS 데이터 분석의 병목 현상을 해소하고 더 빠른 의사 결정을 지원합니다.
먼저 말씀드리겠습니다. 이것이 우리가 사용할 초기 원자료입니다. 엑셀 스프레드시트 형식으로 제공됩니다. 그리고 이 데이터를 최종적으로 처리하여 얻을 결과물은 이 두 가지 수치입니다. 하나는 성장 동태 또는 성장 곡선을 나타내고, 다른 하나는 곡선 아래 면적으로, 성장 성과를 나타내는 지표입니다. 이것이 바로 우리가 오늘 얻고자 하는 최종 결과물입니다.
본 프로젝트의 목표는 고처리량 스크리닝(HTS) 미생물 성장 분석에서 데이터 분석 시간을 단축하고 중복 분석을 자동화하기 위해 유연한 데이터 형식 지정 및 정리 방식을 지원하는 일련의 추가 기능을 개발하는 것이었습니다. 이를 위해 JMP의 추가 기능 빌더, 워크플로 빌더, 재코딩 도구, 그래프 빌더, 대시보드 기능을 활용했습니다.
케리에 대해 간단히 소개해 드리겠습니다. 케리는 제가 근무하는 회사입니다. 아일랜드에 본사를 둔 식품 원료 회사로, 맛, 보존, 건강 및 바이오 제약 원료 분야에서 세계적인 선두 기업입니다. 케리는 고객 중심 경영을 통해 고객이 더 맛있고 영양가 있는 식품과 음료는 물론, 건강 증진 보조제와 생명을 구하는 의약품을 만들 수 있도록 원료를 공급하고 있습니다.
저는 제약 사업 부문에서 일하고 있으며, 저희 회사의 제약 사업은 100년이 넘는 역사를 자랑합니다. 이 사업은 크게 부형제, 아세테이트, 세포 영양제 세 가지 축으로 구성되어 있습니다. 저는 세포 영양제 분야에서 근무하고 있으며, 여기에는 바이오 제약 및 생명 공학 분야에서 세포 영양제로 사용되는 단백질 가수분해물과 효모 추출물과 같은 제품들이 포함됩니다.
케리에서는 복합 배지 보충제를 제공합니다. 여기에는 단백질 가수분해물(미생물학 수업을 들어본 사람이라면 누구나 알겠지만 펩톤이라고도 함)과 효모 추출물이 포함됩니다. 이들은 부분적으로 소화 가능한 원료로 질소가 풍부합니다. 세포에 펩타이드, 유리 아미노산, 비타민, 미네랄 등 다양한 중요 영양소를 공급하기 때문에 배지 조성에서 주요 질소 공급원으로 자주 사용됩니다.
세포 영양에 대해 이야기할 때, 우리는 생명과학 산업에서 사용되는 말리, 곤충, 미생물 세포를 유지하는 데 필요한 영양분을 이야기하는 것입니다. 이것들이 바로 우리가 사용하는 재료들입니다. 그리고 이것들은 다양한 세포 유형과, 인슐린, 항체, 백신, 프로바이오틱스, 심지어 항생제와 같이 우리의 일상생활을 개선하는 데 사용되는 세포 생성물의 몇 가지 예입니다. 이것들은 단지 몇 가지 예일 뿐입니다.
케리에서는 100가지가 넘는 다양한 단백질 가수분해물과 효모 추출물을 활용하여 맞춤형 제형을 만들 수 있습니다. 또한 자체 보유한 균주와 세포를 사용하여 이러한 원료들을 선별하고 최적화하여 고객의 요구에 맞는 제형 프로토타입을 개발할 수 있습니다. 이 설명을 통해 제가 케리에서 하는 일과 세포 영양학이 무엇인지 더 잘 이해하셨기를 바랍니다.
네, 알겠습니다. 케리에서는 미생물 성장 분석을 매우 일상적으로 수행하며, 이는 미생물 응용 분야에 적합한 세포 영양 성분을 선별하는 데 사용됩니다. 앞서 말씀드린 것처럼, 저희는 사용할 수 있는 다양한 성분을 보유하고 있습니다. 선별 과정을 통해 여러 제품을 신속하게 테스트하고 제형 최적화를 위한 최적의 후보 물질 몇 가지를 선별할 수 있습니다. 성장 분석에는 마이크로플레이트 판독기가 사용되며, 이는 선별 단계에서 매우 중요한 역할을 합니다.
저희 프로토콜을 사용하면 단일 분석에서 최대 40가지 성분을 테스트할 수 있습니다. 또한 여러 미생물 균주를 평가할 수 있으며, 확정적 스크리닝 설계나 플래킷-버먼(Plackett-Burman) 또는 부분 요인 설계와 같은 2단계 스크리닝 설계를 포함한 실험 설계(DOE) 기반 접근 방식도 수행할 수 있습니다.
예를 들어, 고객이 락토바실러스 아시도필러스(Lactobacillus acidophilus)의 성장을 촉진하는 식물성 단백질 가수분해물을 찾고 있다고 가정해 보겠습니다. 락토바실러스 아시도필러스는 중요한 프로바이오틱스 균주입니다. 이 경우, 우리는 먼저 여러 식물성 단백질 가수분해물을 선별하여 이 미생물의 성장에 가장 효과적인 하나 또는 몇 가지 제품을 찾아낼 것입니다.
다음은 성장 분석 워크플로의 예입니다. 당사 제품은 액체 배지 형태로 제조됩니다. 대부분의 제품은 건조 분말 형태이므로 수화 과정을 거쳐야 합니다. 필요에 따라 배양하려는 미생물에 특화된 다른 영양분도 첨가할 수 있습니다. 다음으로 접종액이 있습니다. 이는 살아있는 활성 세포입니다. 세포가 활발하게 성장하고 건강한 상태인지 확인하기 위해 사용 전에 미리 접종액을 준비하는 경우가 많습니다.
그다음 배양액과 접종액을 여기 있는 웰 플레이트에 피펫으로 넣습니다. 이것이 웰 플레이트입니다. 이 경우 웰 플레이트에는 100개의 개별 웰이 있으며, 각 웰에 약 100~200 마이크로리터를 넣습니다. 이 작업은 보통 다중 채널 피펫을 사용하여 수행하는데, 사진 위쪽에 보이는 것이 바로 그 피펫입니다.
우리는 마이크로플레이트 용량을 다루고 있습니다. 우리가 사용하는 바이오스크린 분석 장비인 바이오스크린 C에서는 플레이트를 두 개까지 동시에 실행할 수 있습니다. 일반적으로 각 처리당 5개의 기술적 반복 또는 5개의 웰을 사용합니다. 한 번에 최대 40개까지 실행할 수 있습니다. 플레이트를 플레이트 리더에 넣으면, 플레이트 리더 자체가 바이오스크린 역할을 하며 온도와 교반을 제어할 수 있습니다. 예를 들어, 대부분의 박테리아는 37°C에서 24~48시간 동안 배양됩니다.
이 장비는 시간에 따른 광학 밀도를 자동으로 측정합니다. 우리는 600나노미터의 광학 밀도, 즉 OD 600을 기준으로 삼습니다. 이는 미생물 성장을 정량화하는 데 사용되는 업계 표준 지표입니다. 세포가 증식하고 성장함에 따라 배양액이 탁해지는데, 이는 OD 600 값에 비례합니다. 세포가 성장함에 따라 OD 600 값이 증가하고, 이 값이 시간에 따라 그래프로 나타나며, 위쪽에 성장 곡선이 표시됩니다. Y축은 세포 밀도 또는 OD 600, X축은 시간입니다. 영양분 종류에 따라 성장 정도가 달라지는데, 이를 측정하여 성장 곡선을 통해 시각적으로 확인할 수 있습니다.
성장 곡선이 무엇인지 궁금하시다면, 성장 곡선은 박테리아나 효모와 같은 미생물 개체군의 시간 경과에 따른 성장을 나타내는 미생물 역학입니다. 충분한 영양분, 적절한 온도, 또는 환경과 같은 조건이 충족되면 이러한 세포들은 빠르게 분열하고 증식할 수 있습니다. 우리는 성장 곡선의 여러 단계를 살펴볼 것입니다.
첫 번째는 지연기입니다. 미생물이 새로운 환경에 처음 도입되면 바로 증식하지 않습니다. 주변 환경에 적응하고 성장을 준비하는 데 약간의 시간이 필요합니다. 이것이 바로 지연기입니다. 그 후, 미생물이 준비가 되면 빠르게 증식하기 시작합니다. 각 세포는 두 개, 네 개, 여덟 개 등으로 분열하여 개체 수가 급격히 증가합니다. 이것이 성장 곡선의 지수적 또는 대수적 단계입니다.
그러다가 결국에는 먹이와 공간이 부족해지거나 노폐물이 축적되기 시작하면 성장이 둔화됩니다. 이것이 바로 정체기로 이어지는데, 이때는 새로 생성되는 세포의 수와 죽는 세포의 수가 균형을 이루어 개체 수가 일정하게 유지됩니다. 성장 곡선을 통해 성장 과정을 시각화할 수 있습니다. 이를 통해 비교하고, 이러한 기준에 따라 빠르게 선택할 수 있습니다.
또한, 저희가 측정하는 또 다른 지표는 곡선 아래 면적입니다. 이는 곡선 아래 영역을 기준으로 곡선을 하나의 수치로 요약하는 데 사용됩니다. 동일한 조건과 시간에서 곡선 아래 면적이 클수록 전체적인 성장률이 더 크다는 것을 의미합니다. 이제 이해가 되셨기를 바랍니다.
이제 기존 데이터 처리 방식에 대해 말씀드리겠습니다. 저희가 사용해 온 방식은 엑셀과 JMP를 모두 필요로 했습니다. 엑셀은 시간 지점, 곡선 아래 면적을 수동으로 편집하고 계산하는 데 사용되었으며, OD 600 데이터는 0으로 설정하는 작업도 했습니다. 이 부분은 조금 후에 보여드리겠습니다. 그런 다음 데이터를 JMP로 넘겨서 수동으로 데이터를 재입력하고 수치를 편집했습니다. 이 모든 작업을 매번 처음부터 다시 해야 했기 때문에 다소 번거로웠습니다.
이전에는 매일 처음부터 다시 작업을 진행했기 때문에 이 과정이 조금씩 달랐고, 일관성이 부족했습니다. 그 결과, 데이터 세트 간에 미묘한 오류나 차이점을 발견하는 경우가 잦았고, 오류 발생 가능성이 높았습니다. 게다가 시간도 상당히 많이 소요되었습니다. 원시 데이터 세트 하나를 처리하는 데 약 20분이 걸렸습니다. 이 논문에서 제가 곧 보여드릴 개선된 접근 방식은 JMP의 워크플로 빌더를 활용하여 중복 분석에서 스크립트를 추출하고 일련의 추가 기능을 구축하는 것입니다.
워크플로 빌더의 가장 큰 장점 중 하나는 스크립팅 경험이 부족한 저에게도 매우 유용했다는 점입니다. 워크플로 빌더 덕분에 기존 워크플로에서 스크립트를 복사하여 붙여넣고, 이를 기반으로 추가 기능을 만들 수 있었습니다. 정말 간편했습니다. 물론 모든 스크립트를 워크플로 빌더에서 가져온 것은 아닙니다. 고급 스크립팅 부분은 JMP 시스템 엔지니어인 제리 피쉬의 도움을 받았습니다. 전반적으로 이 개선된 접근 방식 덕분에 분석 시간이 4분으로 단축되었고, 기존 방식보다 80%나 시간이 절약되었습니다. 이는 저희에게 매우 큰 성과입니다.
좋습니다. 잠시 여기서 나가서 원본 데이터 파일을 불러오겠습니다. 그러면 어떤 데이터인지 직접 확인하실 수 있습니다. 아까 화면에 이미 보여드렸듯이, 원본 데이터 파일은 엑셀 형식입니다. 첫 번째 열에는 시간이 있고, 그 이후 열들은 웰 플레이트에 있는 각 웰에 대한 데이터입니다.
데이터와 함께 웰 플레이트 맵도 제공합니다. 이 맵은 저희가 수동으로 파일에 추가하는 것이지만, 각 웰에 어떤 물질이 들어갔는지 파악하는 데 도움이 됩니다. 이를 통해 참조할 수 있는 깔끔한 지도 또는 범례를 만들 수 있습니다. 예를 들어, 균주 A와 배지 1은 1번, 21번, 41번, 61번, 81번 웰에 투입되었고, 1번부터 5번까지는 반복 실험을 나타냅니다. 이 파일의 첫 번째 행을 사용하면 균주 A와 배지 1이 표시되고, 그 다음 행부터도 마찬가지로 표시됩니다. 이 설명이 저희가 어떻게 데이터를 처리하는지 더 잘 이해하는 데 도움이 되었기를 바랍니다.
자, 이제 마무리하고 JMP에 들어가서 추가 기능에 대해 알아보겠습니다. 추가 기능에 익숙하지 않으시다면 꼭 한번 살펴보세요. JMP 소프트웨어에 추가 기능을 추가하고 실행할 수 있도록 해주는 기능입니다. 많은 사람들이 만든 추가 기능이 시중에 나와 있습니다. 저도 몇 가지를 사용하고 있는데, 그중 바이오스크린 데이터에 초점을 맞춰 설명하겠습니다. 그럼 바로 시작해 볼까요?
먼저 일반 파일 열기를 해보겠습니다. 방금 보여드린 엑셀 파일입니다. 여기서 열기를 클릭하고 모든 파일이 선택되어 있는지 확인합니다. 그래야 엑셀 파일 등을 인식할 수 있습니다. 열기를 클릭하면 엑셀 가져오기 마법사가 열립니다. 웰 플레이트 맵과 원시 데이터, 즉 600나노미터 데이터를 모두 가져올 것입니다. 모든 설정이 완료되었으니 가져오기를 클릭하겠습니다. 그러면 두 개의 데이터 테이블이 생성됩니다. 저는 먼저 데이터 동역학에 초점을 맞추겠습니다.
먼저 시간 순서 열을 추가하고 싶습니다. 현재 시간 형식으로는 시간에 따른 그래프를 그릴 수 없기 때문입니다. 소수점 형식으로 바꾸고 싶었고, 추가 기능이 그 작업을 해 주었습니다. 그리고 이 열은 필요 없으니 삭제하겠습니다. 시간은 소수점 형식으로 시간 단위로 표시되어야 합니다.
다음으로 OD 보정을 위해 행 빼기 작업을 할 겁니다. 초기 데이터를 지울 거예요. 매체의 종류에 따라 초기 OD 값이 다를 수 있습니다. 여기 보시면 일부 매체의 초기 OD 값이 서로 다른 것을 알 수 있습니다. 우리는 이 모든 값을 동일한 기준으로 맞춰야 합니다. 즉, 초기 OD 값을 0으로 만들어야 합니다. 첫 번째 행의 값을 각 행에서 빼주면 됩니다. 이렇게 하면 검출기의 초기값을 0으로 초기화하고 모든 값을 동일한 기준으로 맞추는 것입니다.
행 빼기 버튼을 누르면 됩니다. 좋습니다. 다음으로 데이터를 쌓아 올리겠습니다. 여기서 열을 선택하겠습니다. Shift 키를 누른 상태로 시간 열을 제외한 모든 열을 선택합니다. 이제 이 열들을 쌓아 올리면 새 데이터 테이블이 생성됩니다. 숫자도 다시 인코딩했습니다. 이 작업은 백그라운드에서 진행되었습니다.
지금은 이대로 진행해도 괜찮습니다. 이제 다시 웰 플레이트 맵으로 돌아가서 JMP에서 보기 좋게 표시되도록 약간의 서식을 지정해야 합니다. 여기 있는 모든 복제 데이터를 한 열에 쌓아야 합니다. 여기 스택 웰 플레이트가 있습니다. 이렇게 하면 업데이트된 웰 맵 데이터 파일이 생성됩니다. 그런 다음 이 표를 도구, 즉 맵으로 사용하여 모든 OD 데이터 값이 포함된 스택 데이터를 다시 코딩할 수 있습니다. 지금 바로 그 작업을 진행할 겁니다.
저는 웰 플레이트별로 재코딩을 합니다. 재코딩 요인 중 하나로 균주를 사용하고, 반복 횟수도 설정합니다. 이러한 요소들은 저희 실험에서 거의 항상 일관되게 사용됩니다. 또 다른 특징은 처리 조건에 여러 가지 선택지가 있다는 것입니다. 하나, 둘, 셋, 넷 등 여러 가지가 있을 수 있죠. 이 예시에서는 처리 조건이 하나뿐이지만, 여러 가지 조건을 설정할 수도 있습니다. 이렇게 유연성을 높이기 위해 재코딩 설정을 해둔 것입니다.
좋습니다, 이제 추가 처리를 진행할 준비가 되었습니다. 다시 원본 데이터 파일로 돌아가서 곡선 아래 면적을 계산해 보겠습니다. 곡선 아래 면적 계산에는 몇 가지 추가 기능이 있습니다. 먼저 행 누적 합계를 계산해 보겠습니다.
곡선 아래 면적을 계산하는 방법은 각 행의 값을 모두 더하는 것입니다. 즉, 각 행의 누적 합계를 구하고, 최종 값을 곡선 아래 면적으로 계산합니다. 이렇게 하면 여기에 200개의 열이 추가로 생성됩니다. 이 열들을 선택한 다음, 제가 필요한 맨 아래 행의 데이터만 선택하겠습니다. 14.145는 1번 유정의 곡선 아래 면적입니다.
여기 추가 기능이 있습니다. 이 기능을 사용하면 부분집합을 추출하고 형식을 다시 지정할 수 있습니다. 여기서 닫겠습니다. 유정 번호와 곡선 아래 면적을 얻었습니다. 이 데이터 세트에 대해 마지막으로 해야 할 일은 이전과 마찬가지로 유정 지도를 기준으로 다시 코딩하는 것입니다. 균주, 그리고 반복 실험 데이터가 있습니다. 마지막으로 처리 1을 처리해야 합니다.
이제 이 표는 완성됐습니다. 두 표 모두 완성되었네요. 다음 단계는 곡선 아래 면적 표와 스택 데이터 표를 합치는 것입니다. 이 두 표를 하나로 합치고 싶습니다. 사실 이를 위한 추가 기능도 있습니다. 자, 시작해 볼까요.
이 두 가지를 결합하려는 이유는 몇 가지 그래프를 생성하고, 대시보드에 표시할 때 이 그래프들이 서로 동적으로 연결되도록 하고 싶기 때문입니다. 그러려면 이 두 가지 데이터가 같은 데이터 테이블에 있어야 합니다.
이제 두 가지 다른 그래프를 만들겠습니다. 하나는 성장 곡선인데, 이를 위한 추가 기능이 있습니다. 바로 실행해 보겠습니다. 이건 Graph Builder로 만든 그래프인데, Y축에는 OD 600, X축에는 시간이 표시되어 있고, 각 균주의 성장 곡선을 볼 수 있습니다. 이 그래프를 최소화하겠습니다. 그리고 Graph Builder에서 곡선 아래 면적도 만들어 보겠습니다. 이렇게 Y축에는 곡선 아래 면적이, X축에는 배지 구성 성분이 표시됩니다. 이건 표준 편차가 있는 막대 그래프입니다. 여기 기술적 반복 실험에 걸쳐 오차 막대가 있습니다.
이제 마지막으로 대시보드를 실행해 보겠습니다. 대시보드에는 성장 곡선, 곡선 아래 면적, 그리고 데이터를 좀 더 자세히 살펴볼 수 있는 데이터 필터가 설정되어 있습니다. 여기서는 1번 균주를 살펴보겠습니다. 이 대시보드의 가장 큰 장점 중 하나는 데이터를 직접 조작할 수 있다는 점입니다. 예를 들어, 14번 배지의 성장 곡선을 보고 싶다면 자동으로 강조 표시가 되므로 아주 편리합니다.
또한, 저는 여기에 앉아서 곡선 아래 면적을 가장 낮은 값부터 가장 높은 값 순으로 정렬할 수 있고, 여기에서 가장 좋은 세 가지 후보를 선택할 수도 있습니다. 이 후보들을 대상으로 추가적인 최적화 작업을 진행할 수 있습니다. 보시다시피, 원시 데이터에서 시각화를 거쳐 최종 결정을 내릴 수 있을 정도로 빠르게 진행되었습니다.
마지막으로 한 가지만 더 말씀드리겠습니다. 시간이 조금 남았는데, 워크플로 빌더를 사용하여 추가 기능을 만드는 방법을 예시로 보여드리고 싶었습니다. 제가 가지고 있는 데이터 세트를 사용해서 보여드리겠습니다. 여기 있는 그림 몇 개는 닫고, 이 표를 사용하겠습니다. 여기에서 새 워크플로를 열겠습니다. 파일, 새로 만들기, 워크플로를 선택하면 됩니다. 워크플로 빌더를 사용하려면 JMP에서 실제로 작업하는 내용에 대한 스크립트를 캡처해야 합니다. 이렇게 하면 해당 스크립트를 가져와서 원하는 용도로 사용할 수 있습니다. 이 경우에는 추가 기능을 만들어 보겠습니다.
녹화 버튼을 누르고 창을 최소화하겠습니다. 이제 여기에 새로운 그래프를 하나 더 만들겠습니다. Y축에는 OD, X축에는 시간을 나타낼 겁니다. 곡선 형태로 표시하고, 처리 결과를 오버레이로 넣은 다음, 이 그래프의 이름을 "성장 곡선"으로 바꾸겠습니다. 글꼴도 바꿔보죠. 읽기 쉽게 크게 만들어 보겠습니다. 시간도 마찬가지로 글꼴을 굵게 하고 크기를 조금 키우겠습니다. 이제 범례를 바꿔보죠. "매개변수"라고 하겠습니다. 좋습니다.
그래프 빌더에서 작업하는 동안 워크플로 빌더가 이 스크립트를 캡처하려면 그래프를 닫아야 한다는 것을 알았습니다. 이제 그래프를 닫겠습니다. 워크플로 빌더로 돌아오면 스크립트가 여기에 캡처되어 있습니다. 특히 저처럼 스크립팅 지식이 많지 않은 사람에게는 매우 편리합니다.
제가 할 일은 이 부분을 선택해서 복사하는 거예요. 그런 다음 이 작업을 멈추고... 아, 잠깐만요. 다른 화면에서 열어볼게요. 여기서 제 추가 기능을 잠깐 열어볼게요. 이렇게 하면 이 예제를 여기에 넣을 수 있어요. 추가 기능 빌더를 열려면 여기 있는 아래쪽 삼각형을 선택해야 합니다.
제가 작업 중인 애드인 빌더입니다. 여기 메뉴 항목 아래로 들어가 보겠습니다. 아까 연습하다가 삭제하는 걸 깜빡했네요. 새 예제를 만들겠습니다. 대시보드 바로 아래에 추가하고, 명령을 클릭하면 됩니다. 간단히 시연해 보려고 붙여넣겠습니다. 저장을 누르겠습니다.
JMP로 돌아가서 이 결합된 동역학 및 AUC 표를 사용할 겁니다. 내 추가 기능 중 '바이오스크린 데이터'를 클릭하면 이름을 지정하지 않은 것 같지만 괜찮습니다. 메뉴 항목 1번을 실행하면 됩니다. 방금 만든 그림이 생성될 겁니다. 생성되는지 확인해 보겠습니다. 잘 되네요. 완벽합니다. 이것은 워크플로 빌더를 사용하여 스크립트를 캡처하는 방법의 예시입니다. 이렇게 하면 추가 기능에 스크립트를 넣을 수 있습니다. 그림 생성과 같이 반복적으로 수행하는 작업에 매우 유용합니다.
네, 이제 마무리하겠습니다. 슬라이드가 몇 장 더 있습니다. JMP의 애드인 빌더를 어떻게 활용했는지 잘 이해하셨을 겁니다. 이를 통해 바이오스크리닝 분석 데이터 처리 시간을 성공적으로 단축하고 간소화할 수 있었습니다. 무려 80%나 단축되었죠. 이게 무슨 의미일까요? 바이오스크리닝 분석을 120회 수행한다고 가정했을 때, 데이터 분석 시간이 1주일(40시간)에서 1일(8시간)로 줄어든다는 뜻입니다. 상당히 큰 효과죠.
우리가 진행하는 모든 실험이 똑같지는 않습니다. 클릭 몇 번으로 실행할 수 있는 스크립트 덕분에 다양한 실험 설계에서 얻은 데이터를 유연하게 처리할 수 있습니다. 워크플로 빌더는 정말 혁신적인 도구입니다. 오늘 여러분께 보여드린 워크플로 빌더는 만드는 데 시간이 거의 걸리지 않았습니다. 모든 추가 기능을 만드는 데 총 10시간도 채 걸리지 않았던 것 같습니다. 앞서 말씀드렸듯이 저는 스크립팅 지식이 부족합니다. 하지만 워크플로 빌더 덕분에 저처럼 코딩 초보자도 아주 쉽게 접근할 수 있게 되었습니다.
앞으로의 연구에 있어서, 아직 할 일이 많이 남아 있습니다. 추가 기능과 분석 방식을 더욱 개선할 수 있는 기회가 분명히 있다고 생각합니다. 특히, 일상적인 분석 작업들을 완전히 자동화하여 데이터 처리 시간을 단축하는 것을 목표로 한다면 좋을 것 같습니다. 사실 지금도 이미 그런 작업을 진행하고 있습니다. 방금 보여드린 성장 분석 외에도 다른 일상적인 데이터 분석을 위한 추가 기능들을 개발하고 있습니다. 이러한 기능들을 최대한 활용하면 실험실 작업과 데이터 처리 시간을 엄청나게 절약할 수 있습니다. 정말 편리하죠.
또한, 저는 이번 연구에 포함된 추가 기능들을 제 동료인 제리 피쉬가 발표할 연구와 결합할 계획입니다. 제리 피쉬의 연구는 JMP Pro 기능 데이터 탐색기를 사용하여 성장 곡선에서 다양한 매개변수를 정량화하는 것입니다. 성장 속도, 지연 시간, 정체기 도달 시간, 정체기에서의 OD 또는 세포 밀도와 같은 매개변수들은 데이터를 기반으로 의사 결정을 내릴 때 매우 중요합니다.
제리와 함께 일하게 되어 정말 기쁩니다. 저희가 여기서 진행해 온 작업과 그가 진행하고 있는 흥미로운 프로젝트들을 결합할 수 있게 되어 기대가 큽니다. 자세한 내용은 나중에 다시 말씀드리겠습니다. 제리가 JMP 서밋에서 발표할 프레젠테이션 링크와 제목을 여기에 첨부했습니다. 정말 멋진 내용이니 기회가 되시면 꼭 확인해 보세요.
네, 이제 마무리하겠습니다. 여러분께서 저희가 진행한 연구에 대해 궁금한 점이 있으시거나, 미생물학이나 영양학에 대해 이야기 나누고 싶으신 경우를 대비해 제 연락처를 알려드리고 싶었습니다. 저는 그런 주제에 대해 이야기하는 것을 정말 좋아합니다. 오늘 이렇게 여러분과 함께 발표할 수 있어서 정말 기쁩니다. 경청해 주셔서 감사하고, 조만간 여러분 중 몇 분과라도 만날 수 있기를 바랍니다. 감사합니다.
