마이크로플레이트 맵은 실험실 실험에서 표준적으로 사용되는 도구로, 과학자들이 다양한 분석에서 시험 물질의 물리적, 화학적 및/또는 생물학적 반응을 조사할 수 있도록 해줍니다. 그러나 기존의 마이크로플레이트 데이터 시각화 방법은 플레이트 데이터에 고유한 관계, 특히 공간적 및 시간적 변동 요인을 포착하는 데 있어 비효율적인 경우가 많습니다.
이 문제를 해결하기 위해 JMP 대시보드를 개발하여 플레이트 맵을 시각화하고, 사용자에게 데이터의 공간적 분포와 요소에 대한 심층적인 정보를 제공합니다. 이 대시보드는 플레이트 실험에서 흔히 발생하는 문제점을 부각하도록 시뮬레이션된 데이터를 기반으로 히트맵, 산점도, 용량 반응 곡선 등 다양한 대화형 보기를 제공하여 손쉬운 시각화 및 탐색적 데이터 분석을 지원합니다. 사용자는 보기 방식을 자유롭게 전환하고, 시각화를 사용자 지정하며, 분석이 필요한 개별 데이터 포인트 또는 데이터 그룹과 상호 작용할 수 있습니다.
또한, 대시보드는 행 레이블링을 통한 데이터 필터링 및 주석 기능을 지원하여 플레이트 맵 시각화의 해석 가능성과 유용성을 향상시킵니다. 대시보드는 데이터 품질 및 플레이트/실험실 변동성, 기타 데이터 내 프로세스 오류와 같은 잠재적 문제점을 효과적으로 전달하는 도구로도 활용됩니다. 복잡한 데이터 세트를 유연하게 탐색하고 분석할 수 있도록 지원함으로써, 사용자는 플레이트 기반 실험에서 더 심층적인 통찰력을 얻고 과학적 발견과 지식 발전을 가속화할 수 있습니다.
안녕하세요, 여러분. 저는 DLH의 통계 전문가 캐롤 코입니다. DLH에서는 고객사에서 진행하는 독성학 연구에 대한 통계 분석을 담당하고 있습니다. 오늘은 마이크로플레이트 데이터를 분석하기 위해 개발한 대시보드를 소개해 드리려고 합니다. 이 작업은 DLH의 통계 전문가인 캐서린 앨런 모이어, 션 해리스, 후안 후아시에르와 NHS의 헬렌 코니, 키스 쇼클리와 함께 진행했습니다.
대시보드로 넘어가기 전에 마이크로플레이트가 무엇인지 간단히 설명드리겠습니다. 마이크로플레이트는 실험실에서 흔히 사용되는 도구입니다. 격자 모양으로 배열된 벽으로 이루어져 있으며, 각 벽에는 소량의 액체를 담을 수 있습니다. 과학자들은 여러 실험을 동시에 진행할 수 있기 때문에 마이크로플레이트를 많이 사용합니다.
여기서 핵심은 각 벽면을 하나의 실험 단위로 간주한다는 것입니다. 각 벽면에 서로 다른 시험 물질과 농도를 넣을 수 있습니다. 이 플레이트는 다양한 크기로 제공됩니다. 이 사진은 작은 크기의 플레이트입니다. 제 예시에서는 384 벽면 플레이트를 사용할 것입니다. 이 플레이트는 16행 24열로 구성되어 있습니다. 모든 벽면에 물질이 채워지면 플레이트 리더기에 넣어 각 벽면의 반응을 측정합니다.
제가 과학자들과 협업하면서 얻은 경험에 비추어 볼 때, 그들은 일반적으로 관심 있는 다양한 요인들을 고려하기 위해 여러 개의 플레이트를 사용하거나 하나의 플레이트를 사용하여 실험을 진행합니다. 이러한 요인에는 분석 방법, 세포 배양 방식, 실험 대상 물질의 수 등이 포함될 수 있습니다. 보통 저는 이러한 실험 데이터를 한꺼번에 받습니다. 일반적으로 수십 개의 플레이트에서 나온 수천 행의 데이터를 다루게 됩니다. 이상적으로는 통계 모델링을 수행하기 전에 각 플레이트의 데이터를 시각화하고 잠재적인 데이터 문제를 확인하고 싶습니다.
데이터가 너무 많으면 무슨 일이 일어나고 있는지 파악하고 이해하기가 매우 어려울 수 있습니다. 저희 팀은 이러한 시각화 과정을 어떻게 더 쉽게 만들 수 있을지 고민했고, 다행히 JMP에서 구현하기도 쉬운 솔루션을 개발했습니다. 바로 로컬 데이터 폴더와 세 개의 그래프 빌더 패널로 구성된 대시보드입니다. 이 패널들을 통해 동일한 데이터 세트를 다양한 관점에서 볼 수 있습니다. 이번 발표에서는 대시보드를 만드는 방법을 보여드리지는 않겠습니다.
대신, 여기 링크된 튜토리얼을 참고하시도록 하겠습니다. 네. 이제 JMP로 넘어가서 대시보드를 좀 더 자세히 살펴보겠습니다. 전환하는 김에 말씀드리고 싶은 것은, 제가 여기서 사용하는 모든 데이터는 시뮬레이션된 데이터라는 점입니다. 보시는 모든 화학명이나 약어는 모두 이 프레젠테이션을 위해 임의로 만든 가상의 이름입니다.
플레이트 데이터를 다룰 때 가장 중요한 것은 플레이트 설계를 정확히 이해하는 것입니다. 이러한 유형의 실험에서는 가장자리 효과나 위치 효과가 발생하기 쉽기 때문입니다. 어떤 화학 물질이 어느 벽면에 정확히 배치되었는지 파악하면 데이터에 대한 더 깊은 통찰력을 얻을 수 있습니다. 이러한 이유로 그래프 작성 탭을 추가했습니다.
여기 숨겨져 있는 부분이 번호판 디자인 또는 번호판 지도를 보여줍니다. 더 자세히 볼 수 있도록 확대해 보겠습니다. 네, 보입니다. 이것이 번호판 디자인의 예입니다. 살펴봐야 할 중요한 사항은 어떤 유형의 제어 기능이 있는지, 그리고 몇 개가 있는지입니다. 이 예에서는 차량 제어 기능이 미디어라고 표시되어 있습니다. 번호판의 첫 번째와 마지막 두 열에 위치해 있습니다. 또한 첫 번째 행에는 네거티브 제어 기능이 있고, L행과 M행에는 각각 다른 유형의 포지티브 제어 기능이 있습니다.
색상은 농도에 따라 다릅니다. 진한 녹색에서 연한 녹색으로 갈수록 농도가 높아지는데, 이는 농도가 가장 높은 것에서 낮은 것으로 갈수록 농도가 낮아진다는 것을 의미합니다. 각 이니셜은 특정 화학 물질이나 시험 물질을 나타냅니다. 각 행에는 특정 시험 물질이 사용된 것으로 보입니다. 이 예시에서 또 하나 주목할 점은 동일한 농도와 시험 물질이 사용된 벽이 여러 개 있다는 것입니다.
대시보드로 돌아가려면 이 복원 버튼을 클릭하면 됩니다. 데이터를 받았는데 아직 잘 모르는 경우, 제가 좋아하는 방법 중 하나는 두 개의 서로 다른 플레이트에서 얻은 데이터를 번갈아 보는 것입니다. 이렇게 하면 실제로 같은 플레이트 디자인을 사용했는지 확인할 수 있습니다. 당연히 같은 플레이트를 사용했겠지만, 때로는 알 수 없는 경우도 있습니다. 이렇게 하면 플레이트 디자인은 같지만 데이터는 서로 다른 시점에 실행되었기 때문에 당연히 달라진다는 것을 알 수 있습니다.
또한, 여러 분석 간에 전환할 수 있습니다. 여기 K를 보면 레이아웃이 비슷한데, 차량 대조군(노란색 열)의 위치가 비슷합니다. 하지만 다른 분석에서는 음성 대조군이 있는 것 같습니다. 음성 대조군은 b행에 있고, 양성 대조군은 없으며, 사용하는 화학 물질도 완전히 다릅니다.
다른 탭으로 넘어가서 또 다른 히트맵을 보여드리겠습니다. 이번에는 색상이 반응 값에 따라 표시됩니다. 제가 이렇게 배치해 놓은 방식은 플레이트를 볼 때 분석 결과와 기본적으로 유사합니다. 이러한 유형의 실험에서 흔히 발생하는 경계 효과를 파악하는 데 매우 유용합니다. 대시보드의 가장 큰 장점은 다양한 보기 방식을 통해 문제가 있는 관측값을 쉽게 찾아낼 수 있다는 점입니다.
예를 들어, 이 히트맵을 보면 가장 먼저 눈에 띄는 것은 이처럼 세로로 길게 늘어진 줄무늬 효과입니다. 여기서 할 수 있는 것은 이러한 유정들을 선택하는 것입니다. 저는 Shift 키를 누른 상태에서 유정들을 선택하고 있습니다. 그러면 다른 패널에서도 이 유정들이 강조 표시되는 것을 볼 수 있는데, 이는 여러 그래프 간의 상호 연결성 때문입니다.
실제로 무슨 일이 일어나고 있냐면, 이 어두운 부분, 즉 위쪽 지점들이 문제입니다. 뭔가 잘못된 것 같습니다. 제가 할 일은 아마도 실험을 실제로 수행한 과학자나 담당자에게 돌아가서 무슨 일이 있었는지, 어떻게 해야 하는지, 이 부분을 제외해야 하는지, 아니면 데이터를 더 분석하기 위해 이 두 개의 동일한 우물의 평균값을 구해야 하는지 물어볼 것입니다.
오른쪽에 있는 산점도는 데이터 포인트의 분포를 보여줍니다. 이는 플레이트에 특정 화학적 그룹이 있는 경우에 유용할 수 있습니다. 이 특정 예시에서는 세 가지 유형의 대조군이 있다는 것을 알고 있었기 때문에, 화학적 그룹별로 데이터를 묶어 분포를 살펴보는 것이 쉽고 유용했습니다. 차량 대조군을 살펴보면 다른 관측값보다 낮은 값을 보이는 관측값들이 여기에 집중되어 있는 것을 알 수 있습니다. 이 부분을 강조 표시하면 바로 알 수 있듯이, 이 관측값들은 이쪽 모서리의 마지막 열에 속합니다. 이것도 또 다른 예시가 될 것입니다.
이 실험을 수행한 과학자들과 이야기할 때, 여기서 무슨 일이 일어났는지, 아니면 다른 요인의 결과물이라면 이러한 관측값을 제외해야 하는지 물어볼 수 있습니다. 저희는 이 대시보드를 고객에게 데이터가 어떻게 구성되어 있는지 보여주는 것 외에도, 분석에서 제외해야 할 관측값을 고객이 직접 표시하거나 태그할 수 있도록 하는 용도로도 활용하고 있습니다.
예를 들어, 아래쪽에 있는 용량-반응 곡선을 살펴보는데, 다른 데이터보다 훨씬 높은 특정 데이터 포인트가 눈에 띈다고 가정해 봅시다. 이 데이터를 자세히 살펴본 후, 예상치 못한 이상 현상이 발생했으니 제외하는 것이 좋겠다고 판단했을 수도 있습니다.
저희가 요청드릴 작업은 해당 관측값을 강조 표시하는 것입니다. 그런 다음, 해당 지점을 마우스 오른쪽 버튼으로 클릭하고 '행' 메뉴에서 '행 레이블'을 선택하세요. 여기서는 별다른 변화가 없는 것처럼 보일 수 있습니다. 데이터 테이블에 '이름'이라는 레이블이 이미 있기 때문에 이름만 추가된 것입니다. 하지만 이렇게 하면 데이터 테이블로 돌아가서 방금 레이블을 추가한 행을 보면 노란색 태그가 표시됩니다.
수많은 관측치에 태그를 지정하고, 나중에 더 자세히 살펴보고 싶은 관측치 목록을 만들고 싶다고 상상해 보세요. 또는 나중에 분석에서 제외해야 할 관측치 목록도 만들고 싶을 수 있습니다. 이럴 때 실수형 수식을 사용해서 열을 만들 수 있습니다. 수식은 여기에 숨겨져 있습니다. 저는 '레이블 행 상태'라는 수식을 사용했는데, 이 수식은 레이블을 0 또는 1 사이의 값으로 변환합니다. 레이블이 있는 행은 1의 값을 갖고, 그렇지 않은 행은 0의 값을 갖습니다.
제가 하나 더 알려드리고 싶은 유용한 기능이 있는데, 찾기가 좀 어렵지만 발견한 이후로 계속 사용하고 있습니다. 바로 범례 패널에 있는 기능인데요, 이 히트맵을 예로 들자면, 범례를 마우스 오른쪽 버튼으로 클릭하고 색상 키를 선택한 다음 그라디언트를 클릭하면 훨씬 더 다양한 사용자 지정 옵션이 나타납니다. JMP에 이 기능이 있어서 정말 다행이라고 생각하는 두 가지는 바로 스케일 유형과 범위 유형입니다.
척도 유형은 기본값인 선형입니다. 보시다시피 색상표의 값이 일정한 간격으로 증가합니다. 이를 분위수 또는 임계값으로 변경할 수도 있습니다. 실제로 이렇게 설정하면 데이터를 완전히 다른 관점에서 볼 수 있습니다. 보여주고 싶은 내용에 대해 좀 더 신중하게 생각해야 하지만, 이는 사용할 수 있는 옵션입니다. 이 보기에서 마지막 행이 조금 이상해 보일 수도 있습니다. 모두 노란색이기 때문입니다. 접시 가장자리에 있는 것들은 항상 조심해야 합니다. 이 부분은 과학자들에게 문의해 볼 수 있는 또 다른 질문입니다. 다시 한번 살펴보겠습니다.
모든 설정을 선형으로 되돌리면 되지만, 사실 여기에는 여러 가지 옵션이 더 있습니다. 저는 범위 유형을 주로 사용합니다. 기본 옵션과 JMP 기능은 최소값과 최대값을 반올림하거나 내림하여 보기 좋게 표시해 줍니다. 하지만 데이터의 정확한 범위를 확인하는 것이 중요하다면 여기서 쉽게 변경할 수 있습니다. 이제 최댓값이 115이고 최솟값이 -84라는 것을 알았습니다. 이제 기본 설정으로 되돌리겠습니다.
마지막으로, 여기에는 몇 가지 미적인 옵션이 있습니다. 모두 꽤 간단하죠. 저는 특히 연속적인 그라데이션이 있을 때, 개별 색상을 사용하는 것을 좋아합니다. 이건 연속적인 그라데이션처럼 보이지만, 저는 다시 개별 색상으로 바꿀 거예요. 어떤 이유에서인지, 제 뇌는 연속적인 그라데이션보다 개별 색상을 훨씬 더 쉽게 인식하거든요. 저도 이런 방식을 자주 사용합니다.
마지막으로, 아주 간단해 보이는 아이디어일지 모르지만, 사실 그래프 빌더 패널들을 조합한 것에 불과합니다. 그런데 실제로 사용해 보니, 기존에는 놓쳤을 데이터 속의 다양한 인사이트를 발견하는 데 매우 효과적이고 유용한 도구가 되었습니다. 대시보드를 직접 사용해 보시는 것도 좋을 것 같습니다. 제 발표를 통해 유익한 정보를 얻으셨기를 바라며, 시간 내주셔서 감사합니다.
