안녕하세요, 모든 사람.
오늘 아픈 BE 제시하다 ~에 대한 그만큼 애플리케이션 ~의 제이엠피
에게 분석하다 유전자 표현 하나의- 셀 RNA 데이터 ~에 흑색종 세포.
나의 이름 ~이다 캐서린 저우,
그리고 나는 a 높은 학교 학생 ~에 린브룩 높은 학교.
처럼 소개,
흑색종 발전하다 에서 세포 또는 멜라닌 세포 저것 생산하다 멜라닌
그리고 ~이다 그만큼 최대 공격적인 유형 ~의 피부 암,
대표하는 65% ~의 모두 사망자 ~에서 피부 암.
T 세포 ~이다 a 유형 ~의 하얀색 피 세포 저것 개발하다 ~에서 줄기 세포
~에 그만큼 뼈 골수 그리고 성숙한 ~에 그만큼 흉선,
어디 그들 곱하다 그리고 구별 짓다 ~ 안으로 돕는 사람, 규제, 또는 세포독성 T 세포
또는 ~이 되다 메모리 T 세포.
세포독성 T 세포, 어느 ~이다 활성화됨 ~에 의해 다양한 사이토카인,
묶다 에게 그리고 죽이다 감염된 세포 그리고 암 세포.
~ 안에 흑색종 환자, T 세포 산 하나 면역성 있는 응답 ~에 맞서 그만큼 종양,
하지만 ~에 일부 가리키다, 그만큼 응답자 T 세포 ~이 되다 효과적인
~로 인한 에게 a 현지의 면역억제제 프로세스 발생 ~에 그만큼 종양 사이트.
우리는 좋다 에게 식별하다 그만큼 원인 뒤에 T 셀 기능부전.
대안 스플라이싱 ~이다 a 규제 프로세스
필수적인 에게 생성하다 전사체 다양성.
잘못된 규제 기여하다 에게 질병 그리고 암.
진핵생물 유전자 ~이다 작곡된 ~의 정수 로닉 그리고 외음성 시퀀스,
~처럼 너 ~할 수 있다 보다 ~에 이것 도표.
~ 안에 그만큼 대안 스플라이싱 프로세스,
비코딩 인트론 ~의 a 유전자 ~이다 선택적으로 제거됨
그리고 그만큼 포함됨 엑손 ~이다 결합된 ~에 그만큼 결정적인 전령 RNA,
그리고 번역 ~의 이것들 다른 동형체, 어디 다른 조합
결과 ~에 다른 단백질 그리고 다른 세포 기능.
다음, 전통적인 대부분 시퀀싱 조사하다 그만큼 게놈 ~의 a 셀 인구
그런 ~처럼 그만큼 셀 문화 또는 조직,
그리고 그것은 산출 ~이다 그만큼 평균 유전자 표현 ~의 그만큼 셀 인구.
~에 그만큼 다른 손, 하나의 셀 시퀀싱
조치 그만큼 게놈 ~의 개인 세포 ~에서 그만큼 인구.
단세포 RNA 시퀀싱, 또는 scRNA-seq,
조치 그만큼 전사체 ~의 각 셀 ~에 그만큼 견본,
어느 공개하다 그만큼 이질 ~의 수천 ~의 세포
그리고 제공한다 통찰력 ~ 안으로 세포 차이점 ~에 높은 해결.
~ 안에 이것 공부하다, 아픈 BE 분석하다 대안 스플라이싱 인 scRNA-seq 데이터,
어느 가지다 드물게 계속 ~ 이다 공부했다 ~로 인한 에게 여러 개의 문제.
ScRNA-seq 결과 ~에 a 매우 크기가 큰 숫자 ~의 세포 그리고 부족한 데이터.
하지만, ~와 함께 그만큼 적절한 통계적 도구 좋다 제이엠피 그리고 아르 자형,
우리 ~할 수 있다 가져가다 단계 에게 해결하다 이것들 문제.
~ 안에 이것 프레젠테이션,
아픈 BE 가고 있다 ~ 위에 나의 방법 에게 찾다 그만큼 최대 중요한 대안 향신료
또는 처럼 이벤트 차별화하다 암성의 T 세포 ~에서 건강한 림프 마디 T세포.
아픈 설명하다 나의 데이터 처리 중 관로, 그리고 그 다음에 아픈 가다 ~ 위에 어떻게 에게 사용 제이엠피 찬성
~을 위한 예측 모델링, 클러스터링, 그리고 심상.
그리고 그 다음에 아픈 가다 ~ 위에 그만큼 결과 ~의 그만큼 분석 ~의 scRNA-seq 데이터 세트
~의 T 세포 쥐에서 흑색종
이것 ~이다 a 도표 ~의 그만큼 프레젠테이션.
첫 번째, ID 좋다 에게 설명하다 나의 데이터 세트 준비 그리고 처리 중 프로세스.
첫 번째, I 준비하다 그리고 처리됨 그만큼 데이터세트.
I 가지고 갔다 그만큼 scRNA-seq 데이터 세트 ~의 세포 ~에 림프절 ~와 함께 흑색종 ~에 쥐
~에서 이것 종이 ~ 위에 여기,
그리고 그 다음에 수행하다 읽다 조정 ~의 그만큼 F ASTQ 파일 ~와 함께 별,
그리고 감지됨 처럼 이벤트 ~와 함께 그만큼 관로 파생된 ~에서 rMATS,
어느 사용하다 a 일반화된 선의 혼합된 모델.
대신에 ~의 사용 중 그만큼 쌍으로 비교,
I 달렸다 그것 ~에 a 하나의 견본 ~와 함께 각 개인 셀,
효과적으로 정량화하다 처럼 ~에 각 셀.
그 다음에 I 사용된 R 에게 정량화하다 엑손 건너뛰기 이벤트 ~와 함께 IJC
어느 스탠드 ~을 위한 포함 접합 세다,
그리고 씨제이씨, 어느 스탠드 ~을 위한 스킵핑 접합 세다.
처럼 너 ~할 수 있다 보다 아래에 ~에 이것 도표, 하나 포함 접합 ~이다 감지됨
언제 그만큼 읽다 포함하다 둘 다 그만큼 플랭킹 순서,
어느 ~이다 이것 검은색 순서 ~ 위에 여기,
그리고 그만큼 엑손 순서, 어느 ~이다 이것 E 순서 ~ 위에 여기,
~하는 동안 a 건너뛰기 접합 세다 ~이다 감지됨
언제 그만큼 읽다 오직 포함하다 그만큼 둘 플랭킹 시퀀스
그리고 단지 전적으로 건너뛰기 그만큼 엑손.
그 다음에 I 만들다 a 행렬 ~의 이것 데이터.
다음, I 부분 집합 그만큼 T 세포
사용 중 셀 라벨 이전에 한정된 ~에 의해 그만큼 저자 ~의 그만큼 데이터세트.
에게 필터 처럼 이벤트, I 적용된 그만큼 수행원 규칙,
그리고 I 했다 이것 ~에 아르 자형.
거기 ~ 해야 하다 BE ~에 최소 열 읽다 당 접합.
그만큼 이벤트 가지다 에게 BE 감지됨 ~에 더 ~보다 열 세포,
그리고 그만큼 이벤트 할 수 없다 가지다 아니요 가변성 가로질러 그만큼 세포.
이것 움직이는 약 75% ~의 그만큼 엑손.
이것 쇼 저것 필터링 ~이다 중요한 왜냐하면 그것 제거됨 엑손
~와 함께 낮은 적용 범위 그리고 ~이었다 원래 중요하지 않음.
이것 줄인 그만큼 특징 크기, 어느 ~ 할 것이다 개선하다 그만큼 성능
~의 예측 모델링 그리고 분석 더 나아가 ~에 그만큼 미래.
그 다음에 I 믿다 그만큼 프.시. 또는 퍼센트 이어 붙이다 ~에 값
~와 함께 이것 방정식: IJC ~ 위에 IJC ...을 더한 SJC(미국 대법원)
전에 I 가다 ~ 안으로 그만큼 다음 단계 ~의 예측 모델링,
I 원했다 에게 설명하다 그만큼 이유 I 결정했다 에게 적용하다 예측 모델링에서 제이엠피
~을 위한 이것 특정한 문제.
거기 가지다 계속 ~ 이다 여러 개의 연구 저것 성공적으로 사용된 기계 학습 모델
~을 위한 분석하다 RNA-seq 데이터, 어느 달성했다 높은 정확성.
I 가정했다 저것 그것 ~일 것이다 또한 BE 정확한 ~을 위한 scRNA-seq 데이터.
거기 ~이다 많은 장점 ~의 사용 중 예측 모델링 ~처럼 잘.
그것 ~할 수 있다 발췌 의미있는 특징 ~에서 거대한 데이터 세트,
나누다 데이터 그리고 예측하다 결과 ~와 함께 감독하다 학습,
그리고 인정하다 밑에 있는 관계 ~의 데이터, 좋다 ~에 신경 네트워크.
JMP 프로 또한 제공한다 a 엄청난 인터페이스 ~을 위한 탐험하다 이것들 다른 모델,
허용하다 너 에게 쉽게 적용하다 정교한 알고리즘
에게 크기가 큰 데이터 세트 빠르게 그리고 정확히.
그것 또한 허용합니다 ~을 위한 모델 비교 그리고 상영.
마지막으로, 그것 생성하다 일부 시각적 그리고 상호 작용 보고서
저것 줄이다 그만큼 검은색 상자 효과 ~의 기계 학습 모델,
어느 수단 저것 너 ~하지 않다 정말 알다 무엇 일어난다 ~에 그만큼 모델,
너 단지 알다 그만큼 산출, 어느 ~이다 ~ 아니다 매우 유용한.
우리의 데이터 세트 가졌다 8,044 변수 또는 엑손, 그리고 1,014 행 또는 세포.
그것 ~였다 어려운 에게 달리다 분석 ~와 함께 그런 a 크기가 큰 숫자 ~의 기둥,
그래서 I 사용된 a 부트스트랩 숲 ~을 위한 변하기 쉬운 선택.
A 부트스트랩 숲 ~이다 매우 계산적으로 효율적인
그리고 그것 ~할 수 있다 작동하다 빠르게 ~ 위에 넓은 데이터 세트,
그리고 그것 사용하다 무작위의 견본 추출 ~와 함께 대사,
발생시키는 그것 에게 BE 매우 건장한 그리고 정확한.
I ~할 수 있었다 가지다 또한 사용된 예언자 상영,
어느 ~이다 또 다른 기능 ~에 제이엠피,
하지만 I 설립하다 저것 수동으로 달리기 그것 사용 중 a 동조 설계 테이블
~였다 더 계산적으로 효율적인
그리고 허용된 나 에게 곡조 그만큼 숫자 ~의 나무들 ~처럼 잘.
하지만 I 설립하다 저것 그만큼 숫자 ~의 나무들 하지 않는다 만들다 a 거대한 차이점.
~ 안에 일반적인, 그만큼 더 나무들 너 사용 리드 에게 더 나은 결과,
하지만 그들의 개선 감소하다 ~처럼 그만큼 숫자 ~의 나무들 증가합니다.
~에 a 확실한 가리키다, 그만큼 혜택 ~에 예측 성능
~에서 학습 더 나무들 ~ 할 것이다 BE 낮추다 ~보다 그만큼 비용 ~에 계산 시간.
을 위한 그만큼 8,044 엑손, I 조정했다 숫자 ~의 나무들,
그리고 I 설립하다 저것 약 50 나무들 결과 ~에 그만큼 제일 높은 정확성.
그리고 그 다음에 I 가지고 갔다 그만큼 맨 위 100 엑손 ~에서 그만큼 열 기여,
그리고 그 다음에 I 달렸다 그것 다시 ~와 함께 그만큼 맨 위 50 엑손,
그리고 그 다음에 다시 ~와 함께 그만큼 50 엑손, 비교하다 그만큼 정확성 ~처럼 너 가다.
이것 쇼 그만큼 제이엠피 보고서 ~을 위한 동조 나무들 그리고 변하기 쉬운 선택.
처럼 너 ~할 수 있다 보다, I 사용 그만큼 동조 설계 테이블 그리고 변화 그만큼 숫자 ~의 나무.
I 보았다 ~에 그만큼 엔트로피 R 정사각형 그리고 이것들 다른 지표
I 믿다 50 나무들 ~였다 그만큼 최상의 결과.
I 가지고 갔다 그만큼 맨 위 100 엑손 그리고 그 다음에 I 달렸다 그만큼 부트스트랩 숲 ~와 함께 30 나무들
왜냐하면 I 했다 또 다른 동조 설계 테이블.
을 위한 각 반복,
I 했다 a 분리된 동조 설계 테이블 에게 찾다 그만큼 최상의 숫자 ~의 나무.
처럼 너 ~할 수 있다 보다, 그만큼 엔트로피 R 정사각형 증가하다
~처럼 그만큼 숫자 ~의 엑손 ~였다 감소했습니다.
처럼 I 선택된 그만큼 맨 위 삼 다른 엑손,
그것 쇼 저것 그것 하지 않는다 정말 문제 만약에 그것은 그만큼 맨 위 10 또는 맨 위 50 또는 맨 위 100,
그것 ~ 할 것이다 아직 결과 ~에 a 높은 정확성.
그만큼 잘못된 분류 비율 변화 많은.
그만큼 실질임금 오류 또한 감소했다,
그리고 그만큼 평균 순수한 오류 또한 감소했습니다.
와 함께 이것들 메트릭,
I 결정했다 에게 사용 그만큼 맨 위 10 엑손 에게 달리다 그만큼 다음 단계 ~의 나의 분석.
I 사용된 그만큼 모델 상영 기능 ~에 제이엠피 찬성
에게 달리다 그만큼 맨 위 10 엑손 ~에 모두 그만큼 다른 모델 저것 ~이었다 가능한.
그것 결과 ~에 a 높은 정확성 가로질러 그만큼 판자.
I 보았다 ~에 그만큼 예측 프로파일러 에게 결정하다 어떻게 그만큼 엑손
발생하다 종양 또는 암성의 세포 에게 BE 다른.
이제, 나는 BE 실행할 수 있는 a 데모 ~의 이것 프로세스.
허락하다 나 열려 있는 그만큼 맨 위 10 엑손.
JMP에서 찬성, 너 ~할 수 있다 가다 에게 분석하다, 예측 모델링,
그리고 그 다음에 모델 상영.
나는 그냥 때릴거야 상기하다 왜냐하면 I 사용된 이것 ~ 전에
그리고 그것 자동으로 업데이트 ~와 함께 당신의 이전의 설정.
그리고 그 다음에 그것도 했다 K-폴드 크로스 v 알리데이션.
이것 프로세스 ~이다 매우 빠른, 그것 오직 취하다 약 20 초 또는 10 초.
모두 오른쪽.
처럼 너 ~할 수 있다 보다, 그만큼 신경 부스트 가졌다 그만큼 제일 높은 정확성.
다음 ~였다 일반화된 회귀 라쏘.
그것 나뉘다 그만큼 데이터 세트 ~ 안으로 훈련 그리고 확인.
너 ~할 수 있다 보다 저것 부스트 나무 가졌다 그만큼 제일 높은 정확성 ~을 위한 훈련,
어느 만든다 감각 왜냐하면 그것 원래 맞는다 그만큼 데이터 정말 잘
언제 너 사용 a 나무.
하지만 ~을 위한 확인, 하자 보다, 그만큼 최대 정확한 ~였다 ~에 신경 향상됨.
와 함께 이것 정보,
I 결정했다 에게 사용 a 신경 부스트 에게 하다 그만큼 결정적인 분류 ~의 세포
~을 위한 종양 세포 또는 정상 세포,
왜냐하면 그것 ~일 것이다 결과 ~에 그만큼 제일 높은 정확성.
I 클릭했다 달리다 선택된,
그리고 그 다음에 I 사용된 그만큼 확인 열 저것 I 이전에 생성됨
~와 함께 그만큼 V를 만들어라 알리데이션 기능 ~에 그만큼 예측 모델링 꼬리표.
여기 ~이다 그만큼 결과 ~의 그만큼 신경 회로망.
그것 ~였다 매우 빠른, 다시.
너 ~할 수 있다 보다 저것 거기 ~이다 그만큼 큰 괴조 그래프.
그것 원래 가지다 a 매우 높은 AUC(주행중계자)
만약에 너 가져가다 a 바라보다 ~에 그만큼 예측 프로파일링, 프로파일러,
이것 쇼 그만큼 다른 방법...
허락하다 나 설명하다 이것 더 나은.
처럼 너 이동하다 당신의 커서 을 따라, 만약에 너 바라보다 ~에 A 다운로드, 이것 유전자,
언제 그만큼 포함 ~의 이것 엑손 증가하다,
그 다음에 있다 a 더 높은 개연성 저것 그만큼 셀 ~ 할 것이다 BE a 종양 셀.
위에 여기, ~을 위한 이것, 이것은 또한 그만큼 같은 경향.
을 위한 이것 하나, 이것 ~이다 그만큼 역 경향.
을 위한 PCDH9, ~처럼 그만큼 포함 ~의 이것 엑손 증가하다,
그만큼 개연성 저것 그것 ~ 할 것이다 결과 ~에 a 종양 셀 감소합니다.
죄송합니다.
이것 허용합니다 너 에게 바라보다 ~에 그만큼 역할 ~의 이것들 엑손
~에 발생시키는 그만큼 기능 ~의 종양 그리고 정상 세포 에게 BE 다른.
이것 ~이다 a 매우 강한 시각화기,
그리고 그것 ~할 수 있다 보여주다 그만큼 다른 관계 ~ 사이 이것들 세포.
너 ~할 수 있다 또한 단지 구하다 그만큼 방식 에게 그만큼...
죄송합니다, 하나 두번째.
너 하다 게시하다 예측 공식, 그리고 저것 저장하다 그것 ~에 그만큼 공식 정거장.
좋아요.
다음, ID 좋다 에게 바라보다 ~에 그만큼 차이점 ~에 표현
~처럼 그것 간다 ~에서 5 날 에게 8 날 에게 11 날.
이것 데이터 세트 또한 제공됨 그만큼 세포 ~에 다른 시간 전철기.
만약에 너 바라보다 ~에 여기,
이것 열 쇼 저것 그만큼 다른 타임스 ~이다 사용 가능 ~을 위한 우리를 에게 분석하다.
I 부분 집합 그만큼 종양 세포.
허락하다 나 찾다 저것 ~ 위에 여기.
종양 오직.
I 비교하다 그만큼 분포 ~의 그만큼 다른 엑손.
허락하다 나 보여주다 너 그만큼 그래프.
처럼 너 ~할 수 있다 보다,
거기 ~이다 여러 개의 엑손 저것 증가하다 ~에 표현 ~ 위에 시간.
위에 여기 , SLAMF9 또는 T OMM20 증가하다 극적으로,
그리고 이것들 또한 증가하다.
거기 ~이다 또한 엑손 저것 증가하다 그리고 그 다음에 감소하다,
어느 보여주다 저것 그들 가지다 하나 최적의 기간 ~의 시간
저것 그들은 그만큼 최대 활동적인.
아픈 BE 가고 있다 ~ 위에 이것들 특정한 유전자 그리고 기능 나중에 ~에 나의 프레젠테이션.
허락하다 나 가다 뒤쪽에 에게 나의 프레젠테이션.
모두 오른쪽.
여기, I 또한 달렸다 클러스터링 ~에 그만큼 맨 위 10 엑손 데이터세트.
I 했다 케이- 수단 클러스터링,
그리고 이것 더 정확히 분류된 그만큼 종양 ~ 대 정상 세포.
처럼 너 ~할 수 있다 보다 여기,
그만큼 파란색 ~이다 정상 셀 그리고 그 다음에 그만큼 빨간색 ~이다 그만큼 종양 셀.
이것 쇼 저것 거기 ~이다 혹시 다른 하위 집합 ~의 종양 세포
저것 가지다 다른 기능.
I 또한 달렸다 UMAP ~에 모두 그만큼 세포.
UMAP ~이다 또 다른 차원적 절감 공식.
이것 ~였다 달렸다 ~와 함께 a 제이엠피 추가하다- ~에 저것 ~였다 생성됨 ~에 의해 이것 작가.
I ~ 할 것이다 링크 그것 ~에 나의 프레젠테이션 ~에 그만큼 지역 사회.
여기 ~이다 그만큼 유전자 풍부함 분석 저것 I 수행됨.
처럼 너 ~할 수 있다 보다, 그만큼 맨 위 기능 ~의 모두 ~의 이것들 유전자
~였다 RNA 수입하다 그만큼 미토콘드리아.
그만큼 두번째 최대 중요한 하나 ~였다 규제 ~의 백혈구 탈과립화.
T 세포 ~이다 a 유형 ~의 백혈구.
그것 ~할 수 있다 보여주다 저것 혹시 이것들 백혈구 또는 T 세포 ~이다 탈과립화,
그리고 저것 원인 그만큼 세포 에게 ~이 되다 종양.
또한, 악의 있는 종양 선택적으로 유지하다 미토콘드리아 게놈 그리고 등 기능.
저것 ~할 수 있다 또한 설명하다 왜 RNA 수입하다 그만큼 미토콘드리아
~이다 하나 중요한 기능.
이것 ~이다 또 다른 그래프 ~의 그만큼 맨 위 가다 생물학적 프로세스.
위에 여기, 그만큼 맨 위 하나 ~이다 세포 프로세스.
거기 ~이다 또한 생물학적 부착, 규제, 그리고 면역성 있는 체계 프로세스
저것 ~할 수 있다 BE 더 나아가 탐험했다.
ID 좋다 에게 설명하다 그만큼 최대 주목할 만한 유전자.
이것들 유전자 ~이다 원래 그만큼 맨 위 유전자 저것 ~이었다 ~에 그만큼 열 기여.
S TPBX2 ~이다 관련된 ~에 세포내 인신매매,
제어 ~의 스네어 복잡한 집회,
그리고 그만큼 풀어 주다 ~의 세포독성 과립 ~에 의해 자연스러운 살인자 세포.
이것 ~할 수 있다 보여주다 저것 그만큼 T 세포 ~이다 관련된 ~에 일부 종류 ~의 인신매매.
또는 그만큼 세포독성 T 세포 ~할 수 있다 사용 이것 엑손
에게 규제하다 그만큼 종양 ~ 대 정상 기능.
SLAMF9 아홉 인코딩하다 a 회원
~의 그만큼 신호 림프구의 활성화 분자 가족 그리고 그것은 막을 통과하는.
WARS는 a 트립토파닐- 티에이알에이(tRNA) 합성효소
저것 촉매작용을 한다 그만큼 아미노아실화 ~의 티에이알에이(tRNA) ~와 함께 트립토판
그리고 ~이다 유도된 ~에 의해 인터페론.
모두 ~의 이것들 유전자 가지다 a 역할 ~에 그만큼 면역성 있는 체계 그리고 T 셀 기능.
우리 ~할 수 있다 공부하다 이것들 더 나아가
그리고 결정하다 만약에 그들 실제로 가지다 a 중요한 기능 ~와 함께 시험관내 테스트.
다음, I 설명했다 이것 더 일찍,
하지만 I 분석했다 그만큼 종양 유전자 표현 ~ 위에 시간
그리고 T OMM20, 어느 ~였다 그만큼 하나 저것 가졌다 그만큼 최대 극적인 포함,
~이다 실제로 연루되다 ~에 그만큼 전위증 ~의 밖의 미토콘드리아 막 복잡한
저것 용이하게 한다 암 공격 그리고 학의 저항
~에 연골육종, 어느 ~이다 a 유형 ~의 암.
너 ~할 수 있다 보다 저것 비어 있는 20 원인 암 에게 BE 더 공격적인.
그것은 정말 흥미로운 어떻게 우리의 기초적인 분석 ~와 함께 JMP 프로
결과 ~에 이것 엑손 존재 그만큼 최대 중요한.
이것 쇼 그만큼 유효성 ~의 제이엠피 ~에 이것들 유형 ~의 연구.
~ 안에 결론, 그만큼 탐구 ~의 이것 데이터 세트 용이하게 하다 ~에 의해 제이엠피
보여준다 그만큼 역할 ~의 유전자 그리고 엑손 ~에 T 세포 ~에 흑색종
A 좋은 물건 ~이다 저것 그만큼 암호 ~할 수 있다 BE 복제하다 ~에 파이썬.
제이엠피 허용합니다 저것 ~을 위한 더 건장한 또는 상세한 분석.
이것들 잠재적인 유전자 좋다 비어 있는 20 또는 STPX9
~할 수 있다 지원 ~에 발견 ~의 소설 그리고 개인화된 구혼
에게 암 치료.
그리고 그 다음에 우리 ~할 수 있다 공연하다 ~에 시험관내 테스트 ~에 그만큼 맨 위 유전자.
감사하다 너 ~을 위한 청취 에게 나의 프레젠테이션.
I ~ 할 것이다 제공하다 모두 그만큼 암호 그리고 R 스크립트 ~에 나의 프레젠테이션 링크.
