Bioinfo_newbie

[ERROR] ANCOMBC package error: object ‘solve’ is not exported by 'namespace:CVXR'

김해김씨99대손 — Thu, 26 Mar 2026 15:03:06 +0900

1 에러 메시지

object ‘solve’ is not exported by 'namespace:CVXR'

2 원인

ANCOMBC와 CVXR 간 버전 불일치
최신 CVXR에서는 solve export 구조 변경
ANCOMBC는 특정 구버전 CVXR을 요구

3 해결 방법

remove.packages("CVXR")
remotes::install_version("CVXR", version = "1.0-13")
BiocManager::install("ANCOMBC", force = TRUE)

4 확인 방법

library(CVXR)
library(ANCOMBC)

[Pangenome] 정의 및 MAG 을 사용한 Pangenome 장단점

김해김씨99대손 — Wed, 18 Mar 2026 10:34:43 +0900

Pan-genome

Pan from the Greek word, meaning whole or everything
Pangenome = Core + accessory gene
- Core genome = genes shared by all strains within a species
- Accessory genome = genes present only in a subset of strains, contributing to strain-specific traits
Liao WW et al. A draft human pangenome reference. Nature (2023).
Open pan-genome vs Closed pan-genome
- Open pangenome:
  - New genes continue to appear as additional genomes are sequenced,
  - indicating high strain-level diversity and unclear species boundaries.
- Closed (Convergent) pangenome:
  - After a certain number of genomes are added, few or no new genes are discovered
  - implying limited genetic diversity and stable species boundaries.

DOI:10.1101/2023.11.15.567287(Preprint)

Human Pangenome Reference Consortium (HPRC)
- Create a human pangenome reference and resource that represents global human genomic variatio

Pangenome using MAGs

Advantages
- Includes uncultured microorganisms
- Use of long-read cMAGs reduces genome fragmentation and improves assembly quality
Limitations
- Fragmentation inflates pan-genome size and underestimates core genes 분절화가 Pan크기를 과대 추정하게 만듬
- Contaminants can mimic accessory genes, leading to false diversity 오염이 accessory gene처럼 오해받게 만듬
- Unstable ANI boundaries cause species-level misclassification ANI가 불안정 함
- Short contigs increase ORF prediction errors and distort clustering 짧은 Contig때문에 ORF 예측 에러 증가 및 군집화에 영향
- Open vs. convergent interpretation caution: heterogeneity among MAGs can give a false appearance of an open pangenome Open vs Convergene 해석 주의: MAG의 이질성에 의해 Open 처럼 보이는 착시 생성
Recommendations
- Apply strict QC thresholds (≥ 95% completeness, ≤ 5% contamination) Benoit G et al., Nat Biotechnol, 2024
- Restrict analysis to homogeneous strain sets (≥ 95% ANI)

(ref: Tang Li & Yanbin Y, Briefings in Bioinformatics, 2022)

Bulk RNA-seq 분석 A to Z : pipeline부터 downstream analysis까지 총정리

김해김씨99대손 — Fri, 13 Mar 2026 13:44:41 +0900

안녕하세요. 저는 RNA-seq 분석 세계에 막 발을 들인 뉴비입니다.

요즘 다 Single cell 하는데 누가 bulk 하냐고요? 저희 연구실은 아직 비싸서 못 합니다

그래서 bulk RNA-seq을 최대한 응용할 수 있는 분석 방법 들을 총 정리하였습니다.

단순히 volcano plot이나 GO/KEGG enrichment 결과만 보는 것을 넘어서 여러 방법이 있으니 다 같이 응용해 봅시다

1️⃣ 데이터 전처리 및 DEG 분석

1. Raw data Quality Control (QC)

서열의 시퀀싱 품질을 확인하고 다듬는 단계입니다.

- 목적: adapter 제거, low quality read 제거, poly-A trimming

- 서열 품질 확인 : FastQC & MultiQC (CLI)

- 서열 품질 정리 : Trimmomatic (CLI) , fastp (CLI)

- 참고

[MultiQC] conda를 사용한 간단한 설치 및 실행

NGS data workflow 보통 연구실에서는 시퀀서 가격이 비싸다 보니, 회사에 시퀀싱을 맞기게 됩니다. 이때 결과물로 raw data와 NGS report를 전송해 주는데, 이 안에 기본적인 QC정보를 담고 있습니다.

bio-kcs.tistory.com

2. Alignment (Genome mapping)

1) 진짜 Alignment (느림)

read를 Reference genome에 매핑하는 단계

- 도구: HISAT2 (CLI) , STAR (CLI) , Bowtie2 (CLI)

- human reference: GRCh38 (hg38), TCT-CHM13,

- Annotation database: GENCODE, Ensembl, RefSeq

2) Pseudo alignment (빠름)

Pseudo-alignment은 read를 직접 genome에 정렬하지 않고 k-mer 기반으로 transcript compatibility를 계산하여 transcript abundance를 추정

- 도구: Salmon, Kallisto

=> 가용할 수 있는 자원에 따라 선택 가능!

Pseudo-alignment 방법(Salmon, Kallisto)은 빠르면서도 alignment 기반 방법과 유사한 정확도를 보이지만, reference transcriptome에 이미 존재하는 transcript만 정량화 가능 (novel 결과는 확인 불가)

3. Quantification

gene별 read count 계산 및 표준화하는 단계

- Alignment기반 도구 : featureCounts (CLI) , HTSeq (Python), RSEM (CLI) , StringTie (CLI)

- pseudo-alignment 기반 도구: Salmon (CLI) , Kallisto (CLI)

4. Expression normalization

샘플 간 sequencing depth 차이를 보정하는 과정으로 대표적인 방법은 아래와 같음.

- TPM: transcript length 고려

- FPKM: fragment normalization

- CPM: library size normalization (DE용)

- TMM: edgeR normalization (DE용)

5. Differential Expression Analysis

조건 간 유의하게 변화한 gene 탐색이 목적이며, DEG 분석에서는 raw count 기반 normalization 사용

- 도구: DESeq2 (R), edgeR (R) , limma-voom (R)

- output: log2 fold change, p-value, FDR

- figure: volcano plot, heatmap, PCA

각 단계별로 분석 환경(linux, R) 도 다르고 도구도 다양합니다. 그러나 이를 각각 따로 수행할 필요는 없습니다.

Nextflow 기반의 rnaseq를 사용하면 1~5단계를 한 번에 분석할 수 있으니까요 (강력 추천).

nf-core/rnaseq | Seqera

RNA sequencing analysis pipeline using STAR, RSEM, HISAT2 or Salmon with gene/isoform counts and extensive quality control.

seqera.io

만약 컴퓨터 메모리가 적고 빠른 분석을 원한다면

1) Aligner: STAR, Quantification: Salmon (default)

조합으로, 일반적인 분석 파이프라인을 원한다면

2) Aligner: HISAT2, Quantification: StringTie

조합으로 진행할 수 있습니다.

자 데이터 처리는 완료되었으니 이제 추가적인 분석을 수행해 봅시다!

2️⃣ 기본 분석

- PCA

- Heatmap

- Volcano plot

3️⃣ Functional enrichment 분석

RNA-seq에서 DEG를 얻은 뒤에는 이 유전자들이 어떤 생물학적 기능이나 pathway와 관련되는지 해석하는 단계가 필요

대표적으로 두 가지 접근법이 사용

- ORA (Over-Representation Analysis)

- GSEA (Gene Set Enrichment Analysis)

1) Over-Representation Analysis (ORA)

DEG 리스트에서 특정 gene set이 통계적으로 과대표현(over-represented) 되었는지 분석하는 방법

- 도구: clusterProfiler(R), gProfiler (web/R/python), Enrichr(web/R)

(1) Gene Ontology (GO) enrichment

DEG가 어떤 생물학적 기능(biological process, molecular function, cellular component)과 관련 있는지 분석

- Database: Gene Ontology Consortium

(2) Pathway enrichment

- Database: KEGG, Reactome, WikiPathway, MSigDB

참고1: gprofiler사용 시 주의 "GSEA is good, one thing that's important to know if you choose g:profiler: it uses the Fischer's test which requires definition of a background set of genes where the default is the entire protein coding genome. If you're doing bulk seq on liver cells, for example, you need to specify the background as liver-expressed genes or a bunch of those will end up enriched when compared to the entire genome. GSEA is permutation-based, so this isn't a problem. Source: https://doi.org/10.1038/s41596-018-0103-9" (https://www.reddit.com/r/bioinformatics/comments/1qu20pw/what_are_using_for_performing_gene_set_enrichment/)

참고 2: 그래서 ORA가 낫냐 GSEA가 낫냐? 뭘 선택하던 문제는 없다
ORA는 유의미함을 어떻게 정의하느냐에 따라 결과가 매우 달라짐, 소수의 유전자만 관심이 있을 때
GSEA는 데이터셋이 결함이 있거나 QC가 문제 된다면 낫밷
결과적으로 두 개 다 사용해서 어떤 경로가 겹치는지 확인 필요
- https://www.reddit.com/r/bioinformatics/comments/1dgiwvz/gsea_vsoverrepresentation_analysis/)
- https://www.reddit.com/r/bioinformatics/comments/1kv9s9b/can_someone_explain_how_to_perform_gene_ontology/
- https://www.reddit.com/r/bioinformatics/comments/18s3mgu/is_gsea_always_better_than_ora/
- https://www.reddit.com/r/bioinformatics/comments/66374x/gsea_vs_go_enrichment/
+) Khatri P et al., Ten years of pathway analysis: current approaches and outstanding challenges.
PLoS computational biology. (2012).⭐⭐
+) Enrichment (or over-representation) Analysis from Scratch (https://www.youtube.com/live/MJ4A5fmgWhg)

2) Gene Set Enrichment Analysis (GSEA)

ORA와 달리 DEG cutoff를 사용하지 않고 전체 gene expression 데이터를 활용하는 방법

- 도구: SeqGSEA(R), fgsea(R)

- Subramanian A et al., (2005). Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences of the United States of America
- Clark, N. R., & Ma'ayan, A. (2011). Introduction to statistical methods for analyzing large data sets: gene-set enrichment analysis.Science signaling
- Joly, J. H., Lowry, W. E., & Graham, N. A. (2021). Differential Gene Set Enrichment Analysis: a statistical approach to quantify the relative enrichment of two gene sets.Bioinformatics (Oxford, England)
- https://www.youtube.com/watch?v=Tm0LhciYxk8
- GSEA결과를 해석하는 법: https://docs.gsea-msigdb.org/#GSEA/GSEA_User_Guide/

3) Gene set scoring

각 샘플에서 특정 gene set의 활성도를 score 형태로 계산

- 도구: GSVA, ssGSEA, AUCell

4️⃣ Immune cell deconvolution

Bulk RNA-seq에서 cell composition 및 cell type specific expression 추정

- 도구: CIBERSORT(R), CIBERSORTx(web), MuSIC(R), BaysiaPrism(R) , InstaPrism(R) , xCell(web/R), EPIC(R)

개인적으로 CIBERSORTx도 좋지만 singnature matrix의 gene 개수가 1,200개로 제한되어있어서 InstaPrism 추천 드립니다!!

[CIBERSORTx] Bulk RNA-seq 데이터를 single cell (scRNA-seq) 처럼 세포유형에 따른 조성을 추론해 보자

작성날짜: 2025-10-10 야매 튜토리얼 저는 RNA-seq 분석 전문가는 아니지만, 분석 방법을 공유하기 위해 글을 작성하였습니다!하지만 그대로 따라 한다면 분석 결과를 얻을 수 있습니다! 1. 개

bio-kcs.tistory.com

5️⃣ Network analysis

1) PPI network

단백질단 물리적 interaction 기반 네트워크 추론

- database: STRING(Web, Cytoscape API) , BioGRID(web), IntAct (web)

- 분석목적: protein interaction, hub gene

2) Co-expression network

유전자 발현 패턴이 비슷하게 변하는 gene을 확인

- 도구: WGCNA ( Weighted Gene Co-expression Network Analysis ) (R)

- 분석 목적: module detection, hub gene identification

3) Regulatory network

전사 factor > 타깃 유전체 조절 > 유전체 발현의 일련의 관계 추정

- 도구: ARACNe (CLI), VIPER(R), DoRothEA (R) ,

5) Transcription Factor Enrichment Analysis (TFEA)

transcription factor (TF)가 조절하는 유전자가 실제 DEG list에 통계적으로 많이 포함되어 있는지 확인

- 도구: ChEA3(web), Enrichr(web/R), DoRothEA(R)

Rubin, J.D. et al. Transcription factor enrichment analysis (TFEA) quantifies the activity of multiple transcription factors from a single experiment. Commun Biol (2021).

6) Network visualization

- Cytoscape (Window GUI)

6️⃣ Alternative Splicing

RNA-seq의 중요한 확장 분석

- 분석 목표: exon skipping, intron retention, splice site change

- 도구: rMATS(Python) , MAJIQ (Python) , Whippet, SpliceWiz(R)

Reference

Jiang, G. et al. (2024). A comprehensive workflow for optimizing RNA-seq data analysis. BMC Genomics
Conesa, A. et al. (2016). A survey of best practices for RNA-seq data analysis. Genome Biology

[대학원] 연구실 Protocol 정리 및 공유 방법

김해김씨99대손 — Fri, 6 Mar 2026 19:07:45 +0900

1. 연구실 Protocol 공유의 문제

연구실에서 실험 프로토콜을 공유하는 방식은 생각보다 체계적이지 않은 경우가 많다.

특히 wet lab에서는 실험자가 기존 프로토콜을 조금씩 수정하며 사용하는 일이 흔하다. 이러한 방식이 어느 정도는 연구실 문화처럼 자리 잡고 있는 경우도 많다.

물론 실험자 개인이 자신의 방식으로 프로토콜을 정리하는 것도 중요하다. 그러나 문제는 많은 경우 프로토콜이 충분히 문서화되지 않거나 연구실 구성원 전체와 공유되지 않는다는 점이다.

실험은 “옆에서 보고 배워라”, “나도 그렇게 배웠다”는 방식으로 전수되는 경우가 많다.

이 방식은 개인의 경험에 크게 의존하게 만들고, 재현성과 지식 축적 측면에서 비효율적이라고 생각한다.

나는 연구실의 프로토콜이 다음과 같은 원칙에 따라 공유되는 것이 이상적이라고 생각한다.

2. 이상적인 protocol 공유 원칙

프로토콜 공유의 궁극적인 목적은 연구의 재현성을 높이는 것

연구실 프로토콜은 다음과 같은 원칙에 따라 공유되는 것이 이상적이라고 생각한다.

1️⃣ 모든 사람이 접근 가능한 형태로 공유될 것
프로토콜은 특정 개인의 노트가 아니라 연구실 전체의 자산이다.

따라서 연구실 구성원 누구나 접근할 수 있는 공간(예: cloud, shared drive 등)에 저장되어야 한다.

2️⃣ 충분히 상세하게 문서화될 것
프로토콜에는 단순한 실험 단계뿐 아니라 다음과 같은 정보가 포함되어야 한다.

사용 시약 및 준비물
시약의 보관 위치 (이왕이면 냉장고 칸, 물건의 이미지)
실험 준비 과정
단계별 소요 시간
작성자 및 수정 기록
한글 및 영어 설명
이해를 돕는 이미지

필요하다면 실험 과정을 보여주는 영상 자료도 큰 도움이 될 수 있다.

또한 프로토콜에는 성공 방법뿐 아니라 실험 실패의 원인이나 주의사항을 함께 기록하는 것이 중요하다.

이러한 정보는 실제 실험 재현성에 큰 영향을 미친다.

3️⃣ Dry lab 공유

실험 데이터 분석 과정 역시 wet lab 실험만큼 중요하다.

가능하다면 연구실 내에서 동일한 분석 파이프라인을 사용하는 것이 바람직하다.

각 분석 단계는 최소한 bash script 형태로 공유되어야 하며, 이상적으로는 다음과 같은 파이프라인 관리 도구를 활용할 수 있다.

- Snakemake

- Nextflow

이러한 도구를 사용하면 분석 과정을 자동화하고 재현성을 높일 수 있다.

물론 이러한 체계를 구축하는 데에는 상당한 시간과 노력이 필요하다. 나 역시 아직 완전히 구현하지 못한 상태다.

하지만 연구실의 지식이 개인에게 머무르지 않고 재현 가능하고 축적 가능한 형태로 남기 위해서는 결국 이러한 방향으로 나아가야 한다고 생각한다.

3. 그래서 어떻게 정리하고 있나?

#Claude #version control #Quicklink

물론 이러한 체계를 완벽하게 구축하는 데에는 상당한 시간과 노력이 필요하다.

우리 연구실도 아직 완전히 구현된 상태는 아니지만, 현재는 다음과 같은 방식으로 프로토콜을 정리하고 공유하고 있다.

현재는 Google Cloud 기반으로 프로토콜을 정리하고 공유하고 있으며, 전체 프로토콜을 한 번에 확인할 수 있는 quick link를 구성해 두었다. 각 실험 단계별 상세 프로토콜도 점차 정리 중이다.

Protocol 파일 구조

1-0. Kit 회사에서 나온 Original protocol 문서 
1-1. 한국어 protocol 
1-2. 영어 protocol

특히 Original protocol을 함께 보관하는 것이 중요하다고 생각한다.

연구실 프로토콜이 수정되더라도 원본을 확인할 수 있어야 하기 때문이다.

또한 프로토콜은 지속적으로 수정되기 때문에 version 관리도 중요하다.

예를 들어 다음과 같은 형태로 관리할 수 있다.

1-2. 영어 protocol_v1.0 # Initial protocol
1-2. 영어 protocol_v1.1 # minor modification
1-2. 영어 protocol_v2.0 # new method

Protocol 문서 구성

각 프로토콜 문서는 기본 방법 외에 추가적으로 다음과 같은 정보를 작성하였다 .

1. 작성자

2. 실험 목적 및 샘플 개수에 따른 소요 시간

3. 필요한 재료

- 시약

- 추가 재료

- 사용 기기 (이미지)

- 준비 시간 (예: 해동 시간 등)

4. 시약 사용량 예시

5. 메모를 통한 실험 팁 공유

6. 실험 최적 환경

- 최적 온도

- 최종 volume

특히 실험 팁이나 주의사항을 메모 형태로 남기는 것이 실제 실험에 큰 도움이 된다.

4. 좋은 Protocol 공유 사례

1. Beiting lab: https://protocols.hostmicrobe.org/

이 연구실은 홈페이지를 통해 분석 과정 전반을 매우 상세하게 공유하고 있다.

2. Nicola Segata 교수님 연구실 https://github.com/SegataLab

Segata 교수님은 MetaPhlAn 도구 등의 개발자로 잘 알려진 분입니다. 최근에는 신생아의 장내미생물 관련하여 활발한 연구를 진행 중에 있습니다.

위 연구실은 Git hub를 통해서 분석 전과정이 공유됩니다. 또한 연구원 모두 Github를 통해 본인의 프로젝트를 관리하고 있습니다.

예를 들어 다음과 같은 preprocessing 도구를 제공한다.

- https://github.com/SegataLab/preprocessing

GitHub - SegataLab/preprocessing: Raw sequence metagenomic reads pre-processing: trimming, QC, and host contamination

Raw sequence metagenomic reads pre-processing: trimming, QC, and host contamination - SegataLab/preprocessing

github.com

3. Huttenhower lab

- https://huttenhower.sph.harvard.edu/home/

- 마이크로바이옴 분야에서 가장 선두를 달리고 있는 연구실로, Git hub를 통해 각 도구의 사용법을 상세하게 작성되었습니다.

https://github.com/biobakery/biobakery/wiki/

마무리

연구실 프로토콜은 단순한 실험 매뉴얼이 아니라 연구실 지식의 축적 과정이라고 생각한다.

프로토콜이 개인에게 머무르지 않고 연구실 전체에 공유될 때 연구는 더 재현 가능하고 지속 가능한 형태로 발전할 수 있다.

우리 연구실도 아직 완벽한 시스템을 갖춘 것은 아니지만, 조금씩 이러한 방향으로 정리해 나가려고 한다.

성과의 굴레와 핑계

김해김씨99대손 — Thu, 5 Mar 2026 12:27:00 +0900

최근 들어 연구에 대한 열정이 많이 사라졌다. 그러다 보니 자연스럽게 취직을 생각하게 되었고, 결국 다시 ‘성과’라는 굴레로 돌아오게 된다.

문제는 지금 논문 피드백을 제대로 받지 못하고 있다는 점이다.

A 논문의 디자인은 1년 전에 이미 드렸고, 6개월 전에는 전체 초안을 전달했다.

이후 figure를 수정하라는 피드백을 받아 전부 수정해서 34개월 전에 다시 드렸다.

석사 때 1년 동안 매달렸던 프로젝트도 결국 다른 학생에게 마무리가 넘어갔고,

초기에 잠깐 참여했던 다른 연구는 지금까지도, 거의 2년째 교수님과 수정만 논의하고 있다.

물론 그 사이에 내가 다른 프로젝트에 집중했던 탓도 있다. 내 책임이 전혀 없다고 말할 수는 없다.

다만 그 과정에서 연구의 큰 방향에 대한 논의보다는 figure 구성이나 색 같은 디테일한 부분에 대한 피드백만 반복되다 보니 점점 지쳐가는 것도 사실이다.

초반에는 그런 지적이 당연하다고 생각했고, 디테일도 중요하다고 여겼다. 하지만 지금은 그 시간에 차라리 추가 실험을 하나라도 더 했으면 어땠을까 하는 생각이 든다.

졸업논문도 원래 A 연구로 준비하고 있었다. 하지만 중간에 다른 주제로 바꾸라는 이야기를 듣고 결국 계획이 엎어졌다. 졸업논문으로 쓰기에는 아깝다는 이유였다. 그렇게 내 졸업논문은 훨씬 시시한 주제로 바뀌었다.

결국 중간에 자퇴를 하든, 취업을 하든 모든 이야기는 ‘성과’가 생긴 뒤에야 가능하다.

성과 자체가 없다면 그 시간은 그저 시간 낭비로 보일 뿐이다.

나가기 위해 버텨야 하는 굴레 속에 있는 것 같다.

연구실 서버 관리 전략 고민 중

김해김씨99대손 — Fri, 27 Feb 2026 12:09:32 +0900

연구실에서 사용하고 있는 공용드라이브는 총 3개이다.

Raw 데이터 백업을 위한 NAS 서버(병원용), 연구를 위한 CPU 리눅스 서버, 간단한 파일 공유 및 회의내용 정리를 위한 구글 드라이브를 사용하고 있다.

문제는 연구용 CPU 서버이다. 나는 서버관리에 대해서는 문외한이다.

1. 서버 관리의 시작

컴퓨터에 'ㅋ' 만 알던 내가 서버를 관리해 보면서 느꼈던 것은 다음과 같다.

1. 사용자의 교육이 중요하다.

- 내가 아니라 타인의 잘 못으로 서버가 고장날 수 있다.

- 물론 타인 뿐만 아니라 관리자의 지식도 매우 중요하다.

2. 적극적으로 관리에 참여하자

- 내가 아니면 누구도 신경 쓰지 않는다. 서버의 관리는 연구 품질의 관리이다.

그래서 서버 운용을 위해서 한 일은 다음과 같다.

1. 서버 사용 가이드 제작 (notion을 통해 배포)

- 기초 명령어민 사용 Tip 등을 정리하였다.

- 관리자 용도 짜로 작성

2. 관리자의 관리 기록 작성

- 서버의 변동 사항을 기록하지 않으면 아무것도 알 수 없다.

2. 용량 이슈

하지만 가장 큰 문제는 서버의 파티션 구성이었는데, 아무것도 모르던 시절에 서버 회사에서 지정해 준 크기 설계를 그대로 따랐다.

결과적으로 home 디렉토리가 root 파티션 안에 있고, 용량은 고작 500G밖에 되지 않는다.

하지만 다른 파티션은 33T가 넘는다ㅋㅋㅋㅋ

서버 회사에 문의해 보니 보통 그렇게 한단다...

우리는 home에서 개인 계정을 만들어서 conda를 각자 관리하고 있었는데, 사람이 늘어나다 보니까 감당이 되지 않았다. 그래서 33T 용량인 곳에 home2를 임시로 만들고 거기에 개인 분석 환경을 구축했다.

즉 프로그램은 `/home/개인계정`에, 실제 분석을 수행하는 곳은 `/data/home2/개인계정` 에서 진행 중이다.

그러나 Shotgun 분석을 수행하면서 분석 프로그램도 커지게 되면서, 사소한 분석도 용량 문제 때문에 멈추기 일쑤였다.

3. 단기적 조치

일단

1) 안쓰는 conda 환경 삭제,

2) Home에서 raw 데이터 삭제,

3) Cache 파일 삭제,

4) 미접속 사용자 삭제

로 90% 인 사용량을 45%로 줄였다.

하지만 이것도 단기적인 것일 뿐, 결과적으로 conda 환경을 옮겨야 할 것 같다.

4. 중장기적 계획

2026년 계획은 다음과 같다.

1. Conda 공용화

- 그룹 기반으로 권한 바꾸기

2. Quota 설정

- 사용자별 용량 제한

3. Conda -> Container 기반

향후 4년 내 계획은 다음과 같다.

- OS 전환: CentOS7.9 -> Ubuntu? Rocky?

- 서버 용량 확장

으로 수행할 것 이다.

문제는 나는 서버의 전문가가 아니다. 하나하나씩 새로 공부해야 한다.

일단 리눅스 마스터 따고, container 공부 부터 해야겠다.

다른 연구실도 외부인 실습용은 공용계정은 사용하더라도, 실제 분석은 개인 계정에서 하시는 것 같다.

만약 공용 conda 를 만든다면 다들 어떻게 쓰고 관리하는 것일까?

하아아아나도 감이 오지 않는다.

MZ들의 논문이란 이런 것이다

김해김씨99대손 — Wed, 25 Feb 2026 10:37:02 +0900

논문과 이모지

https://doi.org/10.48550/arXiv.2405.01525

가끔 이모지가 포함된 논문을 봤는데, 볼 때마다 이래도 되나 싶은데 재밌다 ㅎㅎ 하는 단순한 생각으로 보곤 했다.

특히 중국 논문에서 자주 보았고, 이모지 덕분에 기억에 더 오래 남았다.

생각해 보니까 논문에 그림을 싣는 건 당연한 건데, 조금 귀여울 뿐이지 않을까 생각한다. 아래 그림의 애매한 미소처럼..

물론 이건 매우 과학적이고 잘 요약된 그림이다.

Conwill, A. et al., (2022). Cell host & microbe , 30 (2)

레딧에서 논의된 논문들

레딧에서 "논문의 이모지 사용"을 검색해 보니 글이 두 개 정도 나온다.

하나는 괜찮고 하나는 골 때린다.

1. This is a real figure from a paper in Cell. “50 Shades of Green”

이건 확실히 골 때린다.

Furch, A. C. U., Theißen, G., & Zimmermann, M. R. (2021).

이모지는 아니지만 이런 그림을 논문에 올린 저자의 용기가 부럽다ㅋㅋㅋ

2.emojis for emphasis in scientific literature?

Feng, Z., et al., Light Sci Appl 10, 197 (2021).

이 정도 이모지는 나쁘지 않다고 생각한다. 따봉이 아닌 게 어디인가?

아예 이모지를 연구해 보자

아예 이모지를 통해 보는 생물 다양성에 대한 연구도 있다. 척삭 동물의 이모지가 절지동물의 이모지보다 더 많고, 2022년도는 2015년 보다 더 다양한 동물을 표현할 수 있게 되었다. 이것의 장단 점 등등.. 적혀있는데

결론은 더 많은 동물 이모지를 만들어 달라는 것이었다.

난 이런 논문을 참 좋아한다.

솔직히 말하면 나도 발표 자료에는 이모지를 남발하고 있다.

학회 발표 자료..

이모지를 쓰면 결과의 우수성을 시각적으로 설명 가능하고, 청중의 집중도를 높일 수 있기 때문... 보다는

그냥 기분이 좋다

대학원에 들어오니 악몽이 디테일해졌다.

김해김씨99대손 — Thu, 19 Feb 2026 09:28:41 +0900

꿈을 자주 꾸는 성향인데,

고등학생 때는 쫓기는 꿈, 도망가는 꿈을 주로 꾸었다면

대학원에 오면서

미팅에 지각하는 꿈,

논문 초록 마감기한 지난걸 뒤늦게 아는 꿈,

차가 막혀서 학회 발표 놓치는 꿈들을 꾼다..

막상 아침에 일어나면 자세한 내용은 기억이 안 나지만, 스트레스를 받았던 감각만 떠오른다.

내 걱정 불안들이 꿈에 바로 반영되는 것이 한편으로는 웃기다.

스트레스 덜 받고 살아야겠다..

[NetCoMi] 분석 결과를 igraph, Gephi, Cytoscape 에서 사용해 보자

김해김씨99대손 — Mon, 9 Feb 2026 20:28:58 +0900

작성날짜: 26-02-09

저는 네트워크 분석할 때 주로 Netcomi를 쓰는데요. 이유는 쓰기 편하기 때문입니다. 근데 최근 ggClusterNet2등을 포함한 여러 분석 도구가 많이 출시되었습니다. 또한 GUI(R Shiny) 기반으로 SpeSpeNet(2025), CMiNet(2026) 같은 시각화 도구도 출시되었고요.

점점 코딩이 필요 없어지는 트렌드네요.

네, 제 일자리도 없어지고 있습니다 ..

일단 소개해보겠습니다.

➰Network 분석 단계

일단 Netcomi 패키지를 기준으로 network 분석의 단계를 알아볼까요?

https://netcomi.de/

1. Data preparation (데이터 변환)

1) 분석하기 위한 ASV table을 준비합니다.

2) 희소한 데이터를 필터링합니다 (prevalence 기준을 주로 사용)

3) Compositional 데이터의 zero값을 처리합니다.

4) Normalization 합니다 (TSS, CLR 등등)

2. Network construction (네트워크 구성)

1) ASV 간 연결성을 정의합니다

- correlation인가, conditional dependence인가

-> 여기서 각 node(ASV) 간의 sign, weight 등을 얻을 수 있습니다.

2) 주요한 연결만 남깁니다.

- 어떤 threshold를 쓸 건지(|상관계수|>0.4? 0.6?) 등

-> 결과로 소수의 node와 edge를 얻을 수 있습니다.

3. Network analysis (네트워크 분석)

- 네트워크의 구조를 분석하는 단계입니다.

-> degree나 betweenness 등을 산정합니다.

4. Visualization (시각화)

- node의 색과 크기 정의,

- edge의 색과 크기 정의,

- hub node강조 유무 결정합니다.

➰Network 시각화 및 분석의 공통적인 결과물

네트워크 분석의 결과물은 총 3개로 볼 수 있습니다.

1. Association matrix

- feature x feature 이거나 sample x sample로 구성되어 있는 상관행렬입니다.

2. edge list

- 각각의 edge(연결)의 정보입니다.

3. network Properties

- degree, betweenness 등의 네트워크의 지표를 말합니다.

각 결과물은 모든 데이워크 분석의 공통결과물입니다.

즉 데이터 형식만 같으면 여러 도구에서 모두 사용 가능하다는 뜻입니다.

논문 작성 시,
edge list와 Association matrix를 조합하여, 어떤 node 간의 어떤 연결성(+ or -)을 보이는지, 얼마나 강한지(weight)등을 작성하거나, 혹은 네트워크 전체를 볼 때 어떤 key hub들이 있는지 network Properties를 참고할 수 있겠습니다.

+) ggClusterNet2 소개

ggCluster2 (2025)가 어떤 친구일까? Tao Wen을 중심으로 중국 난징 농업 대학 연구실에서 만든 R package로, CSDN에서 유명한 Yong-Xin Liu 박사님이 2 저자이시네요.

Yong-Xin Liu 박사님의 여러 글은 아래 링크를 참고해 주세요. 재미있습니다 .

- https://metagenome.blog.csdn.net/?type=blog

ggClusterNet2는 시각화 중심의 분석 도구이며, iMeta에 게재되었습니다.

ggClusterNet 1

ggClusterNet 2

버전 2 출시 소식으로 기뻤던 것은, R 패키지 로고가 정 방향으로 돌아가 있다는 점입니다!

사소하지만, 굉장히 거슬렸기 때문에 감사하네요 ㅎㅎ

그게 중요한 건 아니고..일단 ggclusterNet2는 논문 작성에 매우 도움이 됩니다. node과 edge, hub node뿐만 아니라, 네트워크의 안전성(B), 취약성(D)까지 같이 분석해 주기 때문입니다.

Wen, T., Liu, Y. et al., iMeta (2025).

왜 이들이 중요하냐고요? co-occurrence 연구 시, hub node의 중요성이 미약하기 때문입니다. 이는 Open challenges for microbial network construction and analysis (2021)에서도 이미 다루었는데요, 네트워크 분석 결과의 hub node가 생물학적으로 실제 주요한 종인지 입증하는 것이 굉장히 어렵습니다. 그래서 오히려 특정 node에 집중하기보다는 생태계 관점으로 연결성에 집중하게 되는 것입니다.

ggCluster의 결과물에서는 각 taxon 간의 관계를 바로 살펴볼 수도 있습니다.

OTU_1      OTU_2      weight     cor   group    nodes   links
Taxon_1    Taxon_2   -1.0856     -     AD_1      13      18
Taxon_3    Taxon_2    0.9973     +     AD_1      13      18
Taxon_4    Taxon_2    0.2830     +     AD_1      13      18
Taxon_5    Taxon_2   -1.5063     -     AD_1      13      18
Taxon_6    Taxon_2   -0.5786     -     AD_1      13      18
Taxon_7    Taxon_2    1.6514     +     AD_1      13      18
Taxon_7    Taxon_8   -2.4267     -     AD_1      13      18
Taxon_9    Taxon_2   -0.4289     -     AD_1      13      18
Taxon_9    Taxon_8    1.2659     +     AD_1      13      18
Taxon_10   Taxon_8   -0.8667     -     AD_1      13      18
Taxon_3    Taxon_8   -0.6789     -     AD_1      13      18
Taxon_3    Taxon_11  -0.0947     -     AD_1      13      18
Taxon_12   Taxon_2    1.4914     +     AD_1      13      18
Taxon_12   Taxon_8   -0.6389     -     AD_1      13      18
Taxon_13   Taxon_12  -0.4440     -     AD_1      13      18
Taxon_13   Taxon_3   -0.4344     -     AD_1      13      18
Taxon_1    Taxon_8    2.2059     +     AD_1      13      18
Taxon_1    Taxon_11   2.1868     +     AD_1      13      18

갑자기 ggClusterNet2를 소개드린 이유는, 위 데이터 형식만 알면, 다른 시각화 프로그램에서도 사용 가능하다는 것을 의미하기 때문입니다.

➰ Netcomi에서 비슷한 표 뽑아내기

ggClusterNet2의 결과물도 NetCoMi에서 확인 가능합니다.

netConstruct()의 결과물을 net이라고 했을 때, net$edgelist1도 유사한 데이터를 담고 있습니다.

taxRank = "Species"
seed = 42
A = {전처리된_데이터}


net  <- NetCoMi::netConstruct(
  data        = A,
  dataType    = "condDependence",
  sparsMethod = "none",
  weighted    = weighted,
  taxRank     = taxRank,
  seed        = seed
  )
  
  
master_table <- net$edgelist1   %>%
  dplyr::rename(
    node_1 = v1,
    node_2 = v2,
    weight = asso
  ) %>%
  dplyr::mutate(
    sign = ifelse(weight > 0, "positive", "negative"),
    abs_weight = abs(weight)
  ) %>%
  dplyr::select(
    node_1, node_2, weight, sign, abs_weight
  )

master_table

좀 수정해 보면 아래와 같은 정리된 표를 얻을 수 있습니다.

➰ NetCoMi에서 다른 시각화 프로그램으로 보내버리기

근데 사실 NetCoMi의 가장 큰 단점은 시각화입니다. 그림이 안 이쁘거든요..

...

이쁜 그림은 사실 외부 프로그램 쓰는 게 훨씬 낫다고 생각합니다. 그렇다면 다른 프로그램을 쓰기 위해 데이터를 어떻게 변환할 수 있을까요?

Liu, R. et al., (2017). Nature medicine

1️⃣ NetComi → Gephi

netcomi 공식 홈페이지에서 Gephi라는 시각화 소프트웨어로 보내버리는 코드는 이미 공개하고 있습니다.

- https://netcomi.de/articles/netcomi?q=edgelist#export-to-gephi

Get started

The American Gut data provided by the SpiecEasi package are used for almost all NetCoMi tutorials. We begin by constructing a single network on genus level, which we analyze using quantitative and graphical methods. Later, we will compare the networks of t

netcomi.de

세부 속성 이름은 다를 수도 있으니, 확인 바랍니다(ex. degree1이 아니라 degree일 수 있음)

# Gephi에서 사용하기 위해 edge list와 node list를 각각 생성해야 함
# edge list: 노드 간 연결 정보
# node list: 노드 ID, 라벨, 클러스터 등 노드 속성 정보

# netConstruct() 결과에서 edge list 추출
# v1, v2는 연결된 두 노드(OTU/ASV/Genus 등)의 이름
edges <- dplyr::select(net$edgelist1, v1, v2)

# Gephi는 숫자형 ID를 권장하므로
# factor를 이용해 각 노드에 고유한 숫자 ID 부여
edges$Source <- as.numeric(factor(edges$v1))
edges$Target <- as.numeric(factor(edges$v2))

# 네트워크 유형 지정 (대부분의 마이크로바이옴 네트워크는 무방향 그래프)
edges$Type <- "Undirected"

# edge weight 추가
# 여기서는 adjacency 값 (연결 강도)을 weight로 사용
edges$Weight <- net$edgelist1$adja

# node table 생성
# 각 노드의 Label(이름)과 Id(숫자형 ID)를 매핑
nodes <- unique(edges[, c("v1", "Source")])
colnames(nodes) <- c("Label", "Id")

# NetCoMi에서 계산된 클러스터 정보를 node 속성으로 추가
# Gephi에서 노드 색상(Category)으로 활용 가능
nodes$Category <- props$clustering$clust1[nodes$Label]

# Gephi edge table에서 요구하는 컬럼만 선택
edges <- dplyr::select(edges, Source, Target, Type, Weight)

# Gephi에서 불러올 node / edge CSV 파일로 저장
write.csv(nodes, file = "nodes.csv", row.names = FALSE)
write.csv(edges, file = "edges.csv", row.names = FALSE)

그리고 저장된 nodes.csv와 edges.csv를 Gephi에서 불러오면 됩니다.

| Gephi 설치

- 홈페이지: https://gephi.org/

Gephi - The Open Graph Viz Platform

Trusted by Researchers Worldwide Gephi has been featured in tens of thousands of academic publications across disciplines from sociology to biology. It has become a leading tool for network analysis in research, trusted by universities and research institu

gephi.org

| Gephi에서 저장된 파일 불러오기

1) 파일 -> Open

2) 파일 선택

3) edge 불러오기

4) Node 불러오기

5) 결과 보고서 확인

OK 클릭

6) Import완료

2️⃣ NetComi → igraph

사실 netcomi 자체가 igraph 쓰고 있기 때문에 매우 간단합니다.

g <- graph_from_adjacency_matrix(
  props$adjaMat,
  mode = "undirected",
  weighted = TRUE,
  diag = FALSE
)

3️⃣ NetComi → Cytoscape

| Netcomi 데이터를 Cytoscape 용으로 변환하기

세부 속성 이름은 다를 수도 있으니, 확인 바랍니다(ex. degree1이 아니라 degree일 수 있음)

edges <- net$edgelist1 %>%
  dplyr::select(v1, v2, adja, asso) %>%
  dplyr::rename(
    source = v1,
    target = v2,
    weight = adja,
    association = asso
  ) %>%
  # association 부호(+/-) 생성
  dplyr::mutate(
    sign = ifelse(association > 0, "positive", "negative")
  )

### -------------------------
### 2. Node table 생성
### -------------------------

nodes <- data.frame(
  `shared name` = names(props$centralities$degree1),
  degree = props$centralities$degree1,
  betweenness = props$centralities$between1,
  eigenvector = props$centralities$eigenv1,
  cluster = props$clustering$clust1
)

### -------------------------
### 3. CSV 저장 (Cytoscape import용)
### -------------------------


write.csv(edges, "cytoscape_edges.csv", 
          row.names = FALSE,
          quote = FALSE)
write.csv(nodes, "cytoscape_nodes.csv", 
          row.names = FALSE,
          quote = FALSE)

| Cytoscape 설치

- 홈페이지: https://cytoscape.org/download.html

Download Cytoscape

Problems? Read this page first

cytoscape.org

| Cytoscape에서 저장된 파일 불러오기

1) Edge 불러오기

(1) File → Import → Network from File

(2) cytoscape_edges.csv 선택

(3) OK 클릭

2) Node 불러오기

(1) File → Import → Table →

(2) cytoscape_nodes.csv 클릭

(3) Key column: shared name

3) Import완료

Cytoscape는 요즘 배우고 있는 도구인데요. 깔끔하고 이쁘게 시각화 할 수 있습니다.

역시 GUI가 짱이네요.

▶이전 글

[NetCoMi] phyloseq으로 spearman correlation과 sparCC로 network plot을 그려보자.

글 작성: 24.01.03. 내용추가: 24.01.02. 1. Network analysis | 마이크로바이옴 연구에서 네트워크 연구란? - microbiome은 복잡한 미생물 군집을 말한다. 여러 생물들의 상호작용은 전체 미생물의 구조를 안정

bio-kcs.tistory.com

Dry lab에서 wet lab으로

김해김씨99대손 — Mon, 9 Feb 2026 15:58:57 +0900

지금 연구실에서 2년 전부터 wet lab 구축을 진행하고 있는데,

최근 들어서 완전하게 장비를 갖추고 실험 프로토콜을 시도해 보는 중이다.

졸업 후 칼취업을 하고 싶었던 나,

생명 쪽은 쳐다도 보지 않아서 실험실을 들어가지도 않았다.

그때의 부족함이 지금에서야 부메랑으로 돌아온다.

사실 연구 하면 할수록 다른 사람한테 맡기면 결과를 보장하기 어렵다는 생각이 든다.

실험을 배우면서 테크니션의 연봉이 낮다는 걸 듣고, 이 세상은 잘못 돌아가고 있다는 생각도 든다.

장점은 시간이 빨리 간다.

단점은 시간이 빨리 지나간다..

박사과정 때부터 파이펫 잡는 방법부터 익히는 거 이거 맞냐고요

아니 그보다 나는 연구실 세팅을 몇 년 동안 하는가..

스타트업 장인 되겠다