| 성적 증명서 |
| 안녕하세요 여러분, 저는 앤더슨 메이필드이고 마이애미 대학 협동조합 해양 및 대기 연구소의 조수 과학자입니다. |
| 사실 저는 마이애미 대학의 해양 연구소인 NOAA 대서양 해양학 및 기상 연구소 맞은편에서 산호 프로그램의 일환으로 일하고 있습니다. |
| 오늘은 제가 경력 전반에 걸쳐 진행해 온 연구 중 일부에 대해 말씀드리겠습니다. 그 연구는 산호초의 운명을 예측하는 도구를 개발하기 위한 것이었습니다. |
| 따라서 이것은 실제로 작년에 제가 논의했던 Discovery Summit 토크의 업데이트 또는 연속이지만 여러분 중 많은 분들이 이 내용을 듣지 못했거나 들었더라도 듣지 못했을 것이라고 알고 있습니다. |
| 모든 것을 기억하지 못할 수도 있지만, 전혀 괜찮습니다. 제가 하고 있는 연구를 위한 토대를 마련해 드리겠습니다. |
| 산호초가 직면한 몇 가지 문제에 대해 이야기하고, 작년에 제가 어떤 상황에 있었는지 간략히 요약해 주시겠습니까? |
| 정말 흥미로운 점은 작년 Discovery Summit 토크 이후 2개월도 지나지 않아 산호 예측 모델링 분야에서 일종의 큰 돌파구를 마련했다는 것입니다. |
| 진전이 있었고 이는 주로 새로운 기능과 JMP Pro 덕분이었습니다. 오늘은 이런 종류의 최신 데이터를 공유하려고 합니다. |
| 그러면 개별 산호 군집의 운명을 예측할 수 있을까? |
| 따라서 산호초의 운명을 예측하는 것, 즉 산호의 전체 집합을 예측하는 것은 실제로 더 쉽습니다. 왜냐하면 산호초는 기본적으로 전 세계적으로 상태가 좋지 않기 때문입니다. |
| 해수 온도 상승 때문입니다. 산호는 세포 안에 와편모조류(와편모조류)를 가지고 있으며, 식물처럼 광합성을 하고 이동하며 |
| 산호 숙주에게 에너지를 공급하는 역할을 합니다. 문제는 물이 너무 뜨거워지면 광합성을 제대로 할 수 없게 된다는 것입니다. |
| 산호는 이를 소화하거나 체외로 배출하는데, 최종적으로는 같은 산호가 사실상 굶어 죽는 셈입니다. |
| 그리고 이는 전 세계적인 문제이므로 산호초의 운명을 예측할 때 우리는 이미 이러한 생태계가 쇠퇴하고 있다는 것을 알고 있습니다. |
| 하지만 개체 수준에서는 이질성을 볼 수 있습니다. 다른 종보다 더 나은 성과를 보이는 산호 종이 있고, 종 내에서도 다른 종보다 더 나은 유전형이 있습니다. 즉, 다른 종은 표백에 취약할 때 표백에 강한 종도 있습니다. |
| 그래서 제가 제 경력 전반에 걸쳐 관심을 가졌던 건, 이러한 회복력을 주도하는 요인은 무엇이고, 실제로 예측할 수 있는 것인가 하는 것이었습니다. |
| 그래서 저는 이걸 산호 보험계리사에 비유하고 싶습니다. 제일 좋아하는 산호의 생검 결과를 보내주시면 제가 분석을 좀 해 볼게요. |
| 이 산호는 6개월밖에 살지 못하지만, 이건 수십 년은 괜찮을 거예요. 이게 제가 하려고 했던 것과 비슷한 거예요. |
| 현재 산호 건강 상태를 평가하는 방식은 소급적으로 진행됩니다. 직접 나가서 조사를 실시하고 죽은 산호의 양을 정량화하는 것이죠. |
| 따라서 이것들은 수집해야 할 중요한 데이터이지만, 이런 접근 방식은 산호에 아무런 도움이 되지 않았습니다. 이는 유사할 것입니다. |
| 심장마비를 겪은 환자에게 "당신은 정말 혈압이 높았어요"라고 말하는 의사에게, 그 환자는 그 사실을 알았으면 좋았을 텐데요. |
| 몇 주, 몇 달, 몇 년 전에 미리 대비할 수 있었으니까, 약을 먹고, 생활 습관을 바꾸고, 식단과 운동을 더 잘할 수 있었을 텐데. 그래서 |
| 저는 인간의 건강을 그런 식으로 소급적으로 평가하는 건 용납할 수 없다고 생각합니다. 그렇다면 산호에 대해서도 이런 식으로 좀 더 사전 예방적인 접근 방식을 취할 수 없는 이유는 무엇일까요? |
| 그래서 예측 도구가 존재하며 그 중 일부는 실제로 NOAA에서 개발했으며 실제로 대부분은 제 고용주인 NOAA에서 개발했습니다. |
| 산호 건강에 대한 예측이나 예측. |
| 그들은 온도만을 사용했습니다. 고온과 산호 표백 사이에는 잘 알려진, 잘 연구된 연관성이 있기 때문에 예측 인자로 온도를 집중적으로 사용하는 것이 합리적입니다. |
| 사실 이건 유엔에서 올해 발표한 보고서를 살펴보는 거예요. 하지만 많은 저자들이 NOAA에서 일하고 있어요. 이건 |
| 매년 심각한 백화 현상이 시작되는 해입니다. 그러니까 매년 여름마다 백화 현상이 시작되는 해가 바로 이 해입니다. |
| 산호는 표백화에서 회복할 수 있고 새로운 공생체를 얻을 수 있으며 먹을 수 있습니다. |
| 그들은 어느 정도까지는 폭풍을 견뎌낼 수 있지만 매년 표백이 시작되면 그 능력을 잃습니다. |
| 회복하기 위해, 그래서 매년 극심한 백화 현상이 일어나는 이유가 바로 제가 돌이킬 수 없는 지점에 다다랐기 때문이라고 말하고 있는 겁니다. 그래서 이건 꽤 암울한데, 왜냐하면 여러분이 볼 수 있기 때문입니다. |
| 빨간색으로 표시된 연도 중 일부는 2015년, 2020년인데, 분명히 이미 지나간 일입니다. 이것은 남부 플로리다의 지도를 보고 있는 것인데, 여기가 현장 현장의 위치입니다. |
| 하지만 이것이 100% 사실이 아니라는 것을 알고 있습니다. 네, 이 픽셀 안에는 매년 백화 현상이 일어나고 있는 산호초들이 있지만, 그렇지 않은 산호초들도 많이 있습니다. |
| 따라서 내 목표 중 하나는 이러한 온도 중심 모델의 공간적 및 시간적 해상도를 개선하는 것입니다. 왜냐하면 이러한 온도 중심 모델은 |
| 거기에 뭐가 있는지는 생각도 안 하고, 산호가 있는지 없는지도 전혀 고려하지 않아요. 그냥 온도 패턴만 보고 판단하는 거죠. |
| 그래서 그들은 회복성 있는 종이 있는지 없는지, 회복성 있는 유전자형이 있는지 없는지를 고려하지 않습니다. 하지만 그런 다음 우리는 밝혀야 합니다. 솔직히 말해서, 그들의 주장은 전혀 사실에 근거하지 않습니다. |
| 우리는 나가서 산호의 풍부함을 살펴보는 생태 조사를 해야 합니다. |
| 생물량, 생물 다양성, 어떤 종류의 산호 적이 있는지, 특정 유형의 거대조류와 산호충류가 있는지, 하지만 그것만으로는 충분하지 않다고 생각합니다. 왜냐하면 산호초가 있을 수 있기 때문입니다. |
| 여기 사진에서 보시는 것처럼 산호로 완전히 뒤덮여 있습니다. |
| 생태학자는 심지어 "이게 정말 건강해 보이네요. 산호가 많고, 물이 꽤 맑아 보이고, 조류도 별로 없어요. 훈련된 눈으로 봐도 알 수 있죠."라고 말할 수도 있습니다. |
| 이것이 건강한 산호초라고 추측하지만 산호 생리학자로서 개인적으로 이것이 낮은 회복력의 산호초라고 알고 있습니다. 왜냐하면 이 종들은 잡초이기 때문에 많은 에너지를 유지하지 못하기 때문입니다. |
| 해수가 상승할 때 탱크에 넣어두는 방식이므로 산호의 풍부함과 건강 사이에는 본질적인 단절이 있습니다. |
| 하지만 생각해 보면, 이건 그렇게 놀라운 일이 아닙니다. 우리는 이런 식으로 사람들의 건강을 관리하지 않습니다. 제가 사는 마이애미 시내를 돌아다니면서 "이 동네에 백만 명이 살고 있다"고 말하지는 않습니다. |
| 여기 50만 명이 사는 동네보다 두 배는 더 건강해요. 경제학자 입장에서는 더 건강할 수도 있겠죠. |
| 하지만 실제로 주민들의 건강을 살펴보면 상관관계가 없을 수도 있습니다. "이 대도시는 |
| 작은 마을보다 의료 서비스를 더 잘 알고 있죠. 그래서 특정 상황에서는 인구 밀도 사이에 어떤 연관성이 있을 수 있습니다. |
| 그리고 인간의 건강도 마찬가지지만, 그렇지 않은 곳도 많이 있습니다. |
| 예를 들어 인구 밀도가 높은 지역은 범죄가 더 많이 발생하는 경향이 있으므로 이것이 우리가 여전히 그것을 관리하는 방식이라는 사실이 정말 놀랍습니다. |
| 또는 해양 생물의 건강에 대한 추측을 시도하는 것은 단순히 거기에 무엇이 있는지 세는 것입니다. 나는 생각합니다. |
| 당신은 사람들에게 이런 짓을 하지 않을 거라는 걸 알고 있고, 우리는 더 잘할 수 있다고 생각해요. |
| 그래서 제가 정말 하고 싶은 것은 단순히 온도만 보는 것이 아닙니다. 온도는 도움을 이해하는 데 중요한 역할을 하지만, 그 자체만으로는 충분하지 않습니다. |
| 마찬가지로, 생태적 요인, 생물의 풍부함, 생물 다양성 또한 중요한 평가 기준이 될 것입니다. 하지만 이것만으로는 지속성과 장수에 대한 정보를 얻을 수 없습니다. |
| 내가 하고 싶은 것은 이러한 것들을 고려하는 것뿐만 아니라 이러한 생태계에 있는 유기체의 생리학적, 실제적 건강도 고려하는 것입니다. |
| 그것은 매우 복잡하고 난해한 모델이고 실제로 그것이 어떻게 표현될지, 어떻게 작동할지 알아내지 못했습니다. |
| 지금은 잘 모르겠지만, 몇 가지 아이디어는 있습니다. 오늘 제가 정말 집중하고 싶은 것은 여기에 동그라미 친 부분입니다. 생리학적 데이터를 활용하여 산호가 백화에 저항할지, 아니면 취약해질지 예측할 수 있는 예측 모델을 만들어 보는 것입니다. |
| 그리고 이러한 종류의 예측 분석을 위해 저는 분자 생물학에 관심을 갖게 되었습니다. 왜냐하면 세포 내 행동의 변화를 볼 수 있기 때문입니다. |
| 육안으로 이상 징후를 발견하기 전에 어떤 종류의 비정상적인 생리 현상을 반영하는 것일 수도 있습니다. 자, 그럼 심장마비 이야기로 돌아가서, |
| 비유적으로 말하면, 당신은 개인이 몇 주, 몇 달, 심지어 몇 년 전에 높은 콜레스테롤 수치나 고혈압을 문서화할 것입니다. |
| 심장마비죠. 그래서 병원에 가면 혈액을 뽑는 거예요. 혈당이나 콜레스테롤 같은 잘 발달된 바이오마커가 있거든요. |
| 당신의 미래 건강에 대해 추측을 하는 것에 대해. 그들은 당신에게 언제 죽을지 말해줄 수 없을 거예요. 하지만 이것들은 |
| 미래 건강 계획에 대한 높은 예측력을 가진 바이오마커와 분석물질을 제공합니다. |
| 콜레스테롤은 산호에 대해 특별히 좋은 생물학적 지표가 아니지만 다른 것들이 그럴 수 있으므로 NOAA에서는 이 다중 지표를 사용합니다. |
| 우리는 이를 다중 오믹스 접근법이라고 부르는데, 여기서 우리는 관심 있는 생물체(내 경우에는 산호)에서 합성되는 모든 다양한 분자를 살펴보고 어떤 분자가 |
| 스트레스 상태나 회복탄력성 상태를 반영하는 것일 수도 있습니다. 사실 저는 유전자 발현 분야, 즉 메신저 RNA 분야에서 시작했습니다. |
| 하지만 최근에는 단백질이 실제로 세포 내에서 일을 한다는 이유로 프로테오믹스 연구로 전향했습니다. |
| mRNA 발현과 단백질 수치 사이에 강한 상관관계가 나타나지 않는 경우가 많습니다. |
| mRNA는 여전히 매우 유용한 건강 진단 바이오마커가 될 수 있지만, 메커니즘 분석에는 그다지 유용하지 않을 것입니다. 생리학자로서 저는 |
| 케이크도 먹고 싶고, 먹기도 싫은데, 산호 세포에서 무슨 일이 일어나는지, 산호 세포가 고온에 어떻게 반응하는지, 어떤 단백질이 열적 적응에 관여하는지 알고 싶어요. |
| 이런 종류의 질문은 샘플에 있는 모든 단백질을 조합하는 학문인 프로테오믹스를 통해 해결할 수 있습니다. |
| 따라서 기전적 데이터를 얻을 수 있지만, 이러한 단백질을 건강에 유익한 바이오마커로 활용할 수도 있습니다. 이 슬라이드는 20년간의 연구를 한 장의 슬라이드로 요약하여 모든 사람이 최신 정보를 얻을 수 있도록 했습니다. |
| 최적의 분석물 세트를 결정하는 거죠. 방금 단백질에 대해 이야기했는데, 단백질이 모든 것을 결정한다고 생각해서 산호에서 측정하기에 더 나은 것은 절대 없을 거라고 생각하시나요? |
| 그래서 제가 여기에 체크 표시를 한 겁니다. 절대 안 됩니다. 그리고 나중에 말씀드릴 건데, 단백질을 이용해서 건강 관련 추론을 하는 데 실제로 문제가 있다는 거예요. 아마 더 나은 방법이 있을 테니, 아직 진행 중인 작업입니다. |
| 안타깝게도 산호는 모델 생물이 아니기 때문에, 이 모든 것을 측정하고 싶었고, 저는 수년간 직접 방법론을 개발해야 했습니다. 특히 분자 벤치워크가 그랬습니다. |
| 유전자, 단백질, 지질 등 어떤 종류의 분석물이든 바이오마커로 사용하려면 자연적인 변화의 원인을 수용해야 합니다. |
| 그리고 이것들은 빛 순환과 같은 것입니다. 산호는 세포 안에 광합성을 하는 와편모조류를 가지고 있기 때문에 |
| 그들은 빛과 어둠의 주기, 조수 주기, 계절에 따라 생리학적으로 엄청난 변화를 보이는데, 이는 섹시하지는 않지만 일종의 필수악입니다. |
| 산호 건강 모델링을 위해 궁극적으로 수행해야 할 프로젝트입니다. 산호가 일상생활에서 어떻게 성장하는지 파악한 후에는 |
| 산호를 스트레스 요인에 노출시키는 이러한 환경적 도전 연구 |
| 또는 실험실에서 또는 현장에서 환경적 기울기에 따른 스트레스 요인 체계를 살펴보고 있는 경우입니다. |
| 그리고 이것이 실제로 산호 분야 전체가 가장 잘 해낸 일이며, 산호 환경 생리학에 관한 논문이 수천 개나 있고, 이 강연의 후반부에서 그러한 사례 중 하나에 대해 간략히 이야기하겠습니다. |
| 하지만 우리가 막혀서 지금 당장 아무런 성과도 보지 못하는 부분은 제가 생각해 낸 아이디어인데, 산호 건강 데이터를 사용해서 산호 스트레스 취약성에 대한 예측 모델을 실제로 생성하는 것입니다. 제가 돌파구를 찾으려고 하는 것이 바로 그것입니다. |
| 그리고 제 생각에는 대부분의 생리학자와 분자생물학자가 생물체가 죽어가는 과정에서 무슨 일이 일어나는지에 대한 설명적인 측면에 훨씬 더 익숙하기 때문이라고 생각합니다. |
| 이 말이 이런 종류의 연구를 폄하하려는 것은 아닙니다. 이 분야가 지금까지 제 경력을 만들어낸 원동력입니다. |
| 이런 종류의 논문을 출판하는 게 더 쉽습니다. 산호초 수조 온도를 올려 단백질 수치를 확인해 보세요. 저는 이 주제로 논문을 10편이나 냈는데, 이런 종류의 연구를 해야 제대로 된 결과를 얻을 수 있습니다. |
| 이 예측 접근 방식. 하지만 저는 개인적으로 이런 식으로 전환하고 싶습니다. |
| 산호 부고 기사를 효과적으로 쓰는 장의사, 본질적으로 이 논문은 유용한 데이터를 생성하지만 산호에 아무런 도움이 되지 않습니다. |
| 그리고 우리는 본질적으로 설명적인 프로젝트에서 얻은 데이터를 가져와 예측 능력에 사용하여 알아내려고 노력합니다. |
| 어떤 산호가 기후 변화의 수혜자가 되고 어떤 산호가 피해를 볼지 생각해 보세요. 장의사에서 수의사, 혹은 앞서 말씀드린 보험계리사로 전향하는 거죠. |
| 그리고 나는 당신들에게 내가 이렇게 놀라운 사람이라는 인상을 주고 싶지 않습니다. |
| 모델러입니다. 이건 제가 직접 배우고 그때그때 바로 익힌 것이지만, 이 분야에서 성공한 많은 이유 중 하나는 설명적인 작업에서 예측적인 작업으로 자연스럽게 전환한 데 있다고 생각합니다. |
| 이것은 JMP에 의해 구동됩니다. 예를 들어 Fit Model 플랫폼에 대한 내 익숙함이 나에게 정말 더 쉽게 만들어졌기 때문입니다. |
| 이 설명을 예측 전환으로 만드는 것은, 예를 들어, 1~2년 전까지 제가 경력 내내 했을 일은 왼쪽의 예와 같습니다. |
| y 상자에 있는 산호 단백질들 보세요. 이건 난해한 등록 번호니까 무슨 뜻인지 신경 쓸 필요 없어요. 그냥 단백질이라는 걸 알면 되죠. |
| 온도, 산호의 유전형, 샘플링 시점 등 내가 관심을 가질 만한 것들을 보여주는 모델 효과를 구축하면 좋은 논문을 출판할 수 있습니다. |
| 이런 종류의 데이터 세트를 살펴보고 있습니다. 제가 하는 일은 기본적으로 그 개념을 뒤집어서 모든 단백질을 구성 모델로 옮기는 것입니다. |
| 상자, 실험 및/또는 환경 데이터와 함께 있지만 y에 무엇이 들어갈까요? |
| 여기서 제가 산호 백화 민감도라고 부르는 것을 말씀드리겠습니다. 나중에 다른 이름을 붙이겠지만, 개념은 같습니다. 산호가 백화될 가능성을 말하는 겁니다. |
| 그래서 저는 JMP가 순전히 기술적 측면에서 벗어나 예측 생물학에 발을 들이는 데 큰 도움이 되었다고 생각합니다. |
| 그래서 저는 설명적인 내용을 간략히 요약하고 JMP Pro 내의 일부 도구 중 일부를 소개하고 싶습니다. |
| 특히 제가 아주 좋아하는 패키지입니다. 그래서 여기 있는 이 산호, 즉 오르비셀라 파베올라타(Orbicella faveolata)에서 얻은 작은 데이터 세트를 가지고 실험해 보겠습니다. |
| 플로리다 키스에서 가장 회복력이 강한 산호 중 하나이기 때문에 기후 변화의 영향이 너무 심해서 모든 산호를 다룰 여유가 없고, 본래 조금 더 강한 산호를 다루어야 합니다. |
| 그래서 우리는 다양한 암초에서 산호를 채취하여 다양한 온도와 시간에 노출시키고 단백질 농도를 살펴보았습니다. 이는 바이오마커가 무엇인지에 대한 아이디어가 필요했기 때문이며, 모델 구축에 유용할 수도 있습니다. |
| 온도가 이 산호의 프로테옴에 어떤 영향을 미치는지, 당신이 생각할 수 있는 온갖 설명적인 것들 |
| 제가 이전에 보여드렸을 내용과 매우 유사합니다. 이게 제 모델 박스입니다. 저는 어떤 단백질이 |
| 온도, 산호초 위치 등 그런 것들에 가장 큰 영향을 받습니다. 저는 주성분 분석, 다차원 척도법 등 다변량 연구를 많이 합니다. |
| 표본 간의 관계를 찾고, 다변량 처리 효과를 살펴보고, 잠시 후에 이 중 일부를 살펴보겠습니다. 작년에 제가 보여드린 것과 그 이후 이 논문을 발표한 내용은 다음과 같습니다. 음, 이것은 다차원 척도화 플롯입니다. |
| JMP Pro 16 다변량 플랫폼에서 - 사실 15였어야 할 내용이지만, 여기서 보여드리고 싶은 건 세부적인 내용에 너무 얽매이지 마세요. 색맹이시라면 죄송합니다. |
| 하지만 오른쪽 아래 세 개의 샘플인 녹색 산호는 대조 산호입니다. 즉, 대조 온도에 있습니다. 위쪽 세 개는 |
| 32도에서는 대부분의 산호에게 거의 사형 선고나 다름없습니다. 몇 주 동안 노출되면 산호의 프로테옴, 즉 단백질 프로필이 더 안정되기 시작하는 것을 볼 수 있는데, 이것이 중요합니다. |
| 예측 모델을 만들기 전에 온도가 프로테옴에 미치는 영향이 무엇인지 알아야 합니다. |
| 그 데이터는 존재 유무 데이터를 살펴보는 것이었습니다. 즉, 단백질이 존재하는지 여부를 확인하는 것이었는데, 약 700개에서 800개 정도의 단백질이 있었습니다. |
| 그 이후로 방법론이 개선되었으므로 분자생물학 분야에서 일하는 것이 좋은 점은 방법론이 계속 개선되고 있다는 것입니다. |
| 그래서 제가 한 일은 동일한 샘플을 채취했지만, 단백질 7개나 800개를 존재 유무로 측정하는 대신 86개의 하위 집합을 채취한 것입니다. |
| 하지만 이제 데이터는 완전히 정량화되었습니다. 그래서 저는 거의 10배를 가지고 있습니다. |
| 단백질은 적지만 농도 대비 해상도가 훨씬 높아서 지금 다룰 데이터 세트는 단백질 86개만 포함하고 있습니다. |
| 이것은 이 단백질들이 어떻게 보이는지에 대한 일반적인 분포입니다. 이들은 정규적으로 분포되지 않으며 항상 비대칭적이기 때문에 이는 전적으로 매개변수적 접근 방식을 사용하는 측면에서 제한이 되지만 이는 문제가 되지 않습니다. |
| JMP를 사용하여 |
| 그러면 JMP 테이블을 살펴보겠습니다. |
| 자, 이게 첫 번째인데, 보여드리고 싶어요. 기본적으로 이 테이블의 두 가지 특징에 집중해 주시면 좋겠어요. |
| 워낙 범위가 넓어서 프로테오믹스는 비용이 많이 들어요. 샘플 하나에 200달러라니, 예산이 한정되어 있고, 이 실험에서는 샘플이 20개밖에 없었어요. |
| 하지만 저는 단백질이 86개 있습니다. 즉, 일반적인 다변량 분산 분석(ANOVA)을 수행하여 치료 효과를 찾을 수 없다는 뜻입니다. |
| 유용한 다변량 분석을 할 수 없다는 걸 깨달았습니다. JMP 개발자들로부터 제안받은 한 가지 현명한 방법은 전통적인 다차원 척도법을 사용하는 것이었습니다. 여기 제가 가지고 있는 86개의 단백질을 변형된 형태로 로그로 기록해 보겠습니다. |
| 그리고 저는 이전에 이런 일을 한 적이 있어서 4차원이면 꽤 좋은 해결책을 얻을 수 있을 거라는 걸 알고 있습니다. |
| 다차원적 스케일링 플롯은 다음과 같습니다. 이는 건강한 대조군과 활발한 표백을 포함한 제 샘플의 다양한 운명을 보여줍니다. 나중에 이에 대해 더 자세히 알아보겠습니다. |
| 하지만 제가 여기서 하고 싶은 것은 스트레스를 살펴보는 것입니다. 스트레스가 조금 높아지고 있는 것 같습니다. 보통은 1점 이하로 유지되죠. |
| 차원 수를 늘리면 스트레스를 더 낮출 수 있지만, 4차원이면 괜찮을 것 같아서 내가 할 일은 |
| 사실 이 좌표들을 저장할 겁니다. 유사도 행렬도 저장할 수 있는데, 저는 이 샘플들 간의 유사도에 더 관심이 있으니까요. 그래서 이것들을 가져올 겁니다. |
| 그리고 이제 그들은 내 (???)가 될 것입니다. 즉, 샘플보다 y가 적은 상황이 되어서 전통적인 다변량 ANOVA를 수행할 수 있습니다. |
| 그리고 제 모델 효과, 이걸 하고 싶어요. CHD 실험실, 그게 무슨 뜻인가요? 산호 건강 등급을 나타내는 거잖아요. 산호가 회복력이 있는지 아니면 스트레스를 받았는지에 대한 등급이죠. |
| 앗, 으악. |
| BLR은 표백 저항성을 뜻하는데, 이 표현은 이번 강연 내내 사용하겠습니다. BLS는 표백에 민감한 것을 뜻하고, BLS는 두 그룹으로 나누어 네 가지 차원의 그래프를 그린 것입니다. 다변량 분산분석(ANOVA)을 실행해 보겠습니다. |
| 그리고 저는 건강 상태의 미미한 영향을 봅니다. 이것 역시 여러분이 알고 싶어할 내용입니다. |
| 만약 이러한 표백화 회복성 산호가 표백화에 민감한 산호와 상당히 다른 프로테옴을 가지고 있다면, 이는 경계선상에 있는 산호의 경우와 마찬가지로 큰 의미가 없지만, |
| 이런 환경 데이터 세트를 가지고 있다면 기꺼이 출판물에 보고할 겁니다. 아마 더 나은 방법일 수 있는 또 다른 방법은 같은 네 개의 좌표를 사용하는 것입니다. |
| 이처럼 규모가 작고 폭넓은 데이터 세트에는 다양한 환경적 매개변수가 포함되어 있으므로 MANOVA는 까다로울 수 있습니다. 그래서 저는 제가 매우 선호하는 부분 최소 제곱법 플랫폼을 사용하려고 합니다. |
| 그리고 저는 실험 데이터를 활용해서 산호의 원산지, 노출된 온도, 유전형과 같은 정보를 수집하고 반응 표면을 만들 것입니다. |
| 그리고 무엇이 실행되고 있나요? |
| 데이터 세트가 너무 작기 때문에 실제로 KFold를 4로 줄이려고 합니다. |
| 이건 제가 원했던 결과물이 아니었어요. 뭔가 조금 다른 걸 넣었던 것 같지만, 괜찮아요. 실제로 여러분께 보여드리고 싶은 스크립트를 저장했어요. |
| 여기에 있고, 사실 저는 요인의 수에 그다지 관심이 없습니다. |
| 여기서 볼 수 있듯이, 저는 세 가지를 선택했습니다. |
| 사실, 제가 보여드리고 싶은 건 이것뿐입니다. 매우 혼란스럽고 지저분해 보이지만, 이것은 상관관계 로딩 플롯으로 알려져 있으며, 저는 이것이 JMP Pro 패키지 전체에서 실제로는 알려지지 않은 활용도가 낮은 도구라고 생각합니다. |
| 이 수치에서 얼마나 많은 이익을 얻을 수 있는지에 대한 설명은 샘플들이 서로 어떻게 비교되는지를 보여주고, 환경적 요인, 유전형, 현장 온도, 시간을 추가할 수 있다는 것입니다. |
| 이 경우 좌표를 사용하므로 y를 해석하기가 더 어려울 수 있지만 원시 데이터로도 이 작업을 수행할 수 있었고 그렇게 하면 실제로 어떻게 되는지 살펴볼 수 있었습니다. |
| 여러분의 분석물, 환경 변수, 샘플은 모두 일종의 메시입니다. 그리고 저는 이것이 여러분 중 일부에게는 덜 익숙할 수도 있는 정말 강력한 탐색 도구라고 생각합니다. |
| 제가 가장 좋아하는 다변량 설명 도구 중 하나인데, JMP Pro 패키지에서 자주 사용합니다. 물론, 이건 모두 실험 데이터였고, 실험도 진행 중이었지만 |
| 이 산호들은 제 환자들이에요. 꼼짝 못 하거든요. 산호초에 가면 어디서 찾을 수 있는지 정확히 알아요. |
| 계절에 따라 샘플을 채취할 수 있어요. 아주 작은 조직 검사를 하는 거라 건강에 큰 지장은 없을 거예요. |
| 그래서 저는 공간과 시간을 통해 이 산호 샘플을 가지고 있고 그것들이 표백될 때를 알고 있습니다. |
| 산호가 어디에서 표백되었는지, 어떤 산호가 표백되었고 어떤 산호가 표백되지 않았는지. 그래서 이제 아카이브를 통해 시간을 거슬러 올라가 산호를 관찰할 수 있게 되었습니다. |
| 아직 표백되지 않은 것들을 살펴보고, 어떤 것들이 표백되었고 어떤 것들이 표백되지 않았는지 예측할 수 있는지 알아보려고 합니다. |
| 플로리다 키스 상류에 있는 사이트에 대한 정보를 조금 더 알려드리자면, 해안에 있는 두 개의 사이트인 The Rocks와 Cheeca Rocks, 그리고 해안에서 멀리 떨어진 두 개의 사이트인 Little Conch와 Crocker Reef가 있습니다. |
| 그리고 해안 암초는 훨씬 더 튼튼하다는 것을 아는 것이 중요합니다. 모든 곳이 아니라 일부 장소에서 크고 건강한 산호를 볼 수 있습니다. |
| 해외에서는 이런 작은 언론을 다루기 때문에 현장에서 회복력이 꽤 좋습니다. |
| 이건 모형을 만들 때 중요한 점입니다. 강한 산호나 약한 산호만 사용해서 모형을 만들거나 테스트해서는 안 됩니다. 두 가지를 섞어야 합니다. |
| 이건 제가 간단히 만든 Graph Builder 플롯인데, 색상 점수를 보는 거니까 5점이 되어야 합니다. 5점은 기본적으로 완전히 건강하다는 뜻입니다. |
| 0은 새하얀 피부로 곧 죽을 거라는 뜻이에요. 사실 3~4개면 꽤 스트레스가 돼요. 8월에는 여기서 볼 수 있죠. |
| 이곳은 표백 현상이 한창인 곳입니다. 이 네 곳에서는 심각한 표백 현상이 나타났고, 해안에 있는 탄력성이 더 강한 곳에서도 어느 정도 표백 현상이 나타났습니다. |
| 하지만 10월에는 회복되었고, 12월에도 회복되었습니다. 그런데 이런 종류의 변칙적인 행동이 나타나는데, 저는 이것이 질병에 의한 것이라고 생각합니다. |
| 그래서 이건 제가 앞서 언급한 산호 건강 지정에 대한 전문 용어로 돌아가는 겁니다. |
| 기본적으로, 저는 이것이 궁극적으로 또는 결국에는 1에서 10까지 연속 변수가 되기를 원합니다. |
| 하지만 지금 저희는 기본적으로 세 가지 범주 중 하나를 예측하려고 합니다. 표백 회복성 또는 내성, 표백 민감성 또는 중간 정도입니다. 따라서 표백 저항성은 위쪽의 녹색 선이 되고, 색상 점수는 실제로 변하지 않습니다. |
| 표백 과정 동안의 온도입니다. 이는 또 다른 Graph Builder 플롯이므로 아래쪽 절반의 온도를 살펴보고 있습니다. |
| 그러니까 중간 단계의 산호는 약간 표백되지만, 곧 회복됩니다. |
| 표백에 취약한 사람은 눈에 띄게 표백되었다가 회복되거나, 경우에 따라 완전히 회복되지 않을 수도 있습니다. 따라서 이 세 가지 표현형이 y와 제 모델이 될 것입니다. |
| 이건 의도적으로 복잡하게 설계되었으니 걱정하지 마세요. 기본적으로는 여러 가지 방법을 보여드리는 것인데, 궁극적으로는 모델 구축 과정을 거치게 됩니다. 왼쪽에 |
| 모델을 훈련하고 검증하는 데 어떤 데이터를 사용할지 알아보겠습니다. |
| 모델 자체, 모델을 테스트하는 데 무엇을 사용할지, 그리고 궁극적으로 무엇을 예측하려는지. 실험실 산호 데이터만 사용한다면 |
| 더 많은 실험실 데이터로 테스트하는 예측 모델을 만들려면 |
| 실험실에서 산호의 건강 상태를 예측할 수 있는 능력을 얻게 되겠지만, 저희가 원하는 건 그게 아닙니다. 논문으로 발표하는 건 괜찮지만, 현장에서 무슨 일이 일어나고 있는지 예측할 수 있어야 합니다. |
| 하지만 실험실 데이터를 사용하여 예측 모델을 만드는 것에 대해 어떻게 생각해야 할지에 대한 문제가 발생합니다. |
| 현장에서 무슨 일이 일어나고 있는지 예측하려고 시도하는 경우 이 실험실 데이터를 사용하여 이에 대한 예측을 하는 것은 항상 위태로운 문제라는 것을 알고 있습니다. |
| 제한된 분야가 관련되어 있습니다. 하지만 어쨌든 시도해 볼 겁니다. 다시 말씀드리지만, 이 군집 건강 상태를 y로 사용하는 것입니다. |
| 앞서 말씀드렸듯이 예측 변수에는 단백질 외에도 더 많은 요소가 포함될 것입니다. 하지만 편의상 오늘은 단백질을 사용하겠습니다. 그리고 이것은 |
| JMP Pro 16.1을 사용하면서 정말 마음에 들고 강력 추천하는 XG Boost 애드인을 사용하고 있습니다. 이 글은 저 자신을 위한 글이지만, 중요한 한 가지를 말씀드리고 싶습니다. |
| 프로테오믹스의 큰 단점 중 하나는 확률론적이라는 것입니다. 제가 실험실 샘플에서 86개의 단백질을 시퀀싱했던 걸 기억하시나요? 제가 사용하고 싶은 샘플과 예측 모델은 바로 이것들입니다. |
| 제가 현장에 나가서 프로테옴과 현장 샘플을 측정했을 때 86개의 단백질을 얻지는 못했습니다. 완전히 다른 단백질 세트가 나왔죠. |
| 그래서 저는 실제로 어떤 단백질이 발견되었는지, 그리고 모든 샘플이 어떤 것인지 알아내려고 노력해야 했고, 그 결과 범위가 극적으로 줄어들었습니다. |
| 제가 사용할 수 있는 단백질의 수는 실제로 86개에서 31개로 줄었고, 결국 5개로 줄었습니다. 단백질 5개가 어떤 종류의 예측 능력을 갖기에 충분할지 확신할 수 없었기 때문에 걱정되었습니다. 하지만 한 번 보겠습니다. |
| 그래서 그 데이터 세트는 여기에 있습니다 |
| 기본적으로 저는 현장 샘플에서 발견된 31개 단백질의 하위 집합을 가져왔지만 오늘 제가 하고 싶은 것은 7월에 샘플링한 산호의 단백질에만 집중하고 싶다는 것입니다. |
| 2019년입니다. 이 산호 샘플은 백화 현상 이전이기 때문에 알고 싶습니다. 백화되기 전에 이 산호에서 뭔가를 발견할 수 있는지 알고 싶습니다. |
| 그래서 31개가 5개로 줄었네요. 이제 이 다섯 가지 단백질을 이용해서 예측 모델을 만들어 보려고 합니다. 그리고 제가 가장 좋아하는 JMP Pro의 새 기능인 모델 스크리닝을 사용할 거예요. 이 기능을 사용하면 |
| 여러 개의 다른 모델을 병렬로 실행하고 있습니다. 실험실의 산호 건강 상태를 여기에 적겠습니다. 단백질 다섯 가지도 여기에 적겠습니다. |
| 나는 이 모든 다양한 옵션을 시도해 볼 것입니다. 사실 저는 이 컴퓨터에 XG 부스트를 설치하지 않았지만 괜찮습니다. 우리는 할 수 있다고 생각합니다. |
| 괜찮은 모델을 찾을 수 있을 겁니다. K-fold 교차 검증을 5로 사용할 겁니다. 이 옵션 중 몇 가지를 여기에 추가하고 싶습니다. |
| 그러면 무슨 일이 일어나는지 봅시다. |
| 이 작업을 실행하는 데 시간이 좀 걸릴 겁니다. 20개의 서로 다른 모델을 병렬로 검사하고, 다양한 요인 조합을 사용하고, 진단 데이터도 있지만, 바로 검증 세트에 대해 알아보고 싶습니다. |
| 따라서 여기서는 순위가 매겨져 있고, 따라서 성능이 좋은 것으로 보이는 신경망 강화 모델이 있습니다. 저는 정확도에 관심이 많기 때문에 오분류율에 더 집중하는 경향이 있습니다. |
| 일반화 회귀 모델이 있는데, 확인해 보도록 하죠. 선택해 보겠습니다. 꽤 괜찮아 보이네요. |
| 제가 실행해 볼게요. |
| 여기서 모든 진단을 볼 수 있습니다. 약간의 시간을 갖고 싶습니다. |
| 프로파일러를 살펴보려면 |
| 왜냐하면 이게 나에게 말해줄 것이기 때문이다 |
| 어느 단백질이 가장 큰 영향을 미치는가. |
| 그래서 제가 앞서 말씀드린 내용은 사과드립니다. 지금 재설정해야 합니다. |
| 저는 보통 제 치료 중 하나가 표백에 취약한 산호든 표백에 강한 산호든, 최대한 효과를 내는 것을 선호합니다. 그러면 제가 할 수 있는 건, "표백에 강한 산호가 되는 데 필요한 게 뭔지 보여주세요."라고 말할 수 있고, 그러면 표백에 민감한 산호를 최소화할 수 있습니다. |
| 그리고 |
| 음, 옵션이 하나만 표시되더라고요. 이미 설정되어 있으니까 괜찮을 것 같아요. |
| 그래서 |
| 이 경우에는 나에게 보여지고 있어 |
| 이러한 단백질 수준을 변경했을 때 표백 감수성에 대한 샘플 비율이 어떻게 떨어지는지, 그리고 이것이 유용할 수 있는지 알고 싶습니다. |
| 유전공학과 마찬가지로, 단백질을 찾으려고 한다면 |
| 산호의 회복력에 가장 큰 영향을 미치는 요소입니다. 프로파일러를 직접 사용해 보시는 것도 좋지만, 오늘은 예측 자체에 더 관심이 있습니다. 그래서 예측 공식을 여기에 게시하려고 합니다. |
| 당신은 알아차릴 것이다 |
| 단백질 중 하나가 떨어져 나갔기 때문에 그 중 하나는 실제 모델 구축에 유용하지 않다고 간주되었습니다. |
| 믿거나 말거나, 이건 제가 지난 이틀이나 사흘 동안만 해 본 일이에요. 7월 산호를 이 데이터 표에 넣어서 비교해 보고 싶어요. |
| 그 데이터 테이블에서 어떤 예측을 내놓았는지 보고 싶거든요. 일반화 회귀 모델을 기반으로 어떤 결과를 예측했는지 살펴보겠습니다. 샘플이 12개뿐이라 예측이 맞았는지 틀렸는지 간단히 설명해 드리겠습니다. |
| 맞아요. 죄송하지만 이 컴퓨터에서는 r이 작동하지 않아요. 믿거나 말거나, 이게 맞아요. |
| 오른쪽. |
| 오른쪽. |
| 물론 더 쉬운 방법이 분명히 있지만, 이건 잘못된 방법입니다. |
| 그렇죠. 이제 다시 제대로 작동하죠. |
| 오른쪽. |
| 옳고 그름. |
| 따라서 이 12개 샘플의 하위 집합에서는 이를 단백질 일반화 회귀 모델에 사용했습니다. |
| 12개 샘플 중 11개에서 표백 가능성이 정확히 나왔는데, 사실 정말 멋지죠. 제가 시뮬레이션을 여러 가지 방법으로 반복해서 실행했는데, |
| 제가 평소에 쳐왔던 것보다 더 좋아요. 92~93% 정도 되겠네요. 정말 신나요. 특히 단백질에만 적용되니까. 그래서 |
| 글쎄요, 그 이야기는 이미 했잖아요. 그래서 이런 종류의 시뮬레이션을 하면 제가 얻는 평균 정확도는 80~90% 정도예요. |
| 저한테는 정말 신나는 일이에요. 의사 입장에서는 정말 끔찍한 일이겠죠. 만약 당신 말이 맞다면 |
| 아시다시피, 심장마비 사건의 가능성과 환자의 80%를 고려하면 그것은 엄청난 실패가 될 것입니다. 하지만 저는 그렇게 생각합니다. |
| 산호에 대한 새로운 접근 방식이기 때문에, 80~90%의 정확도로 괜찮다고 생각합니다. 그리고 이건 제가 언급하지 않은 부분입니다. |
| 다섯 가지 단백질로 구성된 하위 집합은 네 가지로 줄어들었는데, 숙주 산호만을 대상으로 했습니다. 공생 단백질은 제외했습니다. 몇 주 전에야 이 데이터를 얻었거든요. |
| 제가 공생체 단백질을 추가하면 정확도가 높아질 뿐만 아니라 이것도 기억할 수 있을 거라고 생각합니다. |
| 저는 실험실 데이터를 사용하여 현장 산호 행동에 대한 예측을 하고 있었습니다. 그래서 100% 정확할 거라고 기대하지는 않으실 겁니다. 제가 했어야 했던 것과 앞으로 할 일은, 아마 이 강연을 마치고 몇 시간 안에, |
| 현장 데이터도 다 있고, 실험실 데이터도 다 있습니다. 두 데이터 세트를 모두 훈련과 검증에 사용할 수 있습니다. |
| 현장 산호의 행동을 예측하는 모델을 만들어 보세요. 그리고 저는 그 접근법의 정확도가 계속 높아질 것이라고 확신합니다. 이렇게 주장할 수도 있겠죠. |
| 현장 데이터 세트가 있는데 굳이 실험실 산호 데이터를 쓸 이유가 있을까요? 제 생각에는 아주 타당한 지적입니다. |
| 생물학적 측면에서 이 단백질의 실제 본질은 저에게 엄청나게 흥미로웠고, 저는 어젯밤에 그것이 무엇인지 알아냈습니다. |
| 시간이 부족해서 자세히 설명하지는 않겠지만, 우리가 채굴할 수 있다는 사실만으로도 엄청나게 흥미로울 거라고 말씀드릴 수 있습니다. 그중 하나는 진화된 포식자 포획인데, 정말 멋질 것 같아요. |
| 메커니즘을 개발하려고 노력하고 있습니다. |
| 이건, 정말 작은 데이터 세트에 샘플도 수십 개나 됩니다. 그럼 제가 세계 최고의 산호 스트레스 테스트를 만들었다고 생각하시나요? |
| 아니요, 이것은 진행 중인 작업이며 해결해야 할 다른 방법론적 문제가 있지만 궁극적으로 제가 원하는 것은 이런 종류의 스트레스를 개발하는 것입니다. |
| 테스트를 해서 우리가 나가서 제가 산호초 분류라고 부르는 걸 할 수 있게 해 줘. 내가 작은 샘플들을 가져갈 수도 있고 |
| 프로테오믹스나 기타 분자 분석을 수행하고 JMP에 데이터를 입력합니다. |
| 이런 회복력에 대한 추측을 내뱉고, 나는 매니저에게 "저기 있는 암초는 정말 좋은 상태인 것 같으니 일단은 내버려 두고, 잘 살펴보세요"라고 말했습니다. |
| 여기 있는 산호들은 모두 제 모델에 따르면 백화 현상에 취약한 것으로 판단되었습니다. 만약 산호들에게 백화 현상을 완화하거나 기회를 줄 수 있는 방법이 있다면, 수질을 정화하고 |
| 남획 - 제 생각에는 이런 부분들이 노력을 집중해야 할 부분입니다. 사실 저는 이런 종류의 데이터 세트로 바로 그런 일을 하고 싶습니다. 그러니 당연히 데이터 세트는 더 커져야 합니다. |
| 저는 이를 기존의 온도 기반 모델과 비교하고 싶지만, 그 규모는 본질적으로 다릅니다. |
| 그리고 저는 이런 종류의 시각적 표현이나 지도를 통해 여기 나쁜 곳과 좋은 곳이 있다는 것을 알려주고 싶습니다. |
| 나는 모든 더러운 작업을 할 것입니다. 관리자나 일반인이 쉽게 이해할 수 있는 것으로 이것을 요약하고 싶습니다. 문제가 해결되고 좀 더 큰 데이터 세트가 생기면, |
| 더 많은 산호 종을 통합하고 지리적 범위를 확장하면 이 산호 건강 예측 모델링 접근 방식을 실제로 사용할 수 있습니다. |
| 아시다시피, 의사 결정 도구로서 말이죠. 그러니까 모니터링뿐만 아니라 산호 양식 복원에 유용할 만한 회복력 있는 유전자형을 찾는 데에도 쓰이겠죠. |
| 이 접근 방식을 사용하여 완화 프로젝트 및 이와 유사한 사항의 성공 여부를 추적할 수도 있으므로 이러한 종류의 잠재력이 매우 크다고 생각합니다. |
| 이러한 보다 사전 예방적인 해양 관리를 위한 산호 건강 예측 모델링 접근 방식을 제안하고 싶습니다. |
| 이는 앞으로 몇 년 동안 NOAA와 마이애미 대학에서 계속 성장할 수 있는 분야입니다. 특히 이러한 생태계가 점점 더 위험에 처해 있기 때문입니다. |
| 그럼, 질문 있으시면 언제든지 환영합니다. 다시 한번 말씀드리지만, 저는 모델러 출신이 아니기 때문에 |
| 제안이 있으면 말씀해 주세요. 이 내용을 교조주의로 받아들이지 마세요. 혹시 데이터에 대한 심각한 오해나 그런 게 있더라도 제 기분 상하지 않을 거고, 질문이나 피드백은 언제든 환영합니다. |
| 그럼, 이것으로 제 이야기를 마무리하고, 여러분의 연락을 기다리겠습니다. 감사합니다. |
