| 스피커 |
성적 증명서 |
| 메이지안 관 |
좋아요. 음, 안녕하세요 여러분. 이 프레젠테이션에 참석해 주셔서 정말 감사합니다. 제가 해 온 작업을 공유할 수 있는 기회를 얻게 되어 정말 기쁩니다. |
| |
JMP Life Science 그룹과 SAS Institute에서 진행해 왔습니다. 오늘 주제는 JMP Project를 사용하여 단일 세포 RNA 시퀀싱 워크플로를 구축하는 것입니다. 이 기능은 JMP Genomics 10을 위해 제가 개발한 새로운 기능입니다. JMP Genomics가 무엇인지 모르시는 분들을 위해 간략하게 설명해 드리겠습니다. |
| |
JMP 프로젝트에 대한 개요와 14일에 출시된 새로운 기능인 JMP는 보고서를 정리하는 데 매우 유용한 도구입니다. 그래서 저희는 이 새로운 플랫폼을 활용하여 단일 세포 RNA 시퀀싱을 구성했습니다. |
| |
워크플로우를 여기에 포함시킵니다. 먼저 JMP에 대한 간략한 배경 정보를 알려드리고 싶습니다. JMP Genomics는 |
| |
JMP 제품군 중 하나는 SAS와 JMP Pro를 기반으로 구축되었습니다. 두 제품의 장점을 모두 활용하여 매우 강력한 분석 도구를 제공합니다. |
| |
그래서 게놈 데이터용으로 설계되었으므로 다양한 유형의 게놈 데이터를 읽고 전처리를 수행하고 차세대 시퀀싱을 처리하여 분석할 수 있습니다. |
| |
이 기술은 유전자 발현 차이와 바이오마커 발견에 매우 효과적이며, 많은 과학자들이 작물 및 가축 육종에 활용하고 있습니다. 따라서 매우 강력한 도구라고 할 수 있습니다. 유전체학 관련 연구를 하고 계신다면 꼭 한번 사용해 보시기를 권장합니다. |
| |
다음으로 여러분께 공유해 드리고 싶은 것은 단일 세포 RNA 시퀀싱입니다. 많은 분들이 잘 모르실 수도 있겠습니다. |
| |
따라서 이것은 개별 세포 수준에서 조사하는 데 사용되는 비교적 새로운 기술입니다. |
| |
그리고 전통적인 RNA 시퀀싱 기술과 비교해보면, 세포 집단의 평균 발현 수준을 조사하는 것입니다. |
| |
이 새로운 기술은 세포 간 차이점을 더 높은 해상도로 보여주고 미세 환경의 맥락에서 개별 세포의 기능을 더 잘 이해할 수 있게 해줍니다. |
| |
또한 새롭고 희귀한 세포 집단을 발견하고, 세포 발달 경로를 추적하고, 세포 유형 간에 다르게 발현되는 유전자를 식별하는 등 많은 작업에 도움을 줄 수 있습니다. 따라서 매우 광범위한 응용 분야를 가지고 있습니다. |
| |
최근 과학자들이 이를 코로나19와 싸우는 데 사용하고 있는 응용 프로그램이 있는데, 이는 다음과 같은 용도로 사용할 수 있기 때문입니다. |
| |
면역 세포의 전사 변화를 특성화하고 백신과 치료법을 개발하는 방법을 연구합니다. 또한, 암 연구, 면역학 및 기타 여러 연구 분야에서 널리 활용되고 있습니다. 음, 매우 강력한 도구이긴 하지만 |
| |
해당 데이터를 분석하는 데에는 몇 가지 어려움이 있기 때문에 우리는 이 워크플로를 구성했습니다. |
| |
단일 세포 RNA 시퀀싱의 핵심 내용을 간략하게 설명해 드리고자 합니다. 가장 먼저 해야 할 일은 샘플을 채취하는 것입니다. |
| |
사람이나 동물에서 추출한 것일 수도 있고, 종양이나 실험실 샘플일 수도 있습니다. 그리고 그 샘플들을 개별 세포로 분리할 수 있습니다. |
| |
따라서 분리한 후에는 각 세포에 대해 가지고 있는 모든 유전자에 대해 시퀀싱을 수행할 수 있습니다. 예를 들어, 인간의 유전자는 약 3만 개입니다. 따라서 최종 결과는 읽기 횟수 표에서 다음과 같습니다. 유전자가 있습니다... 3만 개의 유전자가 행으로 나열되어 있고, |
| |
열은 약 50만 개의 셀로 구성됩니다. 보시다시피, 이렇게 큰 데이터 집합을 다루려면 차원이 매우 높아야 합니다. 또한 표에서 0을 볼 수 있는 이유는 |
| |
기술적 또는 생물학적 한계 때문에 모든 세포에 있는 모든 유전자를 검출할 수 있는 방법은 없습니다. 따라서 실제로 세포의 90%가 |
| |
0입니다. 그래서 매우 희소합니다. 희소성은 단일 세포 RNA 시퀀싱 데이터를 분석할 때 또 다른 과제입니다. |
| |
하지만 전처리, 정리, 차원 축소를 거친 후에는 클러스터링, 주성분 분석, 차등 유전자 발현 분석과 같은 일반적인 기법을 이 데이터에 적용할 수 있습니다. 이러한 내용은 제 워크플로우에 언급될 것입니다. |
| |
그리고 저는 차원성이 높고, 희소성이 높으며, 세포 집단 간에 이질성이 다양하다는 점을 포함한 어려움을 인지했다는 점을 이미 언급했습니다. |
| |
시퀀싱 프로토콜과 분석 패키지가 너무 많아서 기술적 잡음과 재현성이 문제입니다. |
| |
R이나 Python, 또는 다른 도구에서는 데이터 분석을 위한 정확한 단계를 따르기가 매우 어렵습니다. 단계를 혼동하거나 올바른 순서대로 진행하지 않으면 |
| |
재현 가능한 결과를 얻지 못할 수도 있습니다. 이것이 바로 저희가 여기서 해결하려고 했던 문제 중 하나입니다. |
| |
단일 세포 RNA 시퀀싱 데이터의 예를 보여드리고 싶습니다. 이 데이터는 제 시연에 사용될 것이며, 혈액 샘플 데이터(ppm)를 줄여서 표현한 것입니다. 세포는 행에, 유전자는 열에 있다고 말씀드렸죠. |
| |
약 8000개의 열과 100개 |
| |
행, 즉 셀을 의미합니다. 그리고 거의 모든 곳에서 0을 볼 수 있습니다. 제 생각에는 이 특정 데이터 세트의 희소성은 90% 이상입니다. |
| |
그렇다면 JMP Genomics 10의 새로운 단일 세포 RNA 시퀀싱 워크플로에는 무엇이 있을까요? 이 워크플로를 위해 다음과 같이 구축해 보았습니다. |
| |
기술적 배경 지식이 부족하거나 코딩이나 통계를 배울 시간이 없는 사람들을 위해, 이 워크플로에서는 사용자가 워크플로의 다른 단계들을 자동으로 실행할 수 있도록 단계들을 적절한 순서대로 배치했습니다. 또한 |
| |
사용자가 탐색하고 매개변수를 변경하고 다양한 선택 사항을 확인하는 데 도움이 되는 매우 상호 작용적인 보고서를 제공합니다. |
| |
그러면 이 워크플로에는 데이터 가져오기 진행, 전처리, 그리고 실제로 이 워크플로의 핵심인 가변 유전자 선택 방법 등이 포함됩니다. |
| |
따라서 가변적인 유전자 선택을 위해 이 방법의 목표는 유전자의 차원을 줄이는 것입니다. |
| |
인간 샘플에는 3만 개의 유전자가 있는데, 그 중 모두가 유용한 정보를 제공하는 것은 아닙니다. 그래서 저희는 가장 유용한 정보를 제공하는 유전자를 선택하려고 노력합니다. |
| |
분산 방법 및 |
| |
최소 회귀 기반 변동성 안정화 변환 방법입니다. 따라서 자세한 내용은 다루지 않겠지만, 이 두 방법은 연구 커뮤니티에서 널리 사용되고 있으며, 저희가 재현할 수 있어서 매우 기쁩니다. |
| |
또한 차원을 더욱 줄이기 위해 희소 SVD(Sparse SVD)를 적용했습니다. 이를 위해 계층적 클러스터링과 ak 평균 클러스터링도 적용했습니다. |
| |
JMP에서 부스팅 포레스트 방법을 사용하여 기능 중요도 스크리닝을 수행하며 R 패키지가 설치되어 있는 경우 T-SNE 및 UMAP 시각화를 직접 호출합니다. |
| |
단일 세포 RNA 시퀀싱 분석을 사용하는 매우 인기 있는 방법입니다. 또한 바이올린 플롯, 리지라인 플롯, 도프 플롯을 포함한 몇 가지 동적 시각화를 제공했으며, 차등 유전자 발현 분석도 수행합니다. 따라서 모든 보고서는 JMP 프로젝트와 매우 통합된 보고서로 구성될 것입니다. |
| |
다음으로 데모를 진행하겠습니다. 이 데모에는 두 가지 목표가 있습니다. 첫 번째 목표는 이 PBMC 데이터 세트의 세포 집단을 분류하는 것입니다. 이 데이터 세트에서 어떤 세포 유형이 있는지 알아내려고 합니다. 두 번째 목표는 하위 유형과 조건에 따라 차등 발현되는 청바지를 식별하는 것입니다. |
| |
그럼 먼저 JMP Genomics 스타터로 가보겠습니다. JMP Genomics 인터페이스는 일반 JMP와는 상당히 다르지만, |
| |
탐색하기가 꽤 쉽습니다. 워크플로 기본 사항을 찾으려면 |
| |
기본적인 단일 세포 RNA 시퀀싱 워크플로가 여기에 있습니다. 클릭하면 이 인터페이스를 불러올 수 있습니다. 인터페이스는 매우 직관적입니다. 데이터 세트만 제공하면 됩니다. |
| |
QC 옵션을 지정합니다. 분석 및 가변 유전자 선택을 위해 어떤 종류의 유전자나 세포를 제거할지, 어떤 방법을 사용할지 정합니다. VST를 선택하면 유지할 유전자 수를 2000개 또는 3000개로 지정할 수도 있습니다. |
| |
그리고 클러스터링 옵션은 클러스터링에 사용할 주성분의 수를 의미합니다. |
| |
계층적 또는 k-mean 클러스터링 알고리즘을 원하시나요? 그리고 옵션이 많을수록 마커 유전자를 갖게 됩니다. |
| |
세포 집단을 식별하는 데 사용할 마커 유전자 목록을 추가하는 데 도움이 됩니다. 이 기능은 매우 유용합니다. ANOVA와 차등 발현 분석을 실행할 수도 있습니다. 따라서 이 보고서는 별도의 보고서입니다. |
| |
이 강연에서는 이 부분에 대해 다루지 않겠습니다. 또 다른 예로 실험 예시를 들 수 있습니다. 기본적으로 치료 정보 등 시작 설계와 관련된 모든 정보를 제공할 수 있다는 점을 덧붙이면, |
| |
성 정보. 그래서 이건 |
| |
여기 시뮬레이션 데이터가 있습니다. 유전자 발현 수준과 그룹 간 측정값 차이를 어떻게 비교하는지 보여드리고 싶습니다. |
| |
마지막으로, t-SNE 또는 UMAP R 패키지가 설치되어 있는 경우 해당 패키지를 호출할 수 있는 임베딩 옵션이 있습니다. 이 옵션에 대한 다양한 매개변수를 알고리즘에 맞게 변경할 수 있습니다. |
| |
따라서 모든 옵션을 지정한 후 실행으로 이동하면 이와 같은 보고서가 생성됩니다. |
| |
표 형식 보고서입니다. 이 보고서에는 총 7개의 탭이 있습니다. 원하는 순서대로 정리했습니다. |
| |
유전자가 몇 개나 있나요? |
| |
세포에서 얼마나 많은 판독 수치가 있는지, 또는 데이터에서 미토콘드리아 유전자 수치의 백분율은 얼마인지, 그리고 이 세 가지 측정값 사이의 상관관계는 무엇인지 알려주세요. |
| |
그리고 왼쪽에 보시면 액션 상자가 있습니다. 이 상자를 확장하면 다양한 옵션을 찾을 수 있고, 이 상자에서 다양한 작업을 할 수 있습니다. |
| |
이 탭에서는 실험 설계 파일에서 제공한 조건에 따라 그래프를 분할할 수 있습니다. 예를 들어, 특정 처리를 한 후 |
| |
약물 1, 약물 2, 위약. 그러면 다른 그룹 간에 차이가 있는지 확인할 수 있고, 원하시면 원래 플롯으로 돌아가서 분할을 해제할 수도 있습니다. |
| |
두 번째 탭은 이 워크플로의 핵심인 가변 유전자 선택입니다. 빨간색 점은 후속 분석을 위해 선택한 유전자를 의미하며, |
| |
회색 점은 분석에서 제외될 유전자입니다. 작업 상자를 확장하면 VST를 사용했기 때문에 2000개의 유전자를 지정했음을 알 수 있습니다. |
| |
이 분석에서는 말이죠. 하지만 마음이 바뀌면 언제든 다른 유전자 개수를 입력하고 확인을 클릭하면 됩니다. 그러면 모든 탭이 이 새로운 숫자를 기준으로 새로 고쳐집니다. |
| |
따라서 변수 유전자 목록을 만든 후에는 주성분 분석과 동일한 희소 SVD 분석을 수행하여 차원을 더욱 줄여야 합니다. |
| |
따라서 SVD 분석을 적용한 후 상위 두 개의 SVD, 즉 주성분을 그래프로 나타낼 수 있습니다. 데이터 세트의 전체 구조를 확인해 보세요. |
| |
이 경우, 데이터 세트에 두 개의 큰 그룹이 있다는 것을 알 수 있는데, 이는 흥미로운 사실입니다. 또한, 더 자세히 살펴보실 수 있도록 3D 플롯도 제공합니다. |
| |
데이터입니다. 때로는 2D 플롯에서 파악할 수 없는 통찰력이 있을 수 있습니다. 3D 플롯은 때때로 정말 큰 가치를 제공할 수 있습니다. |
| |
그리고 우리는 여러분이 선택한 수(20 또는 30)에 따라 SVD를 가지고 있으며, 이를 사용할 수 있습니다. |
| |
클러스터링을 수행합니다. 이 경우 계층적 클러스터링을 선택했고, 데이터 세트에서 9개의 클러스터를 찾았습니다. |
| |
덴도그램 외에도 별자리 플롯도 제공합니다. |
| |
이 플롯이 t-SNE나 UMAP과 비슷해서 정말 마음에 들어요. 여러 그룹 간의 거리를 더 잘 파악할 수 있게 해 주죠. |
| |
예를 들어, 3개의 그룹, 큰 그룹, 3개의 클러스터가 있습니다. |
| |
다른 그룹과는 꽤 다릅니다. 그리고 여기 글로벌 구조에서 이들이 어디에 있는지 알고 싶다면, 제가 발견한 상위 세 개의 클러스터가 있습니다. 3D 플롯을 보면 알 수 있습니다. |
| |
강조 표시된 모든 항목은 여기에 있습니다. 그리고 다시 2D로 가보세요. 이것은 제가 강조 표시한 두 개의 큰 클러스터 중 하나입니다. 상호 작용이 정말 도움이 됩니다. |
| |
다양한 방법으로 데이터를 관찰하고 시각화하세요. 또한, 여러 그룹의 패턴을 더욱 명확하게 파악할 수 있도록 병렬 플롯도 제공합니다. |
| |
다음 탭은 임베딩입니다. 즉, R 패키징이 설치되어 있는 경우 t-SNE 및 UMAP 부분을 의미합니다. |
| |
R을 호출하여 분석을 실행하고, 데이터를 다시 가져와 JMP에서 시각화합니다. t-SNE 플롯은 다음과 같습니다. 9개의 군집이 매우 잘 분리되어 있습니다. |
| |
하단에는 똑같은 플롯이 있는데, 이번에는 제공해주신 마커 유전자로 색칠했습니다. 마커 유전자는 14개입니다. 이 기능을 사용하면 클릭스루로 전환할 수 있습니다. |
| |
이 유전자들이 어디에서 발현되는지 보는 거죠. 예를 들어, 이 작은 클러스터에서 고도로 발현되는 GNLY 유전자가 있는데, 데이터가 궁금하죠? 데이터를 선택하고 다시 살펴보면, 대부분 9번, 8번 클러스터에서 온 것을 확인할 수 있습니다. |
| |
GNLY는 NK 세포 유전자입니다. NK 세포의 마커 유전자죠. 이제 이 세포가 어떤 집단인지 알 수 있겠죠? |
| |
그리고 여기에 더 많은 작업을 할 수 있도록 도와주는 액션 버튼도 있습니다. UMAP으로 전환하고 싶으시다면, 그렇게 하실 수 있습니다. 이제 플롯이 UMAP과 연결됩니다. |
| |
정확히 같은 기능이지만 UMAP은 좀 더 나은 분리 기능을 제공하고 시각화에서 전체적인 구조를 더 잘 보존할 수 있습니다. 또한, 문제가 될 수 있는 셀을 제거하는 데 도움이 되는 몇 가지 방법도 제공합니다. |
| |
오염되었거나 품질에 문제가 있는 경우입니다. 예를 들어, 여기에 있는 특정 세포 그룹이 마음에 들지 않으면 시각화에서 제거할 수 있습니다. 더 깔끔하게 만들되, 언제든지 다시 가져올 수 있습니다. |
| |
그리고 다시, 플롯을 나눌 수 있는데, 그래프 분할 버튼입니다. 이번에는 성별, 즉 여성과 남성으로 나눌 수 있습니다. 네, 성별 그룹 간의 유전자 발현 수준을 비교할 수 있는데, 이는 때때로 매우 유용합니다. |
| |
그리고 우리는 분열되었습니다. |
| |
다음 탭은 9개 유전자 발현 수준을 시각화하기 위한 더 많은 시각화 도구를 제공합니다. |
| |
그룹, 9개의 그룹 셀, 맞죠? 첫 번째 부분은 바이올린 플롯이라고 합니다. 다시 한번, 기능 전환기를 통해 살펴보실 수 있습니다. |
| |
그 모든 유전자들이 서로 다른 클러스터에 있죠. 이제 그래프의 각 부분이 얼마나 높고 밀도가 얼마인지, 어떻게 되는지에 따라 알 수 있을 겁니다. |
| |
해당 유전자들이 어디에서 많이 발현되는지 명확하게 알 수 있습니다. 예를 들어, 제가 GNLY라는 유전자를 예로 들어 보겠습니다. 8번 클러스터에서 많이 발현되는 것을 볼 수 있습니다. |
| |
그리고 가운데, 우리가 제공하는 두 번째 플롯은 능선 플롯입니다. 능선 플롯은 |
| |
Y축에는 클러스터, X축에는 유전자 발현 수준이 표시됩니다. 하지만 기본적으로는 사용자의 취향에 따라 비슷한 결과를 제공합니다. |
| |
예를 들어, GNLY의 경우, 클러스터 8에서 매듭이나 다른 클러스터에 의해 GNLY가 높게 표현되는 것을 볼 수 있습니다. |
| |
그리고 하단에는 점 플롯이라는 또 다른 플롯이 있습니다. 이 보고서에 방금 추가한 새로운 플롯입니다. 점 플롯은 유전자 발현 수준을 보여줄 뿐만 아니라, 해당 유전자를 발현하는 세포의 비율도 보여줍니다. 예를 들어, 여기를 살펴보세요. |
| |
PPBP 유전자입니다. 그리고 이 클러스터를 볼 수 있는데, 7번 클러스터에서 100%의 세포가 이 PPBP 유전자를 발현하는 것을 볼 수 있습니다. 따라서 이 유전자는 |
| |
실제로 PPBP 세포입니다. 그러니까 이제 7번 클러스터가 PPBP 세포인 혈액 세포의 한 종류라는 게 매우 명확해졌고, 2번 클러스터 같은 다른 세포들도 살펴보게 되었습니다. |
| |
이 유전자를 발현하는 세포는 전체의 12%에 불과합니다. 따라서 약간의 오염이 있을 수 있지만, 이 세포 집단은 확실히 PPBP 세포가 아닙니다. 따라서 이 그래프는 단지 여러분께 보여드리는 것입니다. |
| |
각 클러스터의 발현 수준과 발현 비율은 플롯에서 추가 정보를 제공합니다. |
| |
다음 탭도 매우 유용합니다. 특징 스크리닝이라고 합니다. 제가 한 것은 페이딩 부스팅 포레스트 알고리즘을 적용한 다음, 해당 유전자를 사용하여 클러스터를 예측하는 것이었습니다. 세포 분리에 기여한 가장 중요한 유전자들이 이 표에 순위가 매겨져 있습니다. |
| |
이러한 유전자를 보는 올바른 방법은 이 작업 상자를 여는 것입니다. 시각화하려는 상위 35개 유전자를 선택하고 확인을 클릭합니다. |
| |
다음 탭에는 선택한 유전자 35개만 표시됩니다. 이 유전자들은 대부분 유익한 정보를 제공합니다. 그렇죠. 이 유전자들은 설명을 할 수 있습니다. |
| |
왜 이렇게 다른 세포 그룹들이 분리되어 있는지 다시 한번 살펴보겠습니다. 그냥 전환하거나 클릭해서 패턴을 확인해 보세요. 그리고 눈에 띄는 건, LYZ 유전자가 많다는 겁니다. |
| |
CST3와 NKG7은 이미 마커 유전자에 존재하거나 제공되었으며, 이는 이 특징 스크리닝이 |
| |
이 방법은 데이터 세트에서 가장 중요한 유전자를 찾아내는 데 매우 효과적입니다. 또 다른 방법은 GTEx 데이터베이스를 통해 시각화하는 것입니다. GTEx는 조직 특이적 데이터베이스입니다. |
| |
인체의 어떤 조직에서 어떤 유전자가 발현되는지 알려드립니다. 그러면 유전자 목록을 데이터베이스로 직접 전송할 수 있습니다. '확인'을 클릭하시면 됩니다. |
| |
웹사이트와 GTEx 웹사이트에서 상위 35개 유전자를 보여주는 히트맵을 제공해 드릴 겁니다. 이제 두 개의 인체 조직과 장기에서 제가 어디에서 발현되었는지 확인할 수 있어서 추가 정보를 보기에 매우 편리합니다. |
| |
이제 마커 유전자가 사용되었으니, 아마 어떤 세포 집단인지 알 수 있을 겁니다. 그렇죠? |
| |
여기 있는 함수는 재코드라고 합니다. 이 함수는 열면 해당 숫자를 실제 셀 이름으로 재코드할 수 있습니다. 예를 들어, 8은 이미 NK라는 것을 알고 있습니다. NK 셀이죠. 그리고 우리는... 저는 이미 각 셀에 대한 이름을 알고 있습니다. 그래서 그냥 입력하면 됩니다. |
| |
저것들 |
| |
단핵구. |
| |
두 개는 실제로 DC 세포이고 세 개는 FCGR3A+ 모노사이트입니다. |
| |
이들은 순수 CD+ T 세포입니다. |
| |
5군 메모리 CD4+ T 세포. |
| |
그리고 CD8+ T |
| |
메이지안 관 |
| 메이지안 관 |
6번째 그룹은 PPBP이고, 7번째는 앞서 살펴본 바와 같이 B세포입니다. |
| |
재코딩을 할 때는 재코딩을 클릭합니다. 이제 모든 플롯과 탭이 연결되었으므로 모든 숫자가 실제 셀 이름으로 변경된 것을 확인할 수 있습니다. 데이터를 탐색하는 데 도움이 됩니다. |
| |
쉽게요, 그렇죠. 그 셀들이 어디에 있는지 알 수 있고, 플롯에서 탐색도 할 수 있어요. 그리고 이 클러스터링 플롯을 포함해서, 사용자 지정 이름이 실제 셀 이름으로 변경된 것을 볼 수 있죠. 음, 그러니까 |
| |
오늘 주제는 여기까지입니다. 궁금한 점이 있으시면 이메일을 보내시거나 JMP 커뮤니티에 메시지를 남겨주세요. 시간 내주셔서 정말 감사합니다. |
